Livro - Trilha de Aprendizagem_ Inteligência Artificial Aplicada à Visão Computacional

Prévia do material em texto

v1.0

31/01/2024

2024

Trilha de Aprendizagem: 

Inteligência Artificial aplicada 
à Visão Computacional

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional







Conteúdo

Adriana da Silva Nogueira

Bruno Agrofoglio Ferreira

Júlio César Leitão Júnior

Larissa de Oliveira Figueira 

Marcelo de Almeida Viana

Peterson Gomes de Moura Barros







Coordenação-Geral

José Augusto de Lima Prestes

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

Adriana da Silva Nogueira é professora licenciada há mais de 18 anos em 
Computação, mestre em Educação e pós-graduada em TI aplicada à Educação. 
Possui experiência ministrando aulas para ensino superior em cursos da área 
de TI que somam mais de 16 anos. Sua experiência no ensino superior envolve 
disciplinas relacionadas à programação de computadores, análise de sistemas 
e engenharia de software.

Durante 6 anos atuou como educadora maker desenvolvendo projetos 
do-it-yourself e projetos de automação com alunos do Ensino Fundamental.

Atualmente é especialista em projetos na Facti - Fundação de Apoio à 
Capacitação em Tecnologia da Informação, e integra o time de capacitação dos 
projetos Letramento Digital e QualiFacti.

O perfil público está disponível aqui. 

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.linkedin.com/in/adriana-silva-63071537/
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

Bruno Agrofoglio Ferreira é físico pela UNICAMP. Entre 2002 e 2005, 
trabalhou com a aquisição e análise de dados do Observatório Pierre Auger 
(Argentina). A colaboração no maior observatório de Raios Cósmicos do 
mundo proporcionou-lhe a primeira experiência em hardware embarcado e 
transmissão de dados via rádio. Desde 2001, participou junto à Pró-Reitoria de 
Extensão e Cultura da UNICAMP do Projeto Raio de Sol e do Projeto Educativo 
de Integração Social. Colaborou em projetos de iniciação e divulgação 
científica júnior junto ao Instituto de Física Gleb Wataghin. Cursa mestrado 
como estudante especial na Faculdade de Engenharia Elétrica e da 
Computação da UNICAMP e Pedagogia na UNIVESP. Desde 2013 trabalha com 
tecnologias na educação básica, lecionando na rede pública do Estado de São 
Paulo, escolas particulares e sem fins lucrativos, além de projetos de 
emancipação digital em Campinas. Foi revisor e autor colaborativo de Ciências, 
além de avaliador no programa InovAtiva vinculado ao Ministério do 
Desenvolvimento, Indústria, Comércio e Serviços (MDIC).

O perfil público está disponível aqui.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.linkedin.com/in/agrofoglio
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

Júlio Leitão é bacharel em administração de empresas e possui pós 
graduação (MBA) em gestão financeira e controladoria.

Com vivência e experiência em departamentos administrativos, na gestão 
de projetos e em rotinas técnicas dos mais variados projetos que passou, 
possui habilidade para solucionar problemas de forma eficiente.

Atualmente é Especialista de Projetos Pleno na Facti - Fundação de Apoio à 
Capacitação em Tecnologia da Informação, e integra os times de capacitação 
dos Projetos LINFO CCTI (QualiFacti) e LINFO LD (Letramento Digital).

O perfil público está disponível aqui.



D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.linkedin.com/in/j%C3%BAlio-c%C3%A9sar-leit%C3%A3o-j%C3%BAnior/
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

Larissa de Oliveira Figueira é mestre em Física Aplicada pela Universidade 
Estadual Paulista e adquiriu vasta experiência em Inteligência Artificial, 
Otimização, Robótica Educacional e tecnologias educacionais ao longo de sua 
carreira. Desempenhou diferentes papéis, incluindo o de docente no Ensino 
Superior e gestora educacional, o que lhe proporcionou uma visão abrangente 
das necessidades e demandas no campo da tecnologia. 

Larissa também se destaca pelo seu envolvimento na capacitação de 
educadores no âmbito tecnológico.

Atualmente, ela faz parte da equipe de capacitação da Facti, onde 
compartilha seus conhecimentos e auxilia profissionais a ingressarem ou se 
consolidarem no promissor campo da tecnologia. 

O perfil público está disponível aqui.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.linkedin.com/in/larissa-oliveira-604124ba
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

Marcelo de Almeida Viana é mestre e doutor em Engenharia Elétrica pela 
UNICAMP, especialista em gerenciamento de projetos pelo SENAC-SP e 
engenheiro eletricista pela PUC-MG.

 Tem experiência na área de Inteligência Artificial, Engenharia Biomédica, 
Engenharia Elétrica e Eletrônica, atuando principalmente com programação de 
algoritmos de Inteligência Artificial, projetos eletrônicos e soluções para 
produtos ou serviços para saúde. 

Também atuou como professor universitário e é membro do Comitê 
Brasileiro Odonto-Médico-Hospitalar da ABNT/CB-026, relacionado a projetos 
de normas técnicas.

Atualmente é especialista em projetos na Facti - Fundação de Apoio à 
Capacitação em Tecnologia da Informação, e integra o time de capacitação dos 
projetos Letramento Digital e QualiFacti.

O perfil público está disponível aqui. 

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.linkedin.com/in/marcelo-a-viana
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

Peterson Gomes de Moura Barros possui especializações em Engenharia de 
Automação e Eletrônica Industrial, Engenharia de Produção e atualmente é 
pós-graduando em Educação online e Tecnologias de Aprendizagem. É 
tecnólogo em Gestão da TI e técnico em Eletroeletrônica. 

Atuou como docente entre 2011 e 2023 nas áreas de Eletroeletrônica, 
Tecnologia da Informação eCloud Computing.

Realizou projetos de formação para docentes em pensamento 
computacional e lógica de programação, com uso educacional de linguagens 
como Scratch, HTML, CSS e Javascript. 

Atualmente está buscando construir um futuro melhor por meio da 
educação e da tecnologia, atuando como Especialista de Projetos em Educação e 
Capacitação na Facti.

O perfil público está disponível aqui. 

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.linkedin.com/in/petersonmourabarros
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

José Augusto de Lima Prestes está desde abril de 2018 como Gerente de 
Governança e Compliance da Facti. Nesta função, tem a responsabilidade de 
gerenciar o trabalho de todas as áreas técnicas e administrativas da instituição. 
Adicionalmente, ocupa, desde agosto de 2020, a função de Encarregado pelo 
Tratamento de Dados Pessoais da organização. Ele também ocupa o papel de 
gerente de diferentes projetos de Pesquisa, Desenvolvimento e Inovação em 
TICs, atuando em escopos diversos que vão do desenvolvimento de software 
para a gestão de políticas públicas à capacitação de pessoas para lidarem com 
os desafios da Indústria 4.0. Na sua produção técnico-científica, teve 
participação em artigos, capítulos de livros, pedidos de patente e programa de 
computador. Foi membro do Laboratório de Estudos sobre a Organização da 
Pesquisa e da Inovação (Lab-GEOPI) da Unicamp e participou do Projeto 
HEIP-link da Universidade de Alicante (Espanha), parte do Programa Erasmus 
Mundus da União Europeia.

Os seus atuais tópicos de interesse abrangem Ética e Filosofia da Tecnologia, 
Inovação Responsável, Inteligência Artificial, Neurodireitos, Privacidade Mental e 
Robótica. O perfil público está disponível aqui. 

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.linkedin.com/in/jalprestes
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

Sumário
Prefácio 18

Capítulo 1: Introdução à Inteligência Artificial 19

1.1. Introdução 20

1.2. Inspirar 21

1.2.1. Estudo de Caso 23

1.3. Conceitualizar 25

1.3.1. Introdução à Inteligência Artificial 25

1.3.2. Contexto histórico 28

1.3.3. Definições e conceitos de IA 34

1.3.4. Tipos e modelos de IA 38

1.3.5. Importância e aplicações na sociedade moderna 44

1.3.6. Aprendizado de Máquina 69

1.3.7. Redes neurais e Deep Learning 81

1.3.8. Mineração de dados 87

1.4. Consolidar 91

1.4.1. Consolidando o conhecimento 91

1.4.2. Solução final do Estudo de Caso 93

1.5. Avaliar 95

Referências 96

Capítulo 2: Introdução à Visão Computacional 101

2.1. Introdução 102

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

2.2. Inspirar 103

2.2.1. Estudo de Caso 104

2.3. Conceitualizar 106

2.3.1. Introdução à Visão Computacional 106

2.3.2. Redes neurais e Deep Learning para a Visão Computacional 147

2.3.3. Algoritmos mais comuns em Visão Computacional 148

2.3.4. Apresentando a plataforma Edge Impulse 150

2.4. Consolidar 164

2.4.1. Estudo de caso 164

2.4.2. Solução final do Estudo de Caso 183

2.5. Avaliar 184

Referências 186



Capítulo 3: Python para o desenvolvimento de Inteligência

Artificial do básico às aplicações avançadas 188

3.1. Introdução 189

3.2. Inspirar 191

3.2.1. Estudo de Caso 194

3.3. Conceitualizar 196

3.3.1. De onde vem a linguagem Python? 196

3.3.2.Instalação do Python 200

3.3.3. Comandos essenciais em Python 202

3.3.4. Ferramentas de programação em Python 206

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

3.3.5. Atividades de experimentação 238

3.3.6. Tipos de dados e variáveis 241

3.3.7. O que é um comando de entrada? 244

3.3.8. Operadores Aritméticos 249

3.3.9. Atividades de experimentação 254

3.3.10. Estruturas de controle de fluxo 257

3.3.11. Funções Modularidade 291

3.3.12. Atividades de experimentação 300

3.3.13. Manipulação de Arquivos e Strings 303

3.3.14. Estrutura de Dados 331

3.3.15. Bibliotecas e comandos de instalação 357

3.4. Consolidar 408

3.4.1. Consolidando o conteúdo 408

3.4.2. Solução final do Estudo de Caso 411

3.5. Avaliar 413

Referências 414



Capítulo 4: Visão Computacional aplicada ao reconheci- 
mento facial em imagens 416

