Fundamentos de IA e aprendizado de máquina
Do zero
Inteligência artificial é fazer computadores realizarem tarefas que, em pessoas, exigiriam inteligência: reconhecer uma imagem, entender um texto, decidir uma jogada. Há dois caminhos:
- Escrever as regras à mão: “se o valor for maior que R$ 1 milhão e não houver licitação, alerte”. Funciona enquanto as regras são poucas e conhecidas.
- Deixar o computador aprender as regras com exemplos: é o aprendizado de máquina (machine learning). Em vez de programar a regra, você mostra milhares de casos e o algoritmo descobre o padrão.
O aprendizado de máquina tem três estilos, como três jeitos de ensinar uma criança:
- Supervisionado: com gabarito. Você mostra fotos e diz “isto é gato, isto é cachorro”. Depois a criança acerta sozinha em fotos novas.
- Não supervisionado: sem gabarito. Você entrega uma caixa de peças misturadas e a criança separa em grupos parecidos, sem ninguém dizer quais são os grupos.
- Por reforço: por tentativa e erro, com recompensa. A criança aprende a andar de bicicleta: cai (penalidade), equilibra (recompensa) e ajusta.
Frase para guardar: supervisionado aprende com gabarito; não supervisionado acha grupos sem gabarito; reforço aprende com recompensa.
Em 1 minuto
- Supervisionado: dados rotulados. Classificação prevê uma categoria (fraude ou não); regressão prevê um número (o valor de um contrato).
- Não supervisionado: dados sem rótulo. Agrupamento (clustering, como o k-means), redução de dimensionalidade (PCA), regras de associação e detecção de anomalias.
- Por reforço: um agente age num ambiente, recebe recompensas e aprende uma política que maximiza a recompensa acumulada.
- Overfitting: o modelo decora os dados de treino e vai mal em dados novos. Detecta-se separando dados de treino e de teste.
- Deep learning é aprendizado de máquina com redes neurais de muitas camadas; é um subconjunto do aprendizado de máquina, que é subconjunto da IA.
Exemplo concreto: três usos no controle externo
| Problema do Tribunal | Tipo | Por quê |
|---|---|---|
| Prever se uma nota fiscal é suspeita, com base em notas já auditadas e marcadas como “irregular” ou “regular” | Supervisionado, classificação | Há rótulos (o gabarito das auditorias) e a saída é uma categoria |
| Estimar o valor justo de um contrato de limpeza a partir de contratos anteriores | Supervisionado, regressão | A saída é um número |
| Agrupar os 246 municípios goianos por perfil de gasto, sem categorias prévias | Não supervisionado, agrupamento | Não há rótulos; o algoritmo descobre os grupos |
| Achar licitações muito diferentes de todas as outras | Não supervisionado, detecção de anomalias | Busca o que foge do padrão, sem rótulo |
| Um robô que aprende a ordem de fiscalizações que mais recupera recursos, recebendo pontos a cada resultado | Por reforço | Há ações, ambiente e recompensa |
Comparação: algoritmos e onde cada um entra
| Algoritmo | Tipo | Para quê |
|---|---|---|
| Regressão linear | Supervisionado | Prever número |
| Regressão logística | Supervisionado | Classificar (apesar do nome) |
| Árvore de decisão, floresta aleatória (random forest) | Supervisionado | Classificar ou prever número |
| k-NN (k vizinhos mais próximos) | Supervisionado | Classificar pela maioria dos vizinhos |
| Naive Bayes, SVM | Supervisionado | Classificar |
| k-means | Não supervisionado | Agrupar em k grupos |
| Agrupamento hierárquico, DBSCAN | Não supervisionado | Agrupar |
| PCA | Não supervisionado | Reduzir o número de variáveis |
| Apriori | Não supervisionado | Regras de associação (“quem compra A compra B”) |
| Q-learning | Por reforço | Aprender a melhor ação em cada estado |
Há também o semissupervisionado (poucos rótulos e muitos dados sem rótulo) e o autossupervisionado, em que o próprio dado gera o rótulo: os grandes modelos de linguagem aprendem prevendo a próxima palavra de textos.
Como saber se o modelo aprendeu de verdade
- Separe os dados: treino (para aprender), validação (para ajustar) e teste (para medir no fim, com dados que o modelo nunca viu).
- Overfitting (sobreajuste): ótimo no treino, ruim no teste. O modelo decorou ruídos. Remédios: mais dados, modelo mais simples, regularização, validação cruzada.
- Underfitting (subajuste): ruim no treino e no teste. O modelo é simples demais para o problema.
- Validação cruzada k-fold: divide os dados em k partes e treina k vezes, testando cada vez numa parte diferente. Dá uma medida mais estável.
Como a FCC cobra
Um cenário e a pergunta “trata-se de aprendizado supervisionado, não supervisionado ou por reforço?”. Classificação × regressão e k-means × k-NN completam o pacote.
- Identificar o tipo de aprendizado pela presença de rótulos ou de recompensas.
- Classificação (categoria) × regressão (número).
- Algoritmos típicos de cada tipo.
- Overfitting e a separação entre treino e teste.
- Relação entre IA, aprendizado de máquina e deep learning.
