LCE_136_SII_BIOLOGIA_ Sistemas de Informação e Inteligência para Biologia: 2025

Sim, com certeza! Vamos explicar o conceito de Inteligência Artificial Indutiva Supervisionada para Classificação ou Machine Learning de uma forma simples e didática.

🤖 O Conceito Principal

Imagine que você está ensinando uma criança a distinguir entre fotos de gatos e cachorros.

1. Indutiva: O aprendizado é por indução, ou seja, você mostra exemplos e a criança (ou o algoritmo) aprende uma regra geral a partir desses exemplos. Ela não recebe a regra pronta ("gatos têm orelhas pontudas e cachorros não"), mas sim induz a regra observando muitas fotos.

2. Supervisionada: Você atua como o supervisor. Para cada foto que mostra, você diz a resposta correta (o rótulo): "Esta é um Gato," "Este é um Cachorro."

o Dados Rotulados: Os dados que você usa para treinar o sistema (as fotos) são rotulados, ou seja, cada entrada (foto) tem sua saída desejada (a classe: "Gato" ou "Cachorro") já definida.

3. Classificação: O objetivo final é classificar um novo item em uma de duas ou mais categorias discretas (classes). No nosso exemplo, as classes são "Gato" e "Cachorro".

o O que o algoritmo faz: Ele aprende a relação entre as características da foto (cores, formas, texturas) e o rótulo ("Gato" ou "Cachorro").

🧠 Como Funciona o Processo

O processo de aprendizado supervisionado para classificação é dividido em duas fases principais: Treinamento e Predição.

1. Fase de Treinamento (O Aprendizado)

Entrada de Dados Rotulados: Você alimenta o algoritmo com um grande conjunto de fotos (os dados de entrada ou atributos) e seus rótulos correspondentes (saída desejada).

Exemplo: (Foto A, Gato), (Foto B, Cachorro), (Foto C, Gato).

Ajuste do Modelo (Indução): O algoritmo tenta encontrar um padrão ou uma função matemática que melhor mapeie as características das fotos aos seus rótulos. Se ele classifica uma foto de gato como "Cachorro", ele ajusta seus parâmetros (como uma criança corrigindo seu erro) até que a saída (previsão) esteja o mais próxima possível da saída desejada (o rótulo correto).
Resultado: Ao final do treinamento, o algoritmo gera um Modelo de Classificação que é capaz de fazer previsões.

2. Fase de Predição (O Teste)

Nova Entrada (Dados Não-Rotulados): Você apresenta uma foto nova, que o modelo nunca viu antes, e sem o rótulo (sem a resposta).
Aplicação do Modelo: O modelo usa o padrão que ele aprendeu na fase de treinamento para analisar a foto.
Saída (Previsão): O modelo prevê a qual classe a foto pertence.

Exemplo: O modelo recebe (Foto X, ?) e responde: "Cachorro".

🎯 Resumo Didático

Componente	Função	Exemplo Simples
Inteligência Artificial	Campo amplo que faz máquinas imitarem a inteligência humana.	O objetivo de fazer o computador "ver" e "identificar".
Machine Learning	Subconjunto da IA que permite que o sistema aprenda com dados, sem programação explícita.	O método usado para que o aprendizado aconteça.
Supervisionado	O aprendizado usa dados que já têm a resposta correta (rótulos).	Mostrar fotos de animais dizendo se é Gato ou Cachorro.
Indutivo	A regra de classificação é inferida ou induzida a partir dos exemplos.	O algoritmo descobre por conta própria as características que definem "Gato" e "Cachorro".
Classificação	O objetivo de prever uma categoria discreta.	Prever se um email é SPAM ou NÃO-SPAM.

Em essência: O aprendizado supervisionado para classificação é como ensinar por exemplos rotulados (supervisão) para que a máquina possa induzir regras e separar novos itens em caixas (classificação).