4.1. Introdução 417

4.2. Inspirar 419

4.2.1. Estudo de Caso 421

4.3. Conceitualizar 424

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

4.3.1. Definição sobre detecção e reconhecimento de imagem 424

4.3.2. Introdução ao reconhecimento facial em imagem 427
4.3.3. Como o Aprendizado de Máquina detecta e

reconhece imagens 431

4.3.4. Principais algoritmos de reconhecimento facial 433

4.4. Consolidar 447

4.4.1. Estudo de Caso 447

4.4.2. Proposta de implementação 448

4.4.3. Solução final do Estudo de Caso 448

4.5. Avaliar 457

Referências 458



Capítulo 5: Visão Computacional aplicada ao reconheci- 
mento de imagens 461

5.1. Introdução 462

5.2. Inspirar 463

5.2.1. Estudo de Caso 465

5.3. Conceitualizar 471

5.3.1. Como redes neurais aprimoram o reconhecimento de imagens 471

5.3.2. Introdução à rede neural convolucional 474

5.3.3. Conhecendo o modelo de rede neural para

reconhecimento de imagens 480

5.4. Consolidar 503

5.4.1. Estudo de Caso 503

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

5.4.2. Infraestrutura para o estudo de caso 504

5.4.3. Solução final do Estudo de Caso 505

5.5. Avaliar 514

Referências 515



Capítulo 6: Visão Computacional aplicada ao reconheci- 
mento de emoções 517

6.1. Introdução 518

6.2. Inspirar 520

6.2.1. Estudo de Caso 522

6.3. Conceitualizar 525

6.3.1. Introdução ao reconhecimento de emoções 525

6.3.2. Importância e desafios dos dados no reconhecimento

de emoções 531

6.3.3. Como o Aprendizado de Máquina reconhece

emoções em imagens 533

6.3.4. Atividade de experimentação 536

6.4. Consolidar 541

6.4.1. Estudo de Caso 541

6.4.2. Proposta de implementação 542

6.4.3. Infraestrutura para o estudo de caso 5426.4.4. Solução final do Estudo de Caso 542

6.5. Avaliar 547

Referências 548

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

Capítulo 7: Visão Computacional aplicada ao rastreamento 
de objetos 549

7.1. Introdução 550

7.2. Inspirar 552

7.2.1. Estudo de Caso 554

7.3. Conceitualizar 557

7.3.1. Diferenças entre detecção, reconhecimento e

rastreamento de objetos 557

7.3.2. Desafios comuns no rastreamento de objetos 562

7.3.3. Como o Aprendizado de Máquina rastreia e reconhece

objetos em vídeos 566

7.3.4. Algoritmos de detecção e rastreamento de objetos 571

7.4. Consolidar 589

7.4.1. Estudo de Caso 589

7.4.2. Proposta de implementação 590

7.4.3. Solução final do Estudo de Caso 590

7.5. Avaliar 594

Referências 595



Capítulo 8: Visão Computacional aplicada ao reconheci- 
mento de textos 596

8.1. Introdução 597

8.2. Inspirar 599

8.2.1. Estudo de Caso 601

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

8.3. Conceitualizar 604

8.3.1. Introdução ao reconhecimento de textos com OCR 604
8.3.2. Técnicas para pré-processamento de imagens 609

8.3.3. Abordagens das ferramentas técnicas com OCR 622

8.3.4. Uso do Aprendizado de Máquina no reconhecimento

de texto com OCR 635

8.4. Consolidar 638

8.4.1. Estudo de Caso 638

8.4.2. Proposta de implementação 639

8.4.3. Infraestrutura para o estudo de caso 639

8.4.4. Solução final do Estudo de Caso 640

8.5. Avaliar 642

Referências 643



Capítulo 9: Visão Computacional aplicada ao reconheci- 
mento e sintetização de voz 645

9.1. Introdução 646

9.2. Inspirar 648

9.2.1. Estudo de Caso 650

9.3. Conceitualizar 653

9.3.1. Introdução ao reconhecimento e sintetização de voz 653

9.3.2. Características e processo de extração de áudio 657

9.3.3. Como o Aprendizado de Máquina reconhece e sintetiza voz 666

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

17

9.4. Consolidar 682

9.4.1. Estudo de Caso 682

9.4.2. Proposta de implementação 683

9.4.3. Solução final do Estudo de Caso 683

9.5. Avaliar 687

Referências 688

Avaliar final 690

Considerações finais 691

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

18

Prefácio

Este curso de Inteligência Artificial aplicada à Visão Computacional abordará 
dois temas que nos próximos anos deverão estar cada vez mais presentes em 
nossa vida acadêmica, pessoal e profissional.

De acordo com os mais recentes estudos a respeito, é esperado que ambas 
as tecnologias estejam em um platô de produtividade até o ano de 2026. Isto 
significa dizer que se tornarão passíveis de utilização nos mais diversos 
contextos e finalidades, permitindo que consigamos realizar atividades até 
então consideradas impossíveis, muito difíceis ou muito caras.

O formato assíncrono - adotado para a ministração deste curso - vai ao 
encontro das abordagens mais modernas, que visam a permitir que as pessoas 
estudem nos momentos mais adequados às respectivas rotinas. 

Logo, o objetivo da Facti é conseguir ministrar um conteúdo aderente às 
demandas do mercado em um formato que permita a qualquer pessoa 
participar do curso.

Ao longo do material didático, bem como no Google Sala de Aula, você 
receberá diversas instruções e orientações. A leitura atenta desse conteúdo é 
que lhe permitirá construir conhecimento e avançar ao próximo capítulo.

Esperamos que você goste deste curso tanto quanto nós gostamos de 
elaborá-lo. E, por fim, que o conhecimento adquirido possa ser relevante para os 
seus próximos passos nos estudos, na carreira ou com a família.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

Capítulo 1:





Introdução à 
Inteligência Artificial

Autor

Peterson Gomes de Moura Barros
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

20

1.1. Introdução

Boas-vindas ao capítulo 2! Aqui será tratado o tema Introdução à 
Inteligência Artificial! Você avançará, neste capítulo, adentrando nessa 
tecnologia que vem revolucionando a criação e operação de sistemas nos mais 
diversos setores da sociedade (acadêmico-científico, industrial, agrícola etc.) de 
forma mais ampla: a Inteligência Artificial (IA) vem revolucionando vários 
aspectos nas interações humanas!

Você irá explorar os princípios fundamentais que regem a IA, seu contexto 
histórico, definições, tipos e modelos. Descobrirá a importância deste campo e 
suas aplicações na nossa sociedade, e como as máquinas aprendem e utilizam 
os dados para aperfeiçoar sua operação, por meio do Aprendizado de Máquina, 
redes neurais e Deep Learning. 

Ao final deste capítulo, você terá não apenas compreendido os conceitos 
fundamentais da IA, mas também terá adquirido habilidades para refletir sobre 
desafios mais profundos neste campo. 



Figura 01: Introdução à Inteligência Artificial

Fonte: imagem gerada por IA.
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

1.2. Inspirar

Você já deve ter ouvido falar sobre IA não é? Já deve ter percebido o 
surgimento, cada vez mais constante, de máquinas e sistemas que tomam 
decisões aperfeiçoando seu próprio modo de operar, como se fossem 
inteligentes. 

No meio destas percepções todas, você talvez já tenha se perguntado qual 
será o seu lugar - ou mesmo o de nós, como humanos - em meio a toda esta 
revolução crescente. Este medo ou receio, por vezes, começa, como explica Lee 
(2019), em ambientes como o jardim de infância, quando crianças já se deparam 
com o seguinte questionamento: “Os computadores vão se tornar tão inteligentes 
quepoderão começar a mandar na gente?”

Entretanto, boa parte desse receio em relação à IA provém da falta de 
conhecimento sobre o campo e suas tecnologias, deixando muitas pessoas à 
mercê de toda a sorte de ideias mal construídas a respeito - impedindo assim 
que tomem consciência de que há, sim, riscos relacionados ao uso da IA, mas 
justamente quando ela não é aplicada dentro de parâmetros que só adquirimos 
conhecendo-a bem e estabelecendo os seus limites.

Logo, obter conhecimentos sobre IA é preparar-se adequadamente para a 
inclusão no novo contexto que essa tecnologia vem desenhando no mundo do 
trabalho e das interações humanas. E quando se fala em uma boa preparação 
para lidar com IA, isto também representa aumentar as chances de 
empregabilidade.

Em entrevista à revista IstoÉ Dinheiro, na edição eletrônica de 15 de 
setembro de 2023, Leonardo Berto, gerente da Robert Half, diz que “no futuro, 
atividades mais operacionais poderão ser executadas majoritariamente por IA. Isso 
não significa, no entanto, uma redução no número de empregos e oportunidades”.

21

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

22

E como preparar-se profissionalmente neste novo mundo, permeado por IA? 
Na mesma entrevista, Leonardo Berto afirma que “é preciso reforçar, no entanto, 
que a responsabilidade está quase totalmente no profissional, que deve ser o 
protagonista da sua própria carreira e investir em qualificação técnica [...]”. 

Desta forma, você já está no caminho certo, buscando qualificação técnica 
profissional em uma temática que certamente será presente e influente no 
futuro do mundo do trabalho e na sociedade como um todo.



Antes de iniciarmos a "Etapa de Conceitualização", na qual 
haverá a apresentação do conteúdo e a experimentação dos 
conceitos trabalhados por meio de atividades práticas, entre no 
Google Sala de Aula, na aba "Etapa Inspirar", para acessar todos 
os materiais disponibilizados, que visam a estimular sua reflexão e 
iniciar a ambientação com o conteúdo deste capítulo.

Como última atividade desta etapa, prepare-se para trabalhar a 
solução inicial do estudo de caso que será apresentado na 
próxima seção.

