Soluçoes Preditivas com Python e R, Resumos de Inteligência Artificial

Baixe Soluçoes Preditivas com Python e R e outras Resumos em PDF para Inteligência Artificial, somente na Docsity!

Gestão Pública

Soluções Preditivas

Baseadas em Dados com

o Uso do R e do Python

Enap, 2025 Fundação Escola Nacional de Administração Pública Diretoria de Desenvolvimento Profissional SAIS - Área 2-A - 70610-900 — Brasília, DF

Fundação Escola Nacional de Administração Pública

Diretoria de Desenvolvimento Profissional

Conteudista/s Wallace Farias

Enap Fundação Escola Nacional de Administração Pública

• Módulo 1: Identificando os Principais Tipos de Aprendizado de Máquina Sumário
• Unidade 1: Contexto e Definições em Inteligência Artificial
• 1.1 Contextualizando a Inteligência Artificial nas Organizações Públicas
• 1.2 Definindo os Principais Conceitos Referentes à Inteligência Artificial
• 1.3 Definindo Aprendizagem Supervisionada
• 1.4 Definindo Aprendizado Não Supervisionado
• 1.5 Definindo Aprendizagem Semi-Supervisionada
• 1.6 Definindo Aprendizagem por Reforço
• 1.7 Definindo Problemas de Aprendizagem (Overfitting e Underfitting)
  • Glossário
  • Referências
  • Unidade 2: Frameworks de Código Aberto e IA na Administração Pública
  • de Máquinas 2.1 Identificando os Principais Frameworks de Código Aberto para Aprendizagem
  • Pública 2.2 Descrevendo Casos da Utilização da Inteligência Artificial na Administração
  • Glossário
  • Referências
  • Módulo 2: Selecionar Técnicas e Algoritmos
  • Unidade 1: Algoritmos de Classificação
• 1.1 Principais Conceitos e Técnicas de Classificação Binária e Multiclasses
• 1.2 Principais Algoritmos para Soluções de Classificação
  • Cruzada) 1.3 Técnicas de Avaliação de Modelos de Classificação (Hold-out e Validação
• 1.4 Métricas de Aprendizado
• 1.5 Abordagens de Treinamento de Modelos de Classificação.................................
• 1.6 Métricas de Qualidade do Aprendizado de Modelos
  • de Classificação
• 1.7 Técnicas de Combinação de Modelos de Classificação
  • Classificação 1.8 Identificando Técnicas de Otimização de Aprendizado de Modelos de
  • Glossário
  • Referências
• Unidade 2: Algoritmos para Regressão/Estimação Enap Fundação Escola Nacional de Administração Pública
• 2.1 Conceitos e Técnicas de Regressão Linear a Não Linear, Simples e Múltipla
• 2.2 Técnicas de Preparação de Dados Para Modelos de Regressão/Estimação
• 2.3 Treinamento de Modelos de Regressão/Estimação
• 2.4 Métricas de Qualidade do Aprendizado de Modelos de Regressão/Estimação
• 2.5 Abordagens Para Melhorar Aprendizado em Modelos de Regressão/Estimação
• Referências
• Unidade 3: Algoritmos de Agrupamento
• 3.1 Identificando o Algoritmo de K-means
• 3.2 Identificando o Algoritmo K-medoid
• 3.3 Identificando o Algoritmo de Agrupamento Hierárquico
• 3.4 Identificando o Algoritmo de Agrupamento DBSCAN
• (Análise de Silhueta) 3.5 Descrevendo Técnicas de Análise da Qualidade do Agrupamento e Segmentação
• Agrupamento e Segmentação 3.6 Descrevendo Técnicas de Otimização de Aprendizado de Modelos de
• Glossário
• Referências
• Unidade 4: Algoritmos para Detecção de Regras de Associação
• 4.1 Principais Conceitos e Técnicas de Mineração
• de Regras de Associação................................................................................................
• 4.2 Técnicas de Preparação de Dados Para Mineração de Regras
• de Associação
• 4.3 Algoritmos de Detecção de Regras de Associação
• 4.4 Métricas de Qualidade de Regras de Associação
• (Suporte e Confiança)
• Glossário
• Referências
• Unidade 5: Algoritmos para Sistemas de Recomendação.................................
• 5.1 Identificando as Principais Técnicas Recomendação
• 5.2 Problemas Comuns a Sistema de Recomendação
• 5.3 Técnicas de Preparação de Dados Para Sistemas de Recomendação
• recomendação 5.4 Identificando as Principais Métricas de avaliação de sistemas de
• 5.5 Identificar Técnicas de Otimização de Sistemas de Recomendação
• Referências
  • Séries Históricas..................................................................................................... Unidade 6: Técnicas, Modelos e Abordagens para Modelagem e Previsão em
  • 6.1 Tipos de Séries Temporais
  • 6.2 Processo de Análise de Séries Temporais
  • 6.3 Modelos de Séries Temporais
  • 6.4 Abordagem Geral para Modelagem de Séries Temporais
  • 6.5 Processo Estacionário em Séries Históricas........................................................
  • 6.6 Processos Lineares de Previsão em Séries Históricas
  • 6.7 Previsão em Séries Temporais Utilizando Redes Neurais Artificiais
  • Glossário
  • Referências
  • Módulo 3: Desenvolvendo Soluções Preditivas
  • Unidade 1: Desenvolvimento de Aplicações em R
• 1.1 Soluções de Agrupamento e Segmentação
• 1.2 Soluções de Regressão/Estimação
• 1.3 Soluções de Classificação.......................................................................................
• 1.4 Soluções de Detecção de Padrões de Associações
• 1.5 Soluções de Sistemas de Recomendação
• 1.6 Soluções de Modelagem e Previsão em Séries Históricas
  • Glossário
  • Referências
  • Unidade 2: Desenvolvimento de Aplicações em Python
  • 2.1 Soluções de Agrupamento e Segmentação.........................................................
  • 2.2 Soluções de Regressão/Estimação
  • 2.3 Soluções de Classificação
  • 2.4 Soluções de Detecção de Padrões de Associações
  • 2.5 Soluções de Sistemas de Recomendação............................................................
  • 2.6 Soluções de Modelagem e Previsão em Séries Históricas
  • Glossário
  • Referências