Aula 7/11/2025

Pauta:

- IAI S para Classificação

- Data da Prova ==> 10/12 --> 19:30 confirmar pelo blog

hoje ou segunda

- Enviou exercícios e seminário e está aprovada/o

- Melhorar nota e frequência, horários de consulta continuam nas férias e prova fila de fevereiro

Dinâmica de IA Indutiva Supervisionada para Classificação - Ratos - Weka

Arquivo Hantavirus/Ratos para download:

Arquivo Weka - Clicar Aqui

sexta-feira, 31 de outubro de 2025

Arquivo para Download CENTRO DE REHABILITAÇÃO DE ANIMAIS

Clicar Aqui !!!

sexta-feira, 24 de outubro de 2025

Exercícios e Seminário

Exercícios e Seminário

Ilustração, modelo de exercício pratico

Fazer individualmente ou em duplas os exercicios praticos.

Exercicios teoricos individuais.

Seminario individual.

Whatsapp do Gabriel: 019-988-627-438

Enviar os exercícios e seminario para o e-mail da disciplina.
E-Mail da Disciplina:

biologia.inteligente.10@gmail.com

Colocar no Assunto do e-mail o Nome Completo tipo de exercício (pratico ou teórico) número do exercício ou seminário.

Seminário

Escolha um assunto entre os exercícios teóricos e práticos e elabore um seminário com 14 slides, em português, inglês ou espanhol. DL: 10/11. Enviar o seminário no e-mail de exercícios com seu nome, trabalho individual.

Exercícios teóricos e seminário são atividades individuais, tentar fazer em inglês ou espanhol.

Exercícios Práticos podem ser feitos em dois ou três pessoas.

Exercício Teórico 1

Elabore 7 slides sobre os assuntos:

- I Artificial: conceito, tipos, utilização

- I Artificial na Biologia e Ecologia

- Robótica

- Bots

De 4 a 6 slides.

Prazo: 17/10

Exercício Teórico 2

- Machine learning. Conceito, tipos

- Matriz de Confusão. Utilidade

- Exemplos práticos de aplicação de Machine learning

- De 8 a 12 slides.

DL: 24/10

Exercício Teórico 3

- Ciência de Dados, conceito, tipos e utilidade.

- Estatística Robusta Uni e Multivariada

- De 8 a 12 slides.

DL: 17/10

Exercício Teórico 4

- Gestão Sistêmica de Organizações: ONG, Laboratório, Projeto de Pesquisa ou Extensão, Instituto de Pesquisa, Empresa etc. Quais são (definição) e quem é responsável numa organização da gestão: Estratégica, Tática ou Operacional.

Vocês têm a melhor formação para gestão sistêmica, estudam os sistemas mais complexos, ecossistemas, fisiologia e anatomia de animais e plantas etc. DL: 24/10

Exercício Teórico 5

- Enumere e explique os parâmetros que são obtidos a partir da matriz de confusão na IAI Supervisionada para Classificação. Apresente um exemplo. De 8 a 12 slides.

DL: 24/10

Exercício Teórico 6

Como o Biólogo pode se beneficiar da IA profissionalmente, 6 slides. DL: 31/10

Exercícios Praticos

Exercício Prático 1 – Resolva no Excel ou LO Calc. A distancia afeta a concertracao de As no biomonitor? Prazo: 29/8/2025

Biomonitor Garcina gardineriana (folhas) para As na Mata Atlântica

Dados para Importar:

Distan.	As
(m)	(mg/kg)
100	0,98??
200	0,95???
300	0,85
400	0,86
500	0,59
600	0,45
700	0,32
800	0,15
900	0,11
1000	0,09

Exercício Pratico 2. Resolva no Excel ou LO Calc. A distancia afeta a concertracao de As no biomonitor? Agora com o outlier (dado fora de contexto, atipico). Prazo: 29/8/2025.

Dados para Importar:

Distan.	As
(m)	(mg/kg)
100	0,98??
200	0,95???
300	0,85
400	0,86
500	0,59
600	0,45
700	0,32
800	0,15
900	0,11
1000	0,09


1100	2,99

Outlier

Exercício Pratico 3 - Resolva com Regressão Robusta em SAS. A distancia afeta a concertracao de As no biomonitor? Agora com o outlier (dado fora de contexto, atipico). Prazo: 5/9/2025.