A solução inicial que você elaborará não será objeto de 
correção ou avaliação: trata-se de uma atividade individual que 
deverá lhe ajudar a refletir sobre os conceitos apresentados e a 
entender como trabalhá-los de maneira prática.
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

1.2.1. Estudo de Caso

Este estudo de caso busca incentivar a reflexão sobre os impactos da IA nos 
diversos setores produtivos da sociedade e nas relações humanas como um 
todo. O objetivo principal é mostrar como, por meio do uso da IA de forma 
consciente, podemos obter imensos avanços em diversas áreas. Uma reflexão 
profunda sobre este caso servirá para embasar futuras discussões e uma visão 
positiva e funcional sobre a IA. 















1.2.1.1. Cenário

Você é uma pessoa colaboradora na Facti e recebeu o convite para auxiliar 
na elaboração do material didático para um curso de qualificação técnica do 
QualiFacti. O curso é na área de IA.

Você irá auxiliar na construção da resposta a uma atividade específica, 
apresentada no material didático dos estudantes e que propõe o seguinte 
debate: “Inteligência Artificial - devemos temê-la ou abraçá-la?”. 



23

Leia com atenção o cenário do estudo de caso e lembre-se: o 
propósito desta atividade é promover uma reflexão inicial acerca do 
assunto a ser discutido no cenário tendo por base somente os 
conhecimentos de que você dispõe neste momento.
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

24

O seu papel, dentro da equipe de produção do material didático, será 
desenvolver um texto que convença os leitores de que “a IA, uma vez aplicada de 
forma consciente e responsável, produz mais benefícios do que malefícios para a 
sociedade moderna”, inclusive você deve acrescentar que a IA é um dos 
caminhos mais promissores de desenvolvimento para diversas áreas, como 
medicina, agricultura, educação, indústria, segurança, mobilidade e a 
proliferação de cidades mais inteligentes.

Você deverá escrever um texto com a forma, quantidade de linhas, 
parágrafos e páginas que considerar necessárias para defender o argumento 
acima, sempre buscando embasar as suas ideias com fatos e dados técnicos 
comprovados e, de preferência, com referência a especialistas da área.



Importante: coloque a sua resposta na atividade 
"Apresentação da solução inicial", no Google Sala de Aula, em 
um documento no formato de texto. Utilize este momento para 
trabalhar as suas ideias iniciais com o máximo de detalhamento que 
puder. Mais adiante, as suas anotações serão retomadas para o 
refinamento da solução do estudo de caso. 
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

25

1.3. Conceitualizar 

1.3.1. Introdução à Inteligência Artificial

A Inteligência Artificial é um campo multidisciplinar que envolve a criação e o 
desenvolvimento de sistemas e programas de computador capazes de realizar 
tarefas que, normalmente, requerem inteligência humana. Seu objetivo 
fundamental é simular e reproduzir características e habilidades cognitivas, 
como aprendizado, raciocínio, percepção, Processamento de Linguagem Natural 
e tomada de decisões, com o intuito de replicar ou superar o desempenho 
humano nessas áreas. E toda esta tecnologia já está mais presente do que 
muitos de nós imaginam, inclusive em atividades do dia-a-dia, como mostra o 
infográfico a seguir:

















Figura 02: Uso cotidiano da IA.

Fonte: Parlamento Europeu.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.europarl.europa.eu/news/pt/headlines/society/20200827STO85804/o-que-e-a-inteligencia-artificial-e-como-funciona
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

Ainda em relação a presença da IA em nosso cotidiano, o colunista da 
Investnews, Aloísio Sotero, na edição de 11 de janeiro de 2024, diz: “Vejo que, na 
atualidade, praticamente todo usuário da internet interage com uma IA diversas 
vezes ao dia, ou pelo menos com um conteúdo online configurado por uma IA. Eis a 
mão invisível da IA “.

Para além do cotidiano que enxergamos,a IA também já é responsável por 
muitos serviços que rodam nos bastidores, no que chamamos de backend dos 
sistemas, realizando predições e operações em campos mais complexos, como 
transações financeiras e análises científicas. Já em outros casos, o uso da IA é tão 
intrincado que, por vezes, não percebemos que ela já está presente e operante, 
como nas projeções de cenários econômicos e políticos, nas simulações 
envolvendo relações internacionais, etc. E todos eles, direta ou indiretamente, 
também afetam as nossas vidas. 

Desse modo, ainda estamos criando uma percepção do quão influente a IA 
já é sobretudo no que nos cerca, o que pode parecer assustador para alguns, 
assim como Lee (2022, p.282) disserta: “Tecnologias disruptivas podem se tornar 
nosso fogo de Prometeu, ou caixa de Pandora, dependendo de como são usadas”. 
Mas, perceba no fim da frase de Lee um detalhe revelador, a condicionante 
“dependendo de como são usadas”.

Esse deve ser nosso maior ponto de atenção, agora e para o futuro, em 
nossa relação com as máquinas inteligentes. Por enquanto, ainda estamos no 
comando de como elas são usadas. Como lidaremos com essa responsabilidade 
é fator preponderante para que a IA seja nossa aliada de desenvolvimento, e 
não nossa inimiga.

Discutiremos no decorrer deste capítulo a respeito de fatores éticos que 
envolvem o uso da IA, nos mais diversos campos, tornando-a assim parte de um 
desenvolvimento sustentável e que traz benefícios reais à sociedade.


 26

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

Esta preocupação com a implementação ética envolvendo sistemas de IA 
tem crescido, à medida que também cresce a percepção de que a IA está se 
tornando onipresente, diante de tantas inovações que acompanhamos 
diariamente, que têm sido fonte de muitas discussões em vários de nossos 
círculos de convivência.

E como chegamos até aqui, qual foi o caminho dessa tecnologia para 
chegar até o que conhecemos hoje?

Veremos na próxima etapa deste capítulo mais sobre este contexto histórico 
da IA.























27

Figura 03: Introdução à Inteligência Artificial.

Fonte: imagem gerada por IA.
Reflita: Você considera que muito do que acontece no seu 
dia-a-dia já tem influência de uma IA? Consegue identificar algo 
em específico?

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

28

1.3.2. Contexto histórico

Podemos pensar que IA é um assunto novo, no entanto a origem da 
Inteligência Artificial retrocede a várias décadas, com diferentes marcos ao 
longo do tempo. 

Já foi entre as décadas de 1930 e 1940 que o conceito moderno de IA 
começou a se desenvolver, junto com o advento da computação. Tivemos 
figuras importantíssimas desta era pioneira que já discorriam sobre as 
possibilidades da existência e funcionamento de máquinas inteligentes, mesmo 
que não houvesse ainda tecnologia para implementação. Alguns avanços 
conceituais e teóricos no campo da IA já começavam a se manifestar nestas 
primeiras décadas. Um pioneiro notável nesse período foi Alan Turing, cujas 
contribuições transcenderam décadas (Kissinger et al., 2023). 

Embora o termo "Inteligência Artificial" não tivesse sido cunhado, Turing 
estava mergulhado em questões fundamentais sobre a capacidade de 
máquinas para imitar o pensamento humano (National Geographic Brasil, 
2023). O seu trabalho delineou o conceito de máquinas universais e 
estabeleceu os princípios teóricos que se tornariam cruciais para o 
desenvolvimento da computação e, eventualmente, para a IA. Apesar de não 
ter havido um movimento definido de IA nestes anos iniciais da história da 
computação, as ideias de Turing estabeleceram um alicerce fundamental para a 
futura exploração da Inteligência Artificial, demonstrando a visão e a audácia 
que caracterizariam os pioneiros desse campo inovador.

Foi somente a partir de 1950 que passou a haver uma colaboração mais 
intensa entre engenheiros e matemáticos na construção dos alicerces da IA 
moderna, com avanços significativos em campos como a lógica simbólica, o 
Processamento de Linguagem Natural e o desenvolvimento de algoritmos de 
aprendizado.



D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

29

Foi nesta década, em 1956, que o termo “Inteligência Artificial” foi 
oficialmente estabelecido por John McCarthy, outro pioneiro neste campo. Ele 
cunhou a expressão durante a Conferência de Dartmouth, um marco 
importante no reconhecimento acadêmico desse conceito. McCarthy usou 
ainda a expressão "Eros Eletrônicos" para descrever a ideia de criar máquinas 
inteligentes.











Figura 04 : O projeto de pesquisa de verão de 1956, em Inteligência Artificial de 
Dartmouth, foi iniciado por essa proposta de 31 de agosto de 1955.

Fonte: Opencadd.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.opencadd.com.br/blog/como-surgiu-a-inteligencia-artificial
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

Mas, desde aquela ocasião, e nas décadas seguintes, a IA permaneceu 
prioritariamente como um assunto acadêmico, com alguns poucos avanços 
práticos. Era tida mais como tema de pesquisa, pois, segundo Kissinger et al. 
(2023), “desde o final dos anos 1980 até os anos 1990, o setor entrou em um 
período conhecido como inverno da IA”. 

Mas, ao passo que computadores e linguagens de programação evoluíram, 
a IA também crescia e era aplicada a outros setores. Veja a seguir uma linha do 
tempo que ilustra a evolução do conceito e experimentações com IA desde as 
primeiras décadas na história da computação até os anos de 1980:











































Contudo, a partir da década de 1990 começaram a acontecer diversos 
avanços em sequência, que unidos mudaram muito o paradigma e as hipóteses 
a respeito da IA construídas na era anterior. 

30

Figura 05: Linha do tempo evolução da IA nas primeiras décadas

Fonte: Webestrategica



D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://webestrategica.com.br/como-funciona-a-inteligencia-artificial/
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

31

Os pesquisadores perceberam que para conseguir atender ao princípio da IA 
de executar tarefas por meio de máquinas aptas a solucionar problemas 
complexos, seria necessário que, de alguma maneira,as máquinas aprendessem 
sozinhas, deixando de somente tentar codificar insights filtrados de humanos. 

Ocorreu então uma mudança conceitual, e o foco passou para o Machine 
Learning, ou Aprendizado de Máquina (Kissinger et al., 2023). Veremos mais 
adiante neste capítulo mais sobre o conceito de Machine Learning.

A partir daí, tornou-se possível o surgimento de agentes mais inteligentes e 
sistemas capazes de agir autonomamente. Esses avanços pavimentaram o 
caminho para a evolução contínua da IA nas décadas subsequentes, 
consolidando-a como uma força transformadora em diversas áreas da 
sociedade.

