Simulador de IA - BNCC

Simulador de Inteligência Artificial

Aprenda e pratique os conceitos de IA e matemática aplicada alinhados à BNCC

Simulador

Matemática da IA

Aplicações

Quiz

Simulador de Algoritmos de IA

Este simulador permite explorar diferentes tipos de algoritmos de inteligência artificial, visualizando seu funcionamento e entendendo os conceitos matemáticos por trás deles.

Redes Neurais

Regressão Linear

Classificação

Árvore de Decisão

Redes Neurais Artificiais

As redes neurais são modelos computacionais inspirados no cérebro humano, compostos por neurônios artificiais interconectados que processam informações.

Taxa de Aprendizado: 0.1

Épocas de Treinamento: 10

Função de Ativação:

Resultado do Treinamento

Erro inicial: 0.5

Erro final: 0.05

Precisão: 90%

Matemática por Trás das Redes Neurais

A saída de um neurônio artificial é calculada através da seguinte fórmula:

y = σ(Σ w_i × x_i + b)

Onde:

y = saída do neurônio
σ = função de ativação
w_i = peso da conexão i
x_i = entrada i
b = viés (bias)

Funções de Ativação Comuns:

Sigmoid: σ(x) = 1 / (1 + e⁻ˣ)
ReLU: σ(x) = max(0, x)
Tanh: σ(x) = (eˣ - e⁻ˣ) / (eˣ + e⁻ˣ)

Regressão Linear

A regressão linear é um algoritmo de aprendizado supervisionado que tenta modelar a relação entre variáveis encontrando uma linha que melhor se ajusta aos dados.

Número de Pontos:

Nível de Ruído:

Resultado da Regressão

Equação da Reta: y = 2.5x + 1.3

Coeficiente de Determinação (R²): 0.87

Matemática da Regressão Linear

A equação da reta de regressão é dada por:

y = mx + b

Onde:

m = inclinação (coeficiente angular)
b = intercepto (coeficiente linear)

Os valores de m e b são calculados para minimizar a soma dos quadrados das diferenças entre os valores observados e previstos:

m = Σ[(x_i - x̄)(y_i - ȳ)] / Σ[(x_i - x̄)²]

b = ȳ - m × x̄

Onde x̄ e ȳ são as médias de x e y respectivamente.

Classificação de Dados

A classificação é uma técnica de aprendizado supervisionado que identifica a qual categoria um novo dado pertence, com base em dados de treinamento.

Conjunto de Dados

Tamanho	Peso	Textura	Classe
3	150	Rugosa	Laranja
2	120	Rugosa	Laranja
4	180	Rugosa	Laranja
7	80	Lisa	Maçã
6	90	Lisa	Maçã
5	70	Lisa	Maçã

Classificar Nova Fruta

Tamanho (1-10):

Peso (g):

Textura:

Resultado da Classificação

Classe prevista: Maçã

Confiança: 85%

Algoritmo de Classificação k-NN

O algoritmo k-Nearest Neighbors (k-NN) classifica um novo dado baseado na maioria dos k vizinhos mais próximos. A distância entre pontos é calculada usando a distância euclidiana:

d(p, q) = √[(p₁ - q₁)² + (p₂ - q₂)² + ... + (pₙ - qₙ)²]

Onde p e q são dois pontos em um espaço n-dimensional.

Passos do Algoritmo:

Calcular a distância entre o novo ponto e todos os pontos de treinamento
Selecionar os k pontos mais próximos
Atribuir ao novo ponto a classe mais frequente entre os k vizinhos

Exemplo: Classificação de Imagens

Clique em uma imagem para ver como uma IA classificaria:

Cachorro (98%)

Gato (97%)

Pássaro (92%)

Peixe (95%)

Árvore de Decisão

Árvores de decisão são modelos que tomam decisões baseadas em regras sequenciais, criando uma estrutura semelhante a uma árvore.

Umidade (%): 75%

Temperatura (°C): 25°C

Ventoso:

Resultado da Previsão

Previsão: Ensolarado

Caminho da decisão: Umidade > 70% → Temperatura > 20°C → Não ventoso

Matemática das Árvores de Decisão

Árvores de decisão usam métricas como Entropia e Ganho de Informação para decidir quais atributos dividem melhor os dados.