Enap Fundação Escola Nacional de Administração Pública

Módulo

Identificando os Principais

Tipos de Aprendizado

de Máquina

Neste módulo, você terá a oportunidade de explorar o papel da inteligência artificial (IA) e sua evolução como ferramenta nas organizações públicas e privadas. Por meio de uma contextualização histórica da IA, você terá contato com conceitos fundamentais e aplicações. Além disso, você conhecerá os principais tipos de aprendizado de máquina, destacando os desafios enfrentados durante o processo de aprendizado, como overfitting e underfitting , apresentando estratégias para superá-los.

Você deve ter acompanhado que, nos últimos anos, a Inteligência Artificial (IA) tem se tornado uma ferramenta indispensável para a modernização, tanto de organizações públicas quanto privadas, promovendo eficiência e melhores serviços. No contexto público, a IA pode ser empregada em diversas áreas, como análise preditiva para segurança pública, automação de processos administrativos e personalização de serviços ao cidadão.

O uso de técnicas de aprendizado de máquina, como o processamento de linguagem natural possibilita a análise de grandes volumes de dados, permitindo que o Governo tenha as melhores informações à sua disposição. Contudo, adotar IA em organizações públicas apresenta inúmeros desafios, como melhoria de infraestrutura tecnológica, capacitação de servidores, além de questões éticas referente ao uso de dados.

Unidade 1: Contexto e Definições em Inteligência Artificial

Objetivo de aprendizagem

Ao final desta unidade, você será capaz de reconhecer os conceitos relacionados à Inteligência artificial.

1.1 Contextualizando a Inteligência Artificial nas Organizações Públicas

Enap Fundação Escola Nacional de Administração Pública

Inteligência Artificial. Fonte: Freepik (2025).