E o aperfeiçoamento de métodos mais sofisticados de Machine Learning 
levaram ao advento das Redes Neurais Artificiais e o Deep Learning (Aprendizado 
Profundo), permitindo avanços notáveis em tarefas de reconhecimento de 
padrões e Processamento de Linguagem Natural. Também estudaremos mais 
sobre estes tópicos adiante neste capítulo.

Os anos 2000 e suas primeiras décadas estão testemunhando o 
desenvolvimento contínuo do Deep Learning, com novos algoritmos e 
paradigmas de programação com foco em IA, e a existência de computadores 
capazes de rodar tais sistemas, o que permitiu que este campo adentrasse de 
vez em setores produtivos que necessitavam de um nível de análise de dados e 
predição ainda não alcançado até então, por falta de tecnologia física (hardware) 
para isso (Nascimento Jr e Yoneyama, 2011).



D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

32

Observe o infográfico abaixo e acompanhe a evolução da IA entre os anos 
1990 e 2000:

























Hoje, as possibilidades de implementações envolvendo a IA parecem 
infinitas, conforme Lee (2022, p.18): “de eras passadas até o presente, a força 
imparável da IA tem revolucionado todas as dimensões da civilização humana e 
continuará fazendo isso”. 

Veremos ainda muitos avanços, boa parte deles hoje inimagináveis, 
especialmente quando a computação quântica estiver estabelecida. 
Computação quântica é um campo multidisciplinar que compreende aspectos 
da ciência da computação, da física e da matemática e que utiliza a mecânica 
quântica para resolver problemas complexos muito mais rapidamente do que 
em computadores tradicionais (AWS, 2023). 







Figura 06 : Pontos marcantes no desenvolvimento da Inteligência Artificial.

Fonte: Opencadd.
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://opencadd.com.br/como-surgiu-a-inteligencia-artificial/
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

33



















Nestas últimas décadas temos observado também o surgimento de novos 
patamares para a IA Forte, mesmo que conceituais, e que prevêem próximos 
passos de desenvolvimento que aproximarão mais as máquinas à forma de 
pensamento humano, até mesmo superando-a. IA Forte é outro tema no qual 
nos aprofundaremos mais adiante.

Quem sabe, um dia, teremos a resposta final para o questionamento que 
existe desde os primórdios da computação, a respeito dos computadores: “Eles 
podem pensar? Em caso positivo, um dia eles se equiparariam aos seres humanos?” 
(Onody, 2021).







Reflita: Observando como a IA se desenvolveu nos últimos 
anos, você acredita que as máquinas poderão superar os seres 
humanos um dia?

Figura 07 : Computador quântico

Fonte:Revista Galileu

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://revistagalileu.globo.com/Ciencia/noticia/2021/12/como-os-computadores-quanticos-podem-mudar-o-mundo-que-conhecemos.html
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

34

1.3.3. Definições e conceitos de IA

Iniciamos esta seção com a seguinte reflexão: para definir o que é IA 
utilizamos diversas características tecnológicas que estão ainda em evolução, 
mas no futuro quais serão estas características, já que estão em constante 
mutação? 

Portanto, a própria definição de IA também está evoluindo, correto? Assim, 
conceituar o que é a IA, ou o que vem a ser uma máquina inteligente, pode ser 
mais assertivo se focarmos nossa análise em características imutáveis e 
atemporais, que qualquer sistema possuidor de IA deva apresentar. Com esta 
premissa em mente, vamos tentar buscar definições apropriadas para a IA.

Como ponto de partida, podemos considerar uma característica atemporal o 
fato de que se um determinado sistema é inteligente, seus processos devem 
produzir uma saída racional, assim como seria o resultado de uma ação criativa 
ou de tomada de decisão humana.

 Mas, como dizer se a saída de um sistema foi gerada de forma racional, 
inteligente? É a essa pergunta que o teste de Turing se propõe a responder, 
determinando se uma máquina é inteligente, imbuída de IA, analisando o que 
ela é capaz de produzir (Nascimento Jr e Yoneyama, 2011).

Alan Turing, conhecido como o pai da computação, construiu, por meio do 
seu modelo teórico, os alicerces para o desenvolvimento das máquinas que 
utilizamos. Ele também ficou muito conhecido como um dos responsáveis por 
decifrar o código utilizado pelas comunicações nazistas durante a Segunda 
Guerra Mundial (Russel e Norvig, 2003).





D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

35

Pensando, como outros da época, na hipótese de os computadores 
chegarem a se equiparar aos seres humanos, Turing publicou um artigo em 
1950, no qual apresentava o “Jogo da Imitação”, o qual deu origem ao teste de 
Turing, que é explicado da seguinte forma na obra “Computing machinery and 
intelligence”, em trechos: “[...] suponha que seja possível arranjar as coisas de modo 
que um interrogador humano não possa distinguir uma máquina de um ser 
humano, em uma conversa escrita [...] Então eu diria que a máquina é inteligente" 
(Turing, 1950, p.434).

O teste é composto por um interrogador humano que interage com duas 
outras entidades: uma pessoa e uma máquina, sendo realizado em três etapas:

● O interrogador se encontra em uma sala separada das outras duas 
entidades.

● O interrogador interage com as duas entidades por meio de um 
dispositivo de comunicação, como um teclado e um monitor.

● O interrogador tenta determinar qual das duas entidades é uma pessoa 
e qual é uma máquina.

Se o interrogador não conseguir distinguir a máquina da pessoa, então a 
máquina é considerada inteligente. Aqui está uma definição prática do que seria 
uma máquina inteligente, baseada em IA - aquela que, ao menos em alguns 
aspectos, não se distingue do homem!





Reflita: se o teste de Turing fosse aplicado hoje, a IA já 
seria capaz de ser identificada como uma pessoa? Caso 
positivo, em quais circunstâncias?

D
oc
um
en
to
 ass
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

36

Na mesma linha do conceito de Alan Turing para a IA, podemos agora trazer 
outras definições, como a do Parlamento Europeu (2023): “A Inteligência Artificial 
(IA) é a capacidade que uma máquina tem para reproduzir competências 
semelhantes às humanas, como é o caso do raciocínio, a aprendizagem, o 
planejamento e a criatividade.” Ou ainda da empresa IBM (2023), que define assim 
a IA em seu site: “A Inteligência Artificial utiliza computadores e máquinas para 
imitar a capacidade de resolução de problemas e tomada de decisão da mente 
humana”.

McCarthy (2007) define assim a IA: “É a ciência e engenharia da criação de 
máquinas inteligentes, especialmente programas de computação inteligentes. Está 
relacionado à tarefa semelhante de usar computadores para entender a inteligência 
humana [...]”

Segundo o Ministério da Ciência, Tecnologia e Inovação (MCTI) e a 
Financiadora de Estudos e Projetos (Finep), em edital de contratação de startups 
para o “Projeto Soluções de Inteligência Artificial para o Poder Público” de agosto 
de 2023, entende-se por Inteligência Artificial como sendo: “Tecnologia que 
simula, por meio de algoritmos computacionais, mecanismos avançados de cognição 
e suporte à decisão baseado em grandes volumes de informação”.

Também podemos considerar abordagens diferentes para trazer a definição 
de IA, como fizeram Stuart Russell e Peter Norvig (2003). Eles dividem a 
conceitualização da IA em quatro objetivos potenciais, que distingue sistemas 
computacionais com base na racionalidade e pensamento versus ação:

● Abordagem humana: sistemas que pensam como humanos e Sistemas que 
agem como humanos;

● Abordagem ideal: sistemas com pensamento racional e Sistemas com atos 
racionais.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://repositorio.enap.gov.br/handle/1/7685
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

Todas estas definições e conceitos, em conjunto, contribuem para 
entendermos o campo diversificado e dinâmico da IA.

Na próxima seção, nos aprofundaremos nos tipos e modelos de IA, trazendo 
exemplos práticos para cada caso.

































37

Reflita: As IAs que nos rodeiam hoje, atendem mais à 
abordagem humana ou à abordagem ideal, propostas por Stuart 
Russell e Peter Norvig (2003)? Por que você tem esse ponto de 
vista?

Figura 08: Máquina inteligente.

Fonte: imagem gerada por IA.
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

38

1.3.4. Tipos e modelos de IA











Figura 09: IA Forte vs IA Fraca.

Fonte: Lifewire.

A IA pode ser classificada em duas categorias principais, com três modelos 
diferentes divididos entres elas. Estas categorias e modelos são: IA fraca ou 
“Inteligência Artificial Estreita” e IA forte, que engloba os conceitos de 
“Inteligência Artificial Geral” e “Superinteligência Artificial”. 

A IA fraca, ou ANI (Artificial Narrow Intelligence), refere-se a sistemas 
projetados para realizar tarefas específicas de forma eficiente, como 
reconhecimento de voz, diagnóstico médico, recomendações de produtos e 
tradução automática. Esses sistemas são programados para processar dados e 
aplicar algoritmos e modelos estatísticos a fim de gerar resultados sem 
possuírem compreensão ou consciência. São tipos de ANI: assistentes virtuais 
(como a SIRI, da Apple; a Alexa, da Amazon; e a Google Assistant) e IAs 
Generativas (como o ChatGPT, da OpenAI; o Bard, da Google; e o Copilot, da 
Microsoft).

Os assistentes virtuais baseados em IA representam uma inovação 
significativa no campo da tecnologia, desempenhando um papel cada vez mais 
crucial em diversas áreas da vida cotidiana. Essas ferramentas inteligentes são 
projetadas para interagir com os usuários de maneira natural, fornecendo 
informações, realizando tarefas e facilitando a comunicação. 

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.lifewire.com/strong-ai-vs-weak-ai-7508012
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

39

Um componente fundamental desses assistentes é a capacidade de 
compreender e interpretar a linguagem natural, o que é alcançado por meio de 
avançados modelos de Processamento de Linguagem Natural e redes neurais.

Esses assistentes virtuais utilizam algoritmos de Aprendizado de Máquina 
para analisar padrões, entender o contexto e melhorar suas respostas ao longo 
do tempo com base nas interações anteriores. Isso resulta em uma experiência 
mais personalizada e eficiente para os usuários. O reconhecimento de fala é 
outra característica essencial, permitindo que os assistentes compreendam 
comandos verbais e realizem ações correspondentes (Kissinger et al., 2023) .