Distan.	As
(m)	(mg/kg)
100	0,98??
200	0,95???
300	0,85
400	0,86
500	0,59
600	0,45
700	0,32
800	0,15
900	0,11
1000	0,09


1100	2,99

Outlier

Arquivo de Resultados e Discussão

Clicar Aqui !!!

Outro arquivo com Resultados e Discussão

Clicar aqui !!!

Exercício Pratico 4. Regressão Multipla em Excel ou LOffice Calc, SAS (proc reg e robustreg) e Weka. Dead Line 10/9.

data bda;

input DBO ICobV ICArb Bcont Dis_Pl IBD_A;

cards;

1.604 89 60 11 9 90.??

0.385 90 61 10 8.9 91

0.216 91 62 9 9.1 92

0.303 90 59 10 8.8 89

1.961 20 12 81 0.2 20

0.782 21 14 79 0.3 22

0.57 22 15 78 0.25 23

2.187 22 12 77 0.2 24

0.764 59 35 41 6 60

0.273 60 32 40 6.5 61

1.883 64 33 38 5.8 63

0.581 62 32 37 5.6 62

0.18 79 50 21 8.2 80

0.007 80 49 20 7.8 79

2.028 80 48 18 8.2 81

2.431 79 47 21 7.7 78

0.216 92 61 9.1 9.5 23

;

input DBO ICobV ICArb Bcont Dis_Pl IBD_A;

proc robustreg;

model IBD_A = DBO ICobV ICArb Bcont Dis_Pl / diagnostics;

run;

Resultado do Ex. 4

Clicar Aqui !!!

Exercício Pratico 5 - aplicar IAIN para Redução de Dimensão no Exercício Pratico 4. DL: 19/9/2025

data biodiv;

input DBO ICobV ICArb Bcont Dis_Pl IBD_A;

datalines;

1.604 89 60 11 9 90.??

0.385 90 61 10 8.9 91

0.216 91 62 9 9.1 92

0.303 90 59 10 8.8 89

1.961 20 12 81 0.2 20

0.782 21 14 79 0.3 22

0.57 22 15 78 0.25 23

2.187 22 12 77 0.2 24

0.764 59 35 41 6 60

0.273 60 32 40 6.5 61

1.883 64 33 38 5.8 63

0.581 62 32 37 5.6 62

0.18 79 50 21 8.2 80

0.007 80 49 20 7.8 79

2.028 80 48 18 8.2 81

2.431 79 47 21 7.7 78

0.216 92 61 9.1 9.5 23

;

proc print;

run;

proc prinqual plots=(MDPref);

transform identity(DBO ICobV ICArb Bcont Dis_Pl IBD_A);

ods select MDPrefPlot;

run;

Clicar Aqui

Ex. Pratico 6 - Procurar um banco de dados na Internet para aplicar Regressão Robusta e IA I Não S para Redução de Dimensão PCA-Biplot. DL: 3/10

Ex. Pratico 7 - IAI Não Supervisionada para Agrupamentos e Distâncias Multivariados. DL: 10/10

Inteligência artificial indutiva não supervisionada (Machine Learning) para classificação - Cluster analysis