A entropia mede a impureza (ou desordem) de um conjunto de dados:

Entropia(S) = -Σ p_i log₂(p_i)

Onde p_i é a proporção da classe i no conjunto S.

O ganho de informação mede quanto a entropia diminui após dividir os dados por um atributo:

Ganho(S, A) = Entropia(S) - Σ (|S_v| / |S|) × Entropia(S_v)

Onde S_v é o subconjunto de S para o qual o atributo A tem valor v.

Matemática da Inteligência Artificial

A inteligência artificial é fundamentada em diversos conceitos matemáticos, incluindo álgebra linear, cálculo, probabilidade e estatística.

Álgebra Linear na IA

A álgebra linear é fundamental para a IA, pois muitos algoritmos trabalham com vetores e matrizes.

Vetores e Matrizes

Um vetor é uma lista ordenada de números, enquanto uma matriz é uma tabela retangular de números.

Vetor x = [x₁, x₂, ..., xₙ]

Matriz A = [ [a₁₁, a₁₂, ..., a₁ₙ], [a₂₁, a₂₂, ..., a₂ₙ], ..., [aₘ₁, aₘ₂, ..., aₘₙ] ]

Operações como multiplicação de matrizes são essenciais em redes neurais:

(A × B)ᵢⱼ = Σ aᵢₖ × bₖⱼ

Cálculo na IA

O cálculo, especialmente as derivadas, é crucial para o treinamento de modelos de IA através do gradiente descendente.

Gradiente Descendente

O gradiente descendente é um algoritmo de otimização que ajusta os parâmetros de um modelo para minimizar uma função de erro:

θ = θ - α × ∇J(θ)

Onde:

θ = parâmetros do modelo
α = taxa de aprendizado
∇J(θ) = gradiente da função de erro em relação aos parâmetros

Probabilidade e Estatística na IA

A probabilidade e estatística são fundamentais para modelar incerteza e fazer previsões em IA.

Teorema de Bayes

O Teorema de Bayes é usado em vários algoritmos de IA para atualizar crenças com base em novas evidências:

P(A|B) = [P(B|A) × P(A)] / P(B)

Onde:

P(A|B) = probabilidade de A dado B (probabilidade posterior)
P(B|A) = probabilidade de B dado A (verossimilhança)
P(A) = probabilidade de A (probabilidade anterior)
P(B) = probabilidade de B (evidência)

Funções de Ativação

As funções de ativação introduzem não-linearidade nas redes neurais, permitindo que elas aprendam padrões complexos.

Sigmoid

Transforma valores para o intervalo (0, 1):

σ(x) = 1 / (1 + e⁻ˣ)

ReLU (Rectified Linear Unit)

Retorna x se x > 0, caso contrário retorna 0:

ReLU(x) = max(0, x)

Medidas de Erro

Medidas de erro quantificam a diferença entre os valores previstos e os valores reais:

Erro Quadrático Médio (MSE)

MSE = (1/n) × Σ(y_i - ŷ_i)²

Entropia Cruzada

H(y, ŷ) = -Σ y_i log(ŷ_i)

Onde y_i são os valores reais e ŷ_i são os valores previstos.

Aplicações da Inteligência Artificial

A inteligência artificial está transformando diversos setores e atividades do nosso cotidiano. Conheça algumas das principais aplicações.

🏥

Medicina

A IA auxilia no diagnóstico de doenças, análise de imagens médicas, descoberta de medicamentos e personalização de tratamentos.

Exemplo: Detecção de câncer em imagens de raio-X com precisão comparável ou superior à de especialistas humanos.

🚗

Transporte

Veículos autônomos, otimização de rotas, previsão de tráfego e sistemas de segurança avançados são aplicações de IA no transporte.

Exemplo: Carros autônomos que usam visão computacional e aprendizado de máquina para navegar em ambientes complexos.

🏦

Finanças

A IA é usada para detecção de fraudes, análise de risco, negociação algorítmica e atendimento ao cliente em serviços financeiros.

Exemplo: Sistemas que identificam transações suspeitas em tempo real, reduzindo fraudes em cartões de crédito.

🎮

Entretenimento

Jogos, recomendação de conteúdo, produção musical e geração de imagens são algumas das aplicações no entretenimento.

Exemplo: Sistemas de recomendação que sugerem filmes e músicas com base em preferências pessoais.