Em ambientes domésticos, assistentes como Alexa, Google Assistant e Siri 
se tornaram parte integrante da vida diária, controlando dispositivos 
domésticos inteligentes, respondendo a perguntas e executando tarefas 
simples. 

No campo da saúde, assistentes virtuais estão sendo empregados para 
fornecer informações médicas, agendar consultas e até mesmo monitorar 
condições de saúde. Os assistentes virtuais na medicina representam um 
avanço significativo, combinando a inteligência artificial com o cuidado ao 
paciente. Esta tecnologia está se tornando cada vez mais vital na medicina 
moderna, melhorando a acessibilidade e a qualidade dos cuidados de saúde.

À medida que a IA continua a evoluir, os assistentes virtuais prometem 
desempenhar um papel ainda mais relevante, transformando a maneira como 
interagimos com a tecnologia e integrando-se cada vez mais às diversas facetas 
de nossas vidas. 

Essas inovações, embora promissoras, requerem uma abordagem 
cuidadosa para equilibrar os benefícios oferecidos com as considerações éticas 
e de segurança, este assunto será nosso objeto de estudo na próxima seção.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

40

Ainda dentro da IA fraca, temos a Inteligência Artificial Generativa (IA 
Generativa). Ela representa uma classe fascinante de algoritmos que têm 
revolucionado diversas áreas, desde a arte até a medicina. Essa abordagem 
inovadora utiliza redes neurais para criar dados ou conteúdo novo, muitas 
vezes indistinguível de criações humanas. Veja o caso do do prêmio Jabuti de 
2023,na categoria Ilustrações: uma obra contendo imagens geradas por IA foi 
selecionada como finalista do Prêmio Jabuti 2023, e só foi desclassificada pela 
organização da premiação após uma grande polêmica envolvendo o uso da 
tecnologia. Concorrendo na categoria de Melhor Ilustração de 2023, o livro em 
questão é uma nova edição do clássico Frankenstein, de Mary Shelley. A obra 
traz em torno de 50 imagens geradas por IA (Tecmundo, 2023).

Mas, o que mais impressiona nesse caso, é que um dos jurados responsável 
pela categoria de ilustrações, o desenhista André Dahmer, disse que não sabia 
do uso da tecnologia para a criação da ilustração quando votou! 

Diante disso, lembre-se do teste de Turing e reflita novamente: como 
podemos avaliar a inteligência das máquinas?





Figura 10: Livro ilustrado por IA Generativa.

Fonte: Tecmundo.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.tecmundo.com.br/software/273742-premio-jabuti-desclassifica-livro-ilustrado-ferramenta-ia.htm
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

41

E a IA generativa já trabalha em alto nível não somente com imagens, mas 
com outras formas de criação também. 

Veja o infográfico a seguir:





























Na área da arte, a IA Generativa tem desafiado conceitos tradicionais de 
criatividade. O projeto "Edmond de Belamy" da Obvious, por exemplo, gerou 
uma obra de arte utilizando um algoritmo baseado em IA, alcançando 
reconhecimento e vendas em leilões renomados. Essa interseção entre 
tecnologia e criatividade evidencia o potencial transformador da IA Generativa.























Figura 11: Exemplos de uso de IA Generativa.

Fonte: Sankhya
Figura 12: Projeto Obvious.

Fonte: globo.com
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.sankhya.com.br/blog/ia-generativa/
https://gq.globo.com/Prazeres/Tecnologia/noticia/2018/09/christies-faz-historia-com-o-primeiro-leilao-de-uma-obra-pintada-por-inteligencia-artificial.html
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

42

No campo da música, a IA Generativa também deixou sua marca. O modelo 
Magenta, desenvolvido pelo Google, é capaz de criar composições musicais 
inéditas, demonstrando a capacidade da tecnologia em expandir os horizontes 
da expressão artística. Artistas e músicos têm explorado colaborações com 
algoritmos para criar peças únicas e inovadoras.

Outro exemplo interessante é a aplicação da IA Generativa em design de 
produtos. Empresas têm utilizado algoritmos para gerar designs de moda, 
móveis e até mesmo automóveis. Essa abordagem não apenas acelera o 
processo criativo, mas também introduz elementos inesperados e criativos, 
resultando em produtos únicos e cativantes. 

Contudo, é crucial considerar os desafios éticos associados à IA Generativa, 
como o potencial de criar deepfakes convincentes e manipulações de mídia. 
Conforme a tecnologia avança, é imperativo implementar salvaguardas éticas e 
regulamentações para mitigar possíveis abusos.

Por fim, falemos de dois modelos de IA Forte que ainda estão em fase de 
pesquisa. Primeiro, a Inteligência Artificial Geral (ou AGI - Artificial General 
Intelligence), que visa alcançar um nível de inteligência comparável ou superior 
à inteligência humana em todos os aspectos. 

Figura 13: Cena do filme Ex-Machina.

Fonte: DNA Films; Film4; Scott Rudin Productions.
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

43

Esse tipo de IA deverá ser capaz de compreender, aprender e raciocinar em 
uma ampla variedade de tarefas e contextos, assim como um ser humano. No 
momento, ainda não há exemplos de serviços disponíveis - apenas projetos em 
andamento.

Já a Superinteligência Artificial ou ASI (Artificial Superintelligence) buscaria 
não somente igualar as capacidades intelectuais humanas, como ocorre no 
modelo AGI, mas deverá focar no incremento e superação dessas capacidades. 
Este ainda é um campo teórico da IA, que, uma vez implementado, possibilitaria 
às máquinas não só aprender com as operações que realizam nas mais diversas 
áreas, mas também dispor da capacidade para melhorar e reformular todo um 
campo do conhecimento, como a engenharia, medicina e economia.

















Embora não haja exemplos de IA forte, o campo está apresentando 
inovações constantemente (IBM, 2023). Dito isso, voltaremos o nosso foco para 
áreas em que a IA já está desempenhando um papel mais importante 
atualmente, fora do campo das hipóteses.

É sobre algumas dessas aplicações e a sua importância em nossa sociedade 
que discutiremos na próxima seção.

Figura 14: Superinteligência Artificial.

Fonte: Genetic Literacy Project.



D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://geneticliteracyproject.org/2021/06/16/too-smart-for-our-own-good-how-artificial-superintelligence-could-lead-to-humanitys-demise/
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

44

1.3.5. Importância e aplicações na 
sociedade moderna



Grandes avanços teóricos em IA finalmente têm produzido aplicações práticas 
que estão prestes a mudar nossas vidas. A IA já alimenta muitos de nossos 
aplicativos e sites favoritos, e nos próximos anos dirigirá nossos carros, 
gerenciará nossos portfólios, fabricará muito do que compramos e 
potencialmente tirará nossos empregos. Estes usos estão repletos de riscos 
promissores e perigos potenciais, e devemos nos preparar para as duas coisas.

(Lee, 2019, p.7)



A pesquisa e o desenvolvimento contínuo com IA têm impulsionado avanços 
significativos, permitindo que ela desempenhe um papel cada vez mais 
relevante em nossa sociedade. 

Conforme Kissinger et al. (2023), diferentes inteligências artificiais têm 
aprendido a realizar diferentes tarefas, antes atribuídas somente à capacidade 
humana, como vencer no xadrez, descobrir um novo antibiótico e pilotar jatos 
de combates.

Ainda segundo Kissinger et al. (2023, p.12) “agora [...] que o poder de 
computação necessário para operar a IA sofisticada está se tornando prontamente 
disponível, poucos setores permanecerão inalterados.” 

Hoje, a IA já promove desenvolvimento na medicina, automação, transporte, 
finanças, entretenimento e muitos outros setores, por conta da sua capacidade 
de processar dados em larga escala, aprender com eles e tomar decisões 
inteligentes; os ganhos atuais e as perspectivas futuras já são visíveis e 
mensuráveis.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
ocó
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

45

O infográfico abaixo ilustra, com dados de 2023, a presença da IA no Brasil:

























A Universidade de Stanford e o Instituto de Tecnologia de Massachusetts 
(MIT) desenvolveram um estudo que acompanhou durante um ano os efeitos 
do uso da IA em uma empresa de softwares de grande porte. 

Ao fim do estudo, chegaram aos seguintes resultados, divulgado em 2023: o 
uso de sistemas de IA generativa, como o ChatGPT, pode aumentar em até 14% 
a produtividade de trabalhadores. Em se tratando de funcionários 
recém-chegados, o estudo mostra que aqueles trabalhadores menos 
habituados a determinados afazeres da companhia conseguiram realizar seu 
trabalho 35% mais rápido com ajuda das mesmas IAs generativas, em 
comparação com os que não tiveram o suporte dessas tecnologias (Pergentino, 
2023).

Os Trabalhadores com dois meses de experiência e que receberam ajuda da 
IA tiveram um desempenho igual ou melhor do que os trabalhadores com mais 
de seis meses de experiência, e que trabalharam sem a ferramenta (Pergentino, 
2023).

Figura 15: Aplicação da IA nas organizações.

Fonte: Valor Econômico

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://valor.globo.com/publicacoes/especiais/telecomunicacoes/noticia/2023/10/11/expansao-do-uso-depende-de-estrategia-adequada.ghtml
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

46

Observe o infográfico abaixo, que traz os resultados de outro estudo, 
realizado pela Accenture Research em 2023, e que mostra o quanto o uso da IA 
já tem sido um importante fator para aumento da lucratividade de empresas 
dos mais variados segmentos:

Figura 16: aumento de lucratividade com uso da IA.

Fonte: Zendesk.



D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.zendesk.com.br/blog/chatbot-de-inteligencia-artificial/
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

47

Justamente por conta dos benefícios que a IA traz, é necessário ponderar 
sobre o emprego inadequado da tecnologia: o seu uso de maneira 
irresponsável, ilegal ou antiético pode trazer prejuízos às pessoas, 
organizações e governos, dificultando ou mesmo impedindo o avanço da 
sociedade. Por isso, é de extrema importância o olhar ético ao construir-se 
quaisquer implementação utilizando IA. 