Por exemplo, um sistema de IA aplicado a serviços de saúde pública seria capaz de prever demandas futuras, permitindo a alocação eficiente de médicos.

A inteligência artificial (IA) pode ser definida como a capacidade dos sistemas computacionais de realizar tarefas que normalmente demandam inteligência humana, como aprendizado, raciocínio, interpretação e tomada de decisão.

Com base nesse conceito, destacam-se dois tipos de aprendizado:

1.2 Definindo os Principais Conceitos Referentes à Inteligência Artificial

Machine learning

Aprendizado de máquina, que permite aos sistemas aprenderem com os dados, dispensando programação explícita.

Deep learning

Aprendizado profundo, por sua vez, utiliza redes neurais artificiais inspiradas no funcionamento do cérebro humano.

Enap Fundação Escola Nacional de Administração Pública

1.4 Definindo Aprendizado Não Supervisionado

1.5 Definindo Aprendizagem Semi-Supervisionada

Já no aprendizado não supervisionado, os dados não são rotulados, e o modelo explora os padrões e relações presentes neles sem uma saída predefinida. O aprendizado não supervisionado é ideal para a exploração de grandes volumes de dados, buscando descobrir informações implícitas ou desconhecidas a partir deles. Dentre os algoritmos mais comuns, podemos destacar o agrupamento ( clustering ), como K-Means, e a análise de componentes principais (PCA).

Acompanhe o exemplo a seguir:

Outro tipo é a aprendizagem semi-supervisionada, que combina características dos aprendizados supervisionado e não supervisionado. Nesse caso, o modelo é treinado com um conjunto de dados em que apenas uma parte está rotulada, aproveitando os dados não rotulados para melhorar o aprendizado e reduzir os custos associados ao processo de rotulagem. A aprendizagem semi-supervisionada é útil em aplicações que envolvem grandes volumes de dados, nos quais a rotulagem manual completa seria inviável.

Acompanhe o exemplo a seguir:

Um município pode agrupar cidadãos em categorias com base em dados de saúde, como doenças crônicas, hábitos alimen- tares e atividades físicas. A partir disso, é possível ajustar as políticas de saúde para atender às necessidades de cada grupo.

Em uma biblioteca digital, a classificação de documentos pode ser realizada utili- zando aprendizagem semi-supervisiona- da. Inicialmente, rotula-se apenas uma pequena porcentagem dos documentos, e o modelo aprende a categorizar automati- camente os restantes.

Algoritmo de agrupamento. Fonte: Freepik (2025).

Algoritmo de semi-supervisionado. Fonte: Freepik (2025).

Enap Fundação Escola Nacional de Administração Pública

1.6 Definindo Aprendizagem por Reforço

1.7 Definindo Problemas de Aprendizagem ( Overfitting e Underfitting )

Na aprendizagem por reforço, o modelo aprende por tentativa e erro ao interagir com o ambiente para maximizar uma recompensa acumulada. Nesse contexto, não há respostas previamente definidas como corretas ou incorretas; em vez disso, o modelo recebe feedback com base nas ações tomadas. A aprendizagem por reforço é particularmente útil em situações que demandam decisões sequenciais, como jogos e controle de tráfego.

Acompanhe o exemplo a seguir:

Os problemas de overfitting e underfitting são desafios comuns em aprendizado de máquina.

A otimização do consumo de energia em prédios públicos pode ser realizada por meio de aprendizado por reforço. O sistema ajusta automaticamente a tempe- ratura e a iluminação com base na ocupa- ção do prédio, visando minimizar os custos sem comprometer o conforto dos usuários.

Aprendizagem por reforço. Fonte: Freepik (2025).

Overfitting

Ocorre quando o modelo se ajusta excessivamente aos dados de treinamento, capturando até mesmo ruídos e perdendo a capacidade de generalizar para novos dados.

Underfitting

Acontece quando o modelo é simples demais, falhando em captar a complexidade dos dados e apresentando baixo desempenho.