🏭

Indústria

Manutenção preditiva, controle de qualidade, otimização de processos e robótica são aplicações industriais da IA.

Exemplo: Sistemas que preveem falhas em equipamentos antes que ocorram, reduzindo tempo de inatividade.

🌍

Meio Ambiente

Monitoramento de ecossistemas, previsão de desastres naturais, otimização de recursos e combate às mudanças climáticas.

Exemplo: Modelos que analisam imagens de satélite para detectar desmatamento ilegal em tempo real.

O Futuro da IA

A inteligência artificial continua evoluindo rapidamente, com avanços em áreas como:

Aprendizado por Reforço: Algoritmos que aprendem através de tentativa e erro, com aplicações em robótica e jogos.
Aprendizado Federado: Treinamento de modelos sem compartilhar dados sensíveis, preservando a privacidade.
Modelos de Linguagem: Sistemas capazes de compreender e gerar linguagem natural de forma cada vez mais sofisticada.
IA Explicável: Desenvolvimento de técnicas para tornar as decisões da IA mais transparentes e compreensíveis.

Impactos Sociais da IA

É importante considerar os impactos éticos, sociais e econômicos da IA:

Transformação do mercado de trabalho e necessidade de novas habilidades
Questões de privacidade e segurança de dados
Vieses algorítmicos e discriminação
Responsabilidade e governança da IA

Quiz sobre IA e Matemática

Pergunta 1 de 5

Competências da BNCC

Este aplicativo está alinhado às seguintes competências e habilidades da Base Nacional Comum Curricular:

Matemática - Ensino Médio

EM13MAT405: Utilizar conceitos iniciais de uma linguagem de programação na implementação de algoritmos escritos em linguagem corrente e/ou matemática.
EM13MAT401: Converter representações algébricas de funções polinomiais de 1º grau em representações geométricas no plano cartesiano, distinguindo os casos nos quais o comportamento é proporcional, recorrendo ou não a softwares ou aplicativos de álgebra e geometria dinâmica.
EM13MAT406: Construir e interpretar tabelas e gráficos de frequências com base em dados obtidos em pesquisas por amostras estatísticas, incluindo ou não o uso de softwares que interajam com planilhas eletrônicas.
EM13MAT315: Investigar e registrar, por meio de um fluxograma, quando possível, um algoritmo que resolve um problema.

Ciências da Natureza e suas Tecnologias

EM13CNT301: Construir questões, elaborar hipóteses, previsões e estimativas, empregar instrumentos de medição e representar e interpretar modelos explicativos, dados e/ou resultados experimentais para construir, avaliar e justificar conclusões no enfrentamento de situações-problema sob uma perspectiva científica.
EM13CNT303: Interpretar textos de divulgação científica que tratem de temáticas das Ciências da Natureza, disponíveis em diferentes mídias, considerando a apresentação dos dados, tanto na forma de textos como em equações, gráficos e/ou tabelas, a consistência dos argumentos e a coerência das conclusões, visando construir estratégias de seleção de fontes confiáveis de informações.

Linguagens e suas Tecnologias

EM13LGG701: Explorar tecnologias digitais da informação e comunicação (TDIC), compreendendo seus princípios e funcionalidades, e utilizá-las de modo ético, criativo, responsável e adequado a práticas de linguagem em diferentes contextos.

Competências Gerais da Educação Básica

Competência 1: Valorizar e utilizar os conhecimentos historicamente construídos sobre o mundo físico, social, cultural e digital para entender e explicar a realidade, continuar aprendendo e colaborar para a construção de uma sociedade justa, democrática e inclusiva.
Competência 2: Exercitar a curiosidade intelectual e recorrer à abordagem própria das ciências, incluindo a investigação, a reflexão, a análise crítica, a imaginação e a criatividade, para investigar causas, elaborar e testar hipóteses, formular e resolver problemas e criar soluções (inclusive tecnológicas) com base nos conhecimentos das diferentes áreas.
Competência 5: Compreender, utilizar e criar tecnologias digitais de informação e comunicação de forma crítica, significativa, reflexiva e ética nas diversas práticas sociais (incluindo as escolares) para se comunicar, acessar e disseminar informações, produzir conhecimentos, resolver problemas e exercer protagonismo e autoria na vida pessoal e coletiva.