Diversas empresas e instituições, tanto públicas quanto privadas, têm 
buscado compreender as nuances da ética no contexto da IA. Dentre diversos 
esforços, nós podemos, a título ilustrativo, observar e aprender com a 
abordagem que a Microsoft (2022) trouxe nos seus 6 Princípios da IA 
responsável:

1 - Princípio da justiça: os sistemas de AI devem tratar todas as pessoas de 
forma justa. Por exemplo, uma IA de conversação não pode atender somente 
um cliente bom pagador;

2 - Princípio da inclusão: os sistemas de AI devem capacitar a todos e 
envolver as pessoas. A IA não pode deixar de atender todas as classes sociais, 
os diferentes gêneros e qualquer tipo de diversidade existente em nossa 
sociedade;

3 - Princípio da transparência: os sistemas de AI e seus resultados devem ser 
compreensíveis à todos. A documentação da IA deve estar disponível e clara 
em conceito e aplicação para o desenvolvedor que vier a utilizá-las;

4 - Princípio da responsabilidade: as pessoas devem ser responsáveis pelos 
sistemas de AI. Nunca devemos colocar a responsabilidade de uma tomada de 
decisão errada em uma IA, mas, sim, lembramos que um ser humano foi o 
responsável por treinar e validar as informações de saída do sistema;

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

48

5 - Princípio da confiabilidade e segurança: os sistemas de AI devem 
funcionar de forma confiável e segura. Quando falamos em Confiabilidade, 
estamos falando de todas as entradas de dados de usuário que alimentarão um 
treinamento de uma IA, seja por meio de campos como inputs de formulários 
ou base de dados (mesmo aquelas adquiridas no mercado);

6 - Princípio da privacidade: os sistemas de AI devem ser seguros e respeitar a 
privacidade. Quando falamos em Privacidade, estamos falando de todas as 
saídas de dados mostradas para os usuários. Nelas, os valores devem ser 
mostrados somente se necessário e/ou com proteções como criptografia.

Em 2023, a UNESCO divulgou recomendação sobre as implicações éticas do 
uso da IA. Os valores contidos nessa recomendação são: 

Nenhum ser humano ou comunidade deve ser prejudicado ou subordinado, 
seja fisicamente, economicamente, socialmente, politicamente, culturalmente 
ou mentalmente durante qualquer fase do ciclo de vida dos sistemas de IA. Nas 
interações com a IA, as pessoas nunca devem ser objetificadas, nem sua 
dignidade deve ser prejudicada, ou os direitos humanos e liberdades 
fundamentais violados ou abusados. (UNESCO, 2023)















Nos próximos itens, nós discutiremos os benefícios que o uso da IA 
consciente e responsável tem trazido a diversos campos da sociedade moderna.





Reflita: Como você, individualmente, pode contribuir para que 
a IA se estabeleça na sociedade de forma ética e responsável? 

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

49

1.3.5.1. Medicina

A integração da IA com a medicina inaugurou uma era transformadora, 
oferecendo uma infinidade de benefícios que melhoram o atendimento ao 
paciente, o diagnóstico e a gestão geral da saúde. Esta sinergia entre a 
tecnologia avançada e a ciência médica tem o potencial de revolucionar o 
panorama da saúde.

Uma das principais vantagens do emprego da IA na medicina é a sua 
capacidade de agilizar o processo de diagnóstico. Algoritmos de Aprendizado de 
Máquina podem analisar vastos conjuntos de dados, incluindo imagens médicas 
e registros de pacientes, com velocidade e precisão sem precedentes. Isso se 
traduz em diagnósticos mais rápidos e precisos, levando a intervenções 
oportunas e melhores resultados para os pacientes.

Segundo artigo elaborado pela médica Joana Rezende, da MEDWAY, a 
Inteligência Artificial faz análises de imagens com precisão entre 5% a 10% maior 
que as dos médicos, numa velocidade muito maior. Vejamos 5 aplicações da IA 
na medicina (Rezende, 2023):

● Diagnóstico médico assistido por IA: a IA já é aplicada em exames 
laboratoriais, em diagnósticos por imagem e em históricos médicos, 
ajudando os médicos a identificarem doenças e condições de saúde com 
mais rapidez e precisão melhorando a eficácia do tratamento. Um exemplo 
prático é a análise de células por Visão Computacional, o que permite 
identificar, porimagens, a existência de tumores não visíveis a olho nu.

Dessa forma, a IA funciona de forma preventiva, contribuindo não apenas 
para o tratamento, mas para a prevenção de problemas de saúde.

● Medicina personalizada: a IA desempenha um papel fundamental ao 
adaptar os tratamentos com base nas características individuais do paciente. 

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

50

Ao analisar dados genéticos, fatores de estilo de vida e históricos médicos, 
os algoritmos de IA podem identificar planos de tratamento ideais, 
minimizando os efeitos adversos e maximizando a eficácia terapêutica. Esta 
abordagem personalizada representa um salto significativo em direção a 
cuidados de saúde mais eficazes e centrados no paciente. Além disso, a IA 
contribui para a otimização das operações hospitalares e da gestão de 
recursos. 

Os modelos de análise preditiva podem prever admissões de pacientes, 
permitindo que as instalações de saúde aloquem recursos de forma 
eficiente e simplifiquem os fluxos de trabalho. Isto não só aumenta a 
eficiência operacional, mas também garante que os profissionais médicos 
possam se concentrar mais no atendimento ao paciente.

● Análise de imagens médicas: a interpretação de imagens médicas 
(tomografias computadorizadas, ressonâncias magnéticas, radiografias, 
mamografias) é uma tarefa complexa, que exige precisão e experiência. A 
partir de seu desempenho superior na identificação de padrões visuais, 
algoritmos comparam milhares ou milhões de imagens em alguns 
segundos. A análise de IA aponta mudanças em tecidos e órgãos humanos. 
Desse modo, ela detecta indícios precoces de anomalias e doenças.

● Assistência cirúrgica robótica: a cirurgia robótica é uma operação 
auxiliada por robôs, minimamente invasiva. Esses robôs dão assistência a 
procedimentos cirúrgicos complexos, garantindo precisão e estabilidade ao 
realizar movimentos delicados, que seriam complicados para serem 
executados de forma manual. É possível para o médico controlar o 
procedimento à distância. O sistema robótico controlado por IA permite 
ainda a análise de dados em tempo real, transformando estes dados em 
informações valiosas para os médicos-cirurgiões, ainda durante o 
procedimento.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

51

● Monitoramento de saúde e prevenção de doenças: no domínio da 
investigação médica, a IA acelera o ritmo da descoberta de enfermidades. 
Algoritmos de Aprendizado de Máquina podem analisar vastos conjuntos de 
dados para identificar padrões, potenciais candidatos a medicamentos e 
modalidades de tratamento. Isto acelera o processo de desenvolvimento de 
medicamentos, tornando-o mais rentável e facilitando a introdução de 
terapias inovadoras no mercado.

Hoje, cada indivíduo pode monitorar e fornecer um conjunto incontável de 
dados, sobre sua própria saúde, por meio dos dispositivos vestíveis, como 
relógios inteligentes (smartwatches) e pulseiras inteligentes, que. 
combinados com algoritmos de IA realizam um constante 
acompanhamento dos sinais vitais do usuário, registra-os e fornecem 
informações a respeito de sua saúde geral.

Além destas cinco aplicações, também vale destacar o advento e 
popularização da telemedicina, que, potencializada pela IA, tornou-se um 
componente crucial dos cuidados de saúde modernos. Chatbots controlados por 
IA e assistentes virtuais de saúde oferecem respostas imediatas às dúvidas dos 
pacientes, fornecem informações de saúde e até auxiliam em diagnósticos 
preliminares. Isto não só melhora a acessibilidade aos serviços de saúde, mas 
também alivia a carga sobre os prestadores de cuidados de saúde, 
permitindo-lhes concentrar-se em casos complexos.

Apesar destes benefícios notáveis, as implicações éticas da IA na medicina 
também merecem uma consideração cuidadosa. As preocupações com a 
privacidade, a segurança dos dados e os preconceitos algorítmicos devem ser 
abordados para garantir a implantação responsável e equitativa de tecnologias 
de IA nos cuidados de saúde (Kissinger et al., 2023).
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

52

Concluindo, a integração da IA na medicina é uma promessa imensa para o 
avanço do atendimento ao paciente, do diagnóstico e da gestão da saúde. 
Desde diagnósticos rápidos a planos de tratamento personalizados e maior 
eficiência operacional, os benefícios da IA na medicina são vastos. Ao passo em 
que o campo continua a evoluir, é essencial uma abordagem ponderada e ética 
para aproveitar todo o potencial da IA na melhoria dos resultados globais dos 
cuidados de saúde.

Reflita: você confiaria mais em um diagnóstico médico 
realizado por uma pessoa ou por uma IA? Por quê?

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

53

1.3.5.2. Indústria

A Indústria tem vivido uma revolução impulsionada pela IA, com aplicações 
práticas que transformam processos tradicionais. A manutenção preditiva, o 
controle de estoque, o design generativo, a gestão da qualidade, a robótica e a 
redução de perdas são apenas algumas das áreas em que a IA exerce impacto 
significativo, moldando um novo paradigma industrial.

A manutenção preditiva, um dos destaques da aplicação da IA na indústria, 
revoluciona a abordagem convencional de reparos e substituições. Sistemas de 
IA alimentados por ML analisam dados em tempo real, identificando padrões 
que indicam possíveis falhas em equipamentos. Isso permite intervenções 
proativas, reduzindo o tempo de inatividade e os custos associados. A previsão 
precisa de necessidades de manutenção impulsiona a eficiência operacional.

O controle de estoque é outra esfera na qual a IA desempenha um papel 
relevante. Sistemas inteligentes utilizam algoritmos de ML para analisar padrões 
de demanda, sazonalidade e comportamento do consumidor. Essa análise 
preditiva aprimorada resulta em uma gestão de estoque mais eficiente, 
reduzindo custos de armazenamento e evitando escassez ou excesso de 
produtos. A precisão na previsão de demanda é vital para a sustentabilidade e 
competitividade das empresas na era digital.