Enap Fundação Escola Nacional de Administração Pública

Glossário

Termo Definição/significado

Componentes Principais (PCA)

Método de redução de dimensionalidade que transforma da- dos em um conjunto menor de variáveis não correlacionadas, chamadas componentes principais.

Clustering

Técnica de aprendizado não supervisionado que agrupa da- dos semelhantes em clusters ou grupos.

Dados Rotulados

Conjunto de dados em que cada entrada possui uma etiqueta ou categoria associada, usada para treinar modelos supervi- sionados.

Hiperparâmetros

Configurações ajustáveis definidas antes do treinamento do modelo, como taxa de aprendizado ou número de camadas.

K-Means Algoritmo de^ clustering^ que particiona os dados em K grupos, minimizando a variabilidade dentro de cada cluster.

Overfitting

Ocorre quando o modelo se ajusta excessivamente aos dados de treinamento, prejudicando sua generalização para novos dados.

Underfitting

Acontece quando o modelo é muito simples e não consegue capturar padrões relevantes nos dados, resultando em baixo desempenho.

Enap Fundação Escola Nacional de Administração Pública

BISHOP, C. M. Pattern Recognition and Machine Learning. New York: Springer,

CHOLLET, F. Deep learning with Python. 2. ed. Nova York: Simon and Schuster,

DOMINGOS, P. The master algorithm: how the quest for the ultimate learning machine will remake our world. New York: Basic Books, 2015.

FREEPIK COMPANY. [Banco de Imagens]. Freepik , Málaga, 2025. Disponível em: https://www.freepik.com/. Acesso em: 6 mar. 2025.

GOODFELLOW, I.; BENGIO, Y.; COURVILLE, A. Deep learning. Cambridge: The Mit Press, 2016.

MITCHELL, T. M. Machine learning. New York: McGraw-hill, 1997.

PEDREGOSA, F. et al. Scikit-learn: Machine learning in python Fabian. Journal of machine learning research , [s.l.] , v. 12, p. 2825-2830, 2011. Disponível em: https:// jmlr.org/papers/v12/. Acesso em: 6 mar. 2025.

RUSSELL, S.; NORVIG, P. Artificial intelligence : a modern approach. 4. ed. Hoboken: Pearson, 2020.

ZHANG, A. et al. Dive into deep learning. Cambridge: Cambridge University Press,

1. Disponível em: https://arxiv.org/pdf/2106.11342. Acesso em: 06 mar. 2025.

Referências

Enap Fundação Escola Nacional de Administração Pública

Além disso, uma das principais vantagens dos frameworks de código aberto é a promoção da transparência e da colaboração. Instituições podem auditar e adaptar o código conforme suas necessidades específicas, garantindo a conformidade com regulamentações e aumentando a confiança no uso de tecnologias para melhorar os serviços públicos.

Observe o infográfico a seguir:

O uso do framework Scikit-learn para prever atrasos em processos administrativos com base em dados históricos. Fonte: elaborado pelo autor (2025).

2.2 Descrevendo Casos da Utilização da Inteligência Artificial na

Administração Pública

A IA na Administração Pública tem se destacado como uma ferramenta importante para otimizar operações, aumentar a eficiência dos serviços e promover a transparência. Desde algoritmos que analisam e preveem gastos públicos até a utilização de chatbots para atender cidadãos, a IA iniciou um processo de transformação na forma que as instituições públicas operam, tornando-as mais ágeis e eficazes.

Enap Fundação Escola Nacional de Administração Pública

Os casos de uso de IA na Administração Pública são diversos, dos quais podemos destacar os seguintes:

Esses exemplos reforçam como a IA pode promover um governo mais eficiente e centrado no cidadão, resolvendo problemas complexos e melhorando a experiência dos usuários de serviços públicos.

Chatbot. Fonte: Freepik (2025).

Análise Preditiva de Saúde Pública

Modelos de IA podem prever surtos de doenças com base em dados climáticos, sanitários e populacionais, permitindo uma resposta mais ágil e eficiente.