Pegadinhas
- “Regressão logística prevê valores numéricos contínuos.” Falso: é um classificador; dá a probabilidade de uma classe.
- “k-means e k-NN são algoritmos de agrupamento.” Falso: k-means agrupa (não supervisionado); k-NN classifica (supervisionado).
- “No aprendizado por reforço, o modelo recebe exemplos rotulados.” Falso: recebe recompensas pelas ações, não um gabarito.
- “Acertar 99% nos dados de treino prova que o modelo é bom.” Falso: pode ser overfitting; mede-se no teste.
- “Todo aprendizado de máquina é deep learning.” Falso: deep learning é um subconjunto.
Explique com suas palavras
Explique a um colega leigo os três tipos de aprendizado de máquina, com um exemplo do Tribunal para cada um.
- Escreva sem olhar a lição, com frases curtas e um exemplo seu.
- Onde travar ou precisar de jargão, há uma lacuna: releia só essa parte.
- Compare com a explicação-modelo e reescreva o que faltou.
Fica salva neste navegador.
Comparar com uma explicação-modelo
No supervisionado, o computador aprende com exemplos que já têm resposta. O Tribunal mostra milhares de notas fiscais já auditadas, marcadas como regulares ou irregulares, e o modelo aprende a apontar notas novas suspeitas.
No não supervisionado, não há resposta prévia. O modelo recebe os gastos dos municípios e os separa em grupos parecidos, sem ninguém dizer quais grupos existem. Depois o auditor olha os grupos e entende o que têm em comum.
No reforço, o modelo aprende testando ações e recebendo pontos. Ele escolhe uma ordem de fiscalizações, vê quanto foi recuperado (a recompensa) e vai ajustando as escolhas para ganhar mais pontos.
Teste-se
IA, Ciência de Dados e Automação · Tipos de aprendizado · Inédita, estilo FCC
Questão 1 de 3
O Tribunal dispõe de um histórico de contratos de limpeza com área atendida, número de postos, município e valor mensal pago. Deseja-se treinar um modelo que, a partir desses dados, estime o valor mensal de novos contratos. Trata-se de aprendizado
A–E escolhem, Enter confirma. Botão direito ou Shift + letra risca.
Toque longo numa alternativa para riscá-la.
IA, Ciência de Dados e Automação · Tipos de aprendizado · Inédita, estilo FCC
Questão 2 de 3
Para planejar fiscalizações, a equipe quer separar os municípios em grupos com perfis de gasto semelhantes, sem dispor de nenhuma classificação prévia dos municípios. Uma técnica adequada é
A–E escolhem, Enter confirma. Botão direito ou Shift + letra risca.
Toque longo numa alternativa para riscá-la.
IA, Ciência de Dados e Automação · Tipos de aprendizado · Inédita, estilo FCC
Questão 3 de 3
Um sistema aprende a controlar a climatização do datacenter ajustando a temperatura e recebendo uma pontuação positiva quando economiza energia sem superaquecer os servidores e negativa quando há superaquecimento. Esse é um exemplo de aprendizado
A–E escolhem, Enter confirma. Botão direito ou Shift + letra risca.
Toque longo numa alternativa para riscá-la.
Mais duas questões deste tópico estão em Questões.
Flashcards gerados
| Frente | Verso |
|---|---|
| Supervisionado × não supervisionado | O supervisionado aprende com dados rotulados (com gabarito); o não supervisionado encontra padrões em dados sem rótulo. |
| Tarefas do aprendizado não supervisionado | Agrupamento, redução de dimensionalidade, regras de associação e detecção de anomalias. |
| IA, aprendizado de máquina e deep learning | Deep learning está contido no aprendizado de máquina, que está contido na IA. |
| Para que separar dados de treino e de teste? | Para medir o desempenho em dados que o modelo nunca viu e detectar overfitting. |
| Validação cruzada k-fold | Divide os dados em k partes e treina k vezes, testando cada vez numa parte diferente; a medida fica mais estável. |
Ligação com o estudo de caso
Num caso sobre usar IA para priorizar fiscalizações, diga o tipo de aprendizado e por quê (“supervisionado, pois há histórico de auditorias com resultado”), como avaliar (separar dados de teste e medir com as métricas da lição de ciência de dados) e os cuidados: viés dos dados históricos, explicabilidade da decisão e revisão humana.
Fontes da lição
- Edital nº 01/2026, Anexo II, Inteligência Artificial, Ciência de Dados e Automação (fontes/edital-01-2026.txt).
- Stuart Russell e Peter Norvig, Inteligência artificial: uma abordagem moderna (tipos de aprendizado e agentes).
- Aurélien Géron, Mãos à obra: aprendizado de máquina com Scikit-Learn, Keras e TensorFlow (algoritmos, overfitting e validação cruzada).
Claude explica
Tire dúvidas sobre este tema no Claude: o site copia o pedido com a lição e abre uma conversa nova, na sua conta. Confira na fonte qualquer fato de lei ou de norma.
Pratique fora do site
Faça questões da FCC sobre este tópico no QConcursos ou no Gran e registre aqui quantas fez: elas contam na meta da semana e no status do tópico.