O design generativo, por sua vez, ilustra como a IA influencia a criação de 
produtos inovadores. Algoritmos generativos capacitados por IA exploram 
automaticamente diversas opções de design com base em critérios específicos. 
Essa abordagem não apenas acelera o processo criativo, mas também leva à 
concepção de produtos mais eficientes em termos de recursos e desempenho. A 
IA se torna uma aliada na busca pela excelência einovação no design industrial.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

54

No que diz respeito à gestão da qualidade, a IA proporciona avanços 
significativos na identificação e prevenção de defeitos. Sistemas de Visão 
Computacional e algoritmos de reconhecimento de padrões permitem a 
detecção automática de falhas em tempo real. Isso não só aprimora a qualidade 
do produto final, mas também reduz desperdícios ao identificar problemas em 
estágios iniciais da produção (Nascimento Jr e Yoneyama, 2011). A IA se destaca 
como uma ferramenta essencial na busca pela excelência na produção 
industrial.

A robótica colaborativa é outra área em que a IA desempenha um papel 
transformador. Colaboração eficiente entre humanos e robôs, mediada por 
algoritmos avançados, está redefinindo os limites da automação industrial 
(ABB, 2021). A IA permite que robôs colaborativos (ou cobots) se adaptem 
dinamicamente às mudanças no ambiente de trabalho, melhorando a 
flexibilidade e eficiência da produção. A coexistência harmoniosa entre 
humanos e robôs é essencial para maximizar os benefícios da automação.



Figura 17: Robótica colaborativa.

Fonte: ABB.



D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.redesdesaude.com.br/aprendizado-de-maquina-machine-learning/
https://new.abb.com/news/pt-br/detail/74647/robos-colaborativos-ja-sao-realidade-na-industria-40
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

55

Por fim, a redução de perdas emerge como uma preocupação central na 
era da Indústria 4.0. A IA, ao otimizar processos em diferentes estágios da 
produção, contribui significativamente para a minimização de desperdícios. 
Seja por meio da prevenção de defeitos, da gestão eficiente de estoque ou da 
manutenção preditiva, a IA atua como um catalisador na redução de perdas, 
promovendo a sustentabilidade e a eficiência econômica.

Em síntese, a Inteligência Artificial é uma força motriz nos avanços da 
Indústria 4.0, impactando a manutenção preditiva, controle de estoque, design 
generativo, gestão da qualidade, robótica e redução de perdas. 

Essas aplicações práticas não apenas melhoram a eficiência operacional, 
mas também redefinem a maneira como concebemos e conduzimos processos 
industriais (TOTVS, 2023).
Reflita: Dado o nível de produção exigido hoje dos meios 
industriais, para atender à crescente demanda e suprir o 
mercado consumidor, você vê outra possibilidade para a indústria 
que não seja utilizar a IA para automatizar os seus processos? Se 
sim, qual?

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

56

1.3.5.3. Agronomia

A IA tem emergido como uma força catalisadora na transformação da 
agronomia, redefinindo a forma como abordamos a produção agrícola e o 
manejo de recursos naturais. Neste contexto, destacamos avanços e influências 
específicas, abordando aplicações práticas da IA, tais como a otimização do 
cultivo, o monitoramento agrícola, a previsão de colheitas, o manejo inteligente 
de pragas e doenças, além do desenvolvimento de sistemas de irrigação 
eficientes.

A otimização do cultivo é uma das contribuições mais marcantes da IA na 
agronomia moderna (Rehagro, 2024). Sistemas baseados em Aprendizado de 
Máquina analisam uma miríade de variáveis, incluindo condições climáticas, tipo 
de solo e histórico de cultivo, para recomendar práticas agrícolas específicas. 
Isso não apenas aumenta a eficiência na alocação de recursos, mas também 
contribui para a maximização do rendimento das colheitas, promovendo uma 
agricultura mais sustentável e rentável.

Figura 18: IA na agricultura.

Educação e Profissão.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://educacaoeprofissao.com.br/impacto-da-ia-na-agricultura-para-a-seguranca-alimentar-global/
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

57

O monitoramento agrícola é outra aplicação destacada da IA na 
otimização de práticas agronômicas. Equipamentos equipados com sensores 
de alta precisão coletam dados em tempo real sobre o estado das plantas, solo 
e clima. Essas informações são processadas por algoritmos de IA, fornecendo 
insights valiosos para os agricultores. A combinação de imagens de satélite, 
drones e sensores terrestres, aliada à análise inteligente de dados, possibilita o 
monitoramento preciso do desenvolvimento das culturas, identificação precoce 
de problemas e ajustes rápidos nas práticas de manejo (Zanatta, 2023).

A previsão de colheitas é uma ferramenta estratégica aprimorada pela IA, 
contribuindo para o planejamento eficiente da produção. Modelos preditivo 
utilizam dados históricos, condições meteorológicas e variáveis ambientais 
para antecipar o momento ideal da colheita (Orbia, 2024). Essa abordagem não 
apenas reduz a incerteza para os agricultores, mas também permite uma 
gestão mais eficiente da cadeia de suprimentos, minimizando desperdícios e 
otimizando a distribuição de produtos agrícolas.

O manejo inteligente de pragas e doenças representa uma resposta 
proativa aos desafios enfrentados na agricultura. A IA, por meio de algoritmos 
de detecção, possibilita a identificação precoce de padrões associados a 
infestações, isso permite a aplicação precisa de pesticidas e a implementação 
de estratégias de controle direcionadas, minimizando o uso de produtos 
químicos e reduzindo os impactos ambientais adversos (Zanatta, 2023).

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

58

A gestão eficiente da irrigação é vital em regiões agrícolas com escassez 
de água. A IA, integrada a sistemas de irrigação automatizados, contribui para 
a utilização otimizada desse recurso. Algoritmos de Aprendizado de Máquina, 
analisam dados de sensores para determinar as necessidades hídricas 
específicas de cada área do campo, permitindo uma distribuição precisa e 
eficiente da água. Essa abordagem não apenas conserva recursos hídricos, mas 
também aumenta a eficiência no uso da água na agricultura (Conectar Agro, 
2022).























Em conclusão, a IA está redefinindo a agronomia, oferecendo soluções 
inovadoras para os desafios enfrentados na produção agrícola. A otimização do 
cultivo, o monitoramento agrícola, a previsão de colheitas, o manejo inteligente 
de pragas e doenças, e a gestão eficienteda irrigação são apenas algumas das 
áreas em que a IA exerce influência significativa. Essas aplicações não apenas 
aumentam a eficiência da produção, mas também contribuem para a 
construção de um modelo agrícola mais sustentável e adaptável aos desafios 
contemporâneos.
Figura 19: Irrigação inteligente.

Fonte: Conectar Agro.



D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://blog.conectaragro.com.br/gestao-eficiente-de-irrigacao/
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

59

1.3.5.4. Educação

A integração da IA com a educação representa uma revolução pedagógica, 
proporcionando uma série de estratégias inovadoras para aprimorar a 
aprendizagem e oferecer benefícios significativos tanto para alunos quanto para 
educadores (Huttenlocher et al., 2023). Uma aplicação notável é a personalização 
do ensino, em que algoritmos de IA analisam o desempenho individual dos 
alunos e adaptam os materiais de aprendizado de acordo com suas 
necessidades específicas. Plataformas de aprendizado online já utilizam IA para 
oferecer exercícios personalizados e feedback instantâneo, promovendo um 
aprendizado mais eficaz.

Outra estratégia valiosa é a implementação de assistentes virtuais. Essas 
ferramentas, como o ChatGPT Edu, podem responder a perguntas dos alunos 
em tempo real, oferecendo suporte adicional e estimulando a curiosidade. Além 
disso, sistemas de tutoria inteligente são capazes de identificar áreas de 
dificuldade dos alunos e fornecer exercícios adicionais ou explicações detalhadas 
para reforçar o entendimento.

Figura 20: IA na educação.

Fonte: Terra.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.terra.com.br/noticias/educacao/5-cuidados-necessarios-antes-de-usar-ia-na-educacao,de60f6899161bc6f4b3b4fbefd9ccd37a5yk0upp.html
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

60

Os benefícios do uso da IA na educação incluem a personalização do ensino 
para atender às diferentes necessidades de aprendizagem, a automatização de 
tarefas administrativas para liberar tempo dos educadores e a oferta de 
recursos educacionais mais acessíveis e inclusivos. No entanto, é vital abordar 
considerações éticas, como a privacidade dos alunos e a transparência nos 
algoritmos, para garantir uma implementação responsável e ética da IA na 
educação, segundo a redação Homework (Terra, 2023). 

A Conferência Internacional sobre Inteligência Artificial e Educação 
“Planejando a educação na era da IA: liderar o avanço”, realizada em 2019 na 
China, com representantes de agências das Nações Unidas, instituições 
acadêmicas, sociedade civil e o setor privado para debater a temática. O 
documento final da conferência traz 10 recomendações de ações a serem 
implementadas por governos e outras partes interessadas, em resposta às 
oportunidades e desafios relacionados à IA na educação (Instituto Unibanco, 
2024): 



Figura 21: Ações recomendadas Conferência Internacional IA e Educação.

Fonte: Instituto Unibanco.



D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://observatoriodeeducacao.institutounibanco.org.br/em-debate/inteligencia-artificial-na-educacao
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

61

Figura 22: Ações recomendadas Conferência Internacional IA e Educação

Fonte: Instituto Unibanco.



Em suma, a IA não apenas aprimora a eficácia do processo de 
aprendizagem, mas também abre novas possibilidades para uma educação 
mais personalizada, flexível e eficiente.
Figura 23: IA para aprendizagem efetiva.