Gestão de Tráfego

Algoritmos avançados são usados para otimizar a sinalização, reduzir conges- tionamentos e monitorar o fluxo de veículos em grandes centros urbanos.

Assistência ao Cidadão

Chatbots com tecnologia de IA podem responder a perguntas frequentes, agilizar processos burocráticos e tornar serviços públicos mais acessíveis à população.

Vamos a uma Aplicação Prática?

Um exemplo prático é o desenvolvimento de um chatbot utilizando frameworks de código aberto, como o exemplo do código a seguir, que apresenta um chatbot básico.

Enap Fundação Escola Nacional de Administração Pública

Glossário

Termo Definição/significado

Keras

Interface de alto nível para redes neurais, integrada ao Ten- sorFlow, que simplifica a construção e o treinamento de mo- delos.

PyTorch

Biblioteca de aprendizado de máquina focada em redes neu- rais, amplamente utilizada por sua facilidade de uso e inte- gração com Python.

Scikit-learn

Ferramenta de aprendizado de máquina baseada em Python, ideal para tarefas como classificação, regressão e cluster iza- ção.

TensorFlow

Framework de código aberto para aprendizado de máquina e deep learning, conhecido por sua flexibilidade e suporte a modelos complexos.

Enap Fundação Escola Nacional de Administração Pública

ABADI, M. et al. TensorFlow: a system for Large-Scale machine learning. In: USENIX SYMPOSIUM ON OPERATING SYSTEMS DESIGN AND IMPLEMENTATION (OSDI 16), 12., 2016, Savannah. Anais eletrônicos [...], Savannah: Usenix, 2016. p. 264-283. Disponível em: https://www.usenix.org/system/files/conference/osdi16/osdi16- abadi.pdf. Acesso em: 7 mar. 2025.

DOBBALA, M. K.; LINGOLU, M. S. S. Conversational AI and Chatbots: Enhancing User Experience on Websites. American Journal of Computer Science and Technology , [s. l.] , v. 7, n. 3, p. 62-70, 2024. Disponível em: https://www.sciencepublishinggroup. com/article/10.11648/j.ajcst.20240703.11. Acesso em: 7 mar. 2025.

FREEPIK COMPANY. [Banco de Imagens]. Freepik , Málaga, 2025. Disponível em: https://www.freepik.com/. Acesso em: 7 mar. 2025.

GOODFELLOW, I.; BENGIO, Y.; COURVILLE, A. Deep learning. Cambridge: The Mit Press, 2016.

IZZO, B. B. et al. O uso de chatbot para inovação no atendimento em gestão de pessoas no Senado Federal. In: ENCONTRO BRASILEIRO DE ADMINISTRAÇÃO PÚBLICA, 8., 2021, Brasília. Anais eletrônicos [...], Brasília: Ebap, 2021. p. 1-15. Disponível em: https://sbap.org.br/ebap/index.php/home/article/view/95/59. Acesso em: 7 mar.

MISURACA, G.; NOORDT, C. AI Watch: Artificial Intelligence in Public Services : Overview of the Use and Impact of AI in Public Services in the EU. Luxemburgo: Publications Office of the European Union, 2020. Disponível em: https://data.europa. eu/doi/10.2760/039619. Acesso em: 7 mar. 2025.

PATEL, R.; PATEL, S. Deep learning for natural language processing. In: KAISER, M. S.; XIE, J.; RATHORE, V. S. (orgs.). Information and Communication Technology for Competitive Strategies (ICTCS 2020): Intelligent Strategies for ICT. Singapore: Springer, 2021. p. 523-533.

PASZKE, A. et al. Pytorch: An imperative style, high-performance deep learning library. Advances in neural information processing systems , Vancouver, v. 32,

1. Disponível em: https://arxiv.org/abs/1912.01703. Acesso em: 7 mar. 2025.

PEDREGOSA, F. et al. Scikit-learn: Machine learning in python Fabian. Journal of machine learning research , [s.l.] , v. 12, p. 2825-2830, 2011. Disponível em: https:// jmlr.org/papers/v12/. Acesso em: 7 mar. 2025.

Referências