Tipos de Machine Learning

Fonte de Dados Sebrae

https://www.isdel-sebrae.com/c%C3%B3pia-in%C3%ADcio-1

Cidade: Caxias do Sul

Tabela Excel dos Dados

Cidade	Regiao	Cid_reg	Habitantes	IDH	Rend_Cap	Cap_Empr	Teci_Emr	Gov_Descn	Org_Prod	Ins_Compet	Edu_Empr
Piracicaba	SE	Pir_SE	439	0,785	1,14	0,54	0,695	0,796	0,598	0,761	0,004
Sao_Car	SE	SC_SE	252	0,805	1,08	0,686	0,653	0,812	0,564	0,788	0,002
Sao_Jose	SE	SJ_SE	461	0,797	1,17	0,613	0,73	0,648	0,597	0,769	0,011
Mon_Clar	SE	MC_SE	409	0,77	0,65	0,481	0,651	0,696	0,549	0,666	0,124
Rondono	CO	Ron_CO	232	0,755	0,84	0,452	0,509	0,626	0,567	0,651	0
Anápolis	CO	Aná_CO	387	0,737	0,79	0,481	0,645	0,695	0,562	0,708	0
Camp_Gra	NE	CG_NE	410	0,72	0,63	0,458	0,565	0,683	0,571	0,59	0,584
Petroli	NE	Pet_NE	349	0,697	0,61	0,419	0,43	0,678	0,528	0,57	0,009
Rio_Bran	Norte	RB_Norte	407	0,727	0,74	0,342	0,47	0,663	0,486	0,503	0,0009
Boa_Vista	Norte	BV_Norte	399	0,752	0,79	0,338	0,458	0,538	0,502	0,585	0,082
Maringa	S	Mar_S	424	0,808	1,2	0,652	0,753	0,791	0,611	0,765	0,01
Cax_Sul	S	CS_S	347	0,75	0,95	0,446	0,715	0,654	0,559	0,715	0,046

Inteligência artificial indutiva (Machine Learning) não supervisionada para classificação - Cluster analysis

Cluster e Dendrograma de todas as cidades, programa SAS:

data cidades;

/* variaveis foram semaciondas por significancia com Robust Anova */

input Cid_reg $ IDH Rend_Cap Cap_Empr Teci_Emr Org_Prod Ins_Comp;

cards;

Pir_SE 0.785 1.14 0.54 0.695 0.598 0.761??

SC_SE 0.805 1.08 0.686 0.653 0.564 0.788

SJ_SE 0.797 1.17 0.613 0.73 0.597 0.769

MC_SE 0.77 0.65 0.481 0.651 0.549 0.666

Ron_CO 0.755 0.84 0.452 0.509 0.567 0.651

Ana_CO 0.737 0.79 0.481 0.645 0.562 0.708

CG_NE 0.72 0.63 0.458 0.565 0.571 0.59

Pet_NE 0.697 0.61 0.419 0.43 0.528 0.57

RB_Norte 0.727 0.74 0.342 0.47 0.486 0.503

BV_Norte 0.752 0.79 0.338 0.458 0.502 0.585

Mar_S 0.808 1.2 0.652 0.753 0.611 0.765

CS_S 0.75 0.95 0.446 0.715 0.559 0.715

;

proc print;

run;

proc cluster data=cidades outtree = arvore method = average;

var IDH Rend_Cap Cap_Empr Teci_Emr Org_Prod Ins_Comp;

id Cid_reg;

run;

PROC TREE DATA = arvore;

RUN;

Arquivo com Sumario Executivo para Download

Clicar Aqui !!!

Ex. Pratico 8 - IAI Não Supervisionada para Agrupamentos e Distâncias Multivariados, seleção de variáveis preditoras, equalização e detecção de outliers. ANOVA, RobustANOVA, Box and Wisker Plot. DL: 23/10

Relatorio para download:

Clicar Aqui!!! - OK Cluster

Dados em Planilha Eletrônica:

Categ	IMC	Movim	Kcal
AT	20,2	53,7	28??
AT	21,3	54,8	2700
AT	19,3	49,6	2800
AT	21,1	52,3	2900
AT	24,1	30,3	2700
SEM	22,4	14,9	2600
SEM	21,9	17,8	2700
SEM	23,8	18,6	3200
SEM	24,1	15,1	3300
SE	27,3	2,5	2700
SE	23,4	4,3	2300
SE	25,2	2,3	2600
SE	26,4	2,6	3200
PR	26,2	4,1	2600
PR	24,2	2,1	2700
PR	25,4	1,9	2650
PR	21,1	20	2650
PR	25,2	3,1	2650
PR	24,8	2	2675

Ex. Pratico 9 - PCA e Cluster no mesmo banco