Fonte :Educação e Profissão.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://observatoriodeeducacao.institutounibanco.org.br/em-debate/inteligencia-artificial-na-educacao
https://educacaoeprofissao.com.br/inteligencia-artificial-revolucionando-a-educacao/
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

62

1.3.5.5. Segurança

A IA emerge como uma força transformadora no campo da segurança, 
abrangendo desde a segurança pública até a proteção de dados e sistemas 
críticos. Neste contexto amplo, a IA desempenha um papel vital na detecção 
proativa de ameaças, na análise de padrões complexos e na adaptação dinâmica 
para enfrentar os desafios cada vez mais sofisticados em segurança. Ao mesmo 
tempo que oferece eficiência e agilidade, a implementação ética e responsável 
da IA na segurança torna-se um imperativo para equilibrar a inovação 
tecnológica com considerações éticas e de privacidade (Silva, 2023).

A aplicação da IA na segurança da informação representa uma linha de 
defesa cada vez mais crucial em um cenário digital complexo e em constante 
evolução. Os desafios contemporâneos em segurança cibernética demandam 
abordagens avançadas, e a IA oferece uma série de ferramentas e estratégias 
para fortalecer a proteção de dados e sistemas. Algoritmos de Aprendizado de 
Máquina podem identificar padrões anômalos no tráfego de rede, detectando 
atividades suspeitas e possíveis vulnerabilidades em tempo real, respondendo 
rapidamente a potenciais ameaças de forma proativa, e não mais reativa como 
nos sistemas anteriores de segurança da informação.

As soluções baseadas em IA, como os sistemas de detecção e resposta a 
incidentes (IDR), têm a capacidade de aprender com comportamentos normais 
e, assim, destacar atividades que desviam da norma, indicando possíveis 
ataques. Além disso, algoritmos de reconhecimento de padrões são 
empregados na identificação de malware, phishing e outras ameaças, 
aumentando a eficácia dos programas antivírus tradicionais (Embratel, 2020).

Contudo, a implementação da IA na segurança da informação também 
levanta preocupações éticas e de privacidade. 

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

63

A interpretação precisa dos resultados da IA e a mitigação de possíveis 
vieses nos algoritmos são aspectos cruciais para garantir uma defesa sólida 
sem comprometer a integridade e a privacidade dos dados (Kissinger et al., 
2023). 

Em última análise, a IA na segurança da informação não apenas fortalece a 
resiliência contra ameaças cibernéticas, mas também destaca a necessidade de 
abordagens éticas e transparentes para garantir uma cibersegurança robusta e 
equilibrada.
Figura 24: IA e segurança da informação.

Fonte:Mundo do Marketing.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.mundodomarketing.com.br/4-beneficios-da-inteligencia-artificial-para-a-seguranca-digital/
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

64

A utilização da IA na segurança pública tem desempenhado um papel 
significativo na modernização e eficiência dos métodos de prevenção, resposta 
e investigação. Um exemplo notável é o emprego de sistemas de vigilância 
baseados em IA, que são capazes de analisar grandes volumes de dados de 
câmeras de vigilância em tempo real. Esses sistemas podem identificar padrões 
suspeitos, reconhecer comportamentos anômalos e alertar as autoridades para 
potenciais ameaças, contribuindo para a prevenção de crimes.

Outra aplicação crucial está na análise de dados para prever atividades 
criminosas. Algoritmos de Aprendizado de Máquina podem analisar padrões 
históricos e atuais para antecipar áreas de risco e alocar recursos de maneira 
mais estratégica. Essa capacidade preditiva permite uma resposta mais proativa 
por parte das forças de segurança, contribuindo para a mitigação de incidentes.



Figura 25: IA e segurança pública.

Fonte: NatGeo Brasil.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.nationalgeographicbrasil.com/ciencia/2023/06/quem-foi-alan-turing-pioneiro-no-desenvolvimento-da-inteligencia-artificial-e-da-computacao-moderna
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

65

No contexto investigativo, a IA também se mostra valiosa na análise de 
grandes conjuntos de dados, facilitando a identificação de padrões complexos e 
relações entre elementos aparentemente não relacionados. Algoritmos de 
reconhecimento facial, por exemplo, podem ajudar na identificação de 
suspeitos, enquanto ferramentas de Processamento de Linguagem Natural 
podem analisar grandes volumes de dados textuais para obter insights 
relevantes.

Entretanto, é importante destacar que o uso da IA na segurança pública 
levanta questões éticas e de privacidade. É necessário implementar 
salvaguardas rigorosas para garantir o uso responsável da tecnologia, 
protegendo os direitos individuais e evitando discriminações injustas (Silva, 
2023).

Em resumo, a IA na segurança pública oferece um potencial significativo 
para melhorar a eficiência das operações, prevenir crimes e fortalecer as 
capacidades investigativas. No entanto, seu uso deve ser acompanhado de 
estratégias transparentes e éticas para garantir que essas tecnologias 
beneficiem a sociedade de maneira equitativa e responsável.
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

66

1.3.5.6. Infraestrutura de cidades 
inteligentes

As Smart Cities, ou cidades inteligentes, surgem como um paradigma 
inovador na busca por soluções sustentáveis e eficientes para os desafios 
urbanos contemporâneos. No cerne dessa transformação, a IA emerge como 
uma força motriz, moldando de maneira significativa o panorama urbano e 
redefinindo a interação entre os cidadãos e a infraestrutura urbana.

Nas cidades inteligentes existe um ecossistema tecnológico de sensores 
conectados, redes de comunicação eficientes e coleta de dados em tempo real 
criando uma malha digital que permeia todos os aspectos da cidade (Secti, 
2019). De acordo com o Cities in Motion Index, do IESE Business School na 
Espanha, 10 dimensões indicam o nível de inteligência de uma cidade: 
governança, administração pública, planejamento urbano, tecnologia, o 
meio-ambiente, conexões internacionais, coesão social, capital humano e a 
economia.

Figura 26:Smart city.

Fonte:SECTI.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.secti.df.gov.br/entenda-o-que-e-uma-smart-city/
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

67

O papel da IA para que uma cidade inteligente seja viável e funcional 
abrange vários aspectos (Secti, 2019), e sua influência é visível em setores 
cruciais, como:

● Mobilidade urbana aprimorada: sistemas de transporte inteligentes, 
impulsionados pela IA, vem revolucionando a mobilidade urbana. 
Algoritmos de roteamento dinâmico consideram variáveis em tempo real, 
como tráfego e condições meteorológicas, oferecendo alternativas 
eficientes de deslocamento.

O uso da IA na mobilidade urbana tem sido evidenciado por uma série de 
exemplos práticos que transformam significativamente a forma como as 
pessoas se deslocam nas cidades (Estadão, 2023). Aplicativos de 
compartilhamento de viagens incorporam IA para otimizar a alocação de 
veículos, reduzindo o tempo de espera e promovendo a eficiência no uso de 
recursos. Além disso, o desenvolvimento de veículos autônomos, que 
empregam técnicas avançadas de Aprendizado de Máquina, promete 
revolucionar a mobilidade urbana, proporcionando uma alternativa segura 
e eficiente de transporte. 

● Eficiência energética e sustentabilidade: a IA também se destaca na 
gestão eficiente de energia. Sistemas de iluminação pública adaptativa, 
controlados por algoritmos inteligentes, ajustam-se automaticamente às 
condições ambientais, reduzindo o desperdício de energia. A IA possibilita 
também a coleta e análise de dados históricos, padrões de consumo e 
fatores externos, como condições climáticas, para prever a demanda de 
energia elétrica e auxiliar na tomada de decisões estratégicas, otimizando a 
geração e a distribuição de energia (Romagnole, 2023).
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

68

Podemos citar ainda algumas ações que estão se tornando comuns, com os 
“gêmeos digitais” (digital twins). Essa é uma tecnologia que combina IA e 
realidade aumentada para criar uma cópia virtual de uma planta real, e assim, 
monitorar em tempo real, dados como temperatura, vibração e consumo de 
energia de um sistema ou instalação (Pacete, 2022). De acordo com a Gartner, 
em 2021, metade das maiores empresas do mundo já utilizavam gêmeos 
digitais, e a estimativa para 2023 das receitas geradas a partir desta tecnologia 
foi de US$ 13 bilhões.





Assim como as demais aplicações envolvendo IA, em cidades inteligentes 
também existem desafios éticos e questões de privacidade. A transparência na 
coleta e uso de dados, bem como a consideração dos impactos sociais, são 
cruciais para garantir que a inovação tecnológica beneficie toda a comunidade.

Figura 27: Gêmeos digitais.

Fonte: Forbes.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.com
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.redesdesaude.com.br/aprendizado-de-maquina-machine-learning/
https://forbes.com.br/forbes-tech/2022/09/digital-twin-como-funciona-a-tecnologia-que-espelha-o-mundo-real/
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

69

1.3.6. Aprendizado de Máquina

Como a Inteligência Humana, a Inteligência Artificial também parte de um 
ponto para outro mais avançado por meio do aprendizado. Este aprendizado 
pode ser mais ou menos aprofundado, como ocorre também com os 
conhecimentos que nós adquirimos (Russel e Norvig, 2003). 

Desta forma, o aprendizado artificial ou Aprendizado de Máquina não é 
somente um subgrupo da IA, mas também toda a estrutura que permite, por 
meio de algoritmos, que uma IA ganhe mais autonomia e aperfeiçoamento em 
suas tarefas, fazendo com que um sistema fique mais inteligente (Kissinger et 
al., 2023).

Figura 28: Evolução da IA.

Fonte: Redes de Saúde.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.redesdesaude.com.br/aprendizado-de-maquina-machine-learning/
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

70

O ML se concentra no desenvolvimento de algoritmos e modelos 
estatísticos que permitem aos computadores executarem tarefas sem 
programação explícita. Por meio da análise de dados e padrões (treinamento), 
os sistemas de aprendizagem automática melhoram o seu desempenho ao 
longo do tempo, incrementando a sua capacidade de fazer previsões ou tomar 
decisões (IBM, 2023).

Ao invés de implementar rotinas de software, como na programação 
tradicional, com um conjunto específico de regras e instruções que quando 
atendidas realizam uma ação para completar uma tarefa em particular, em ML a 
máquina é “treinada” utilizando uma grande quantidade de dados e algoritmos 
que lhe proporcionam a habilidade de aprender como executar a tarefa, 
tomando decisões em situações que não são conhecidas. 

O processo do Machine Learning envolve as seguintes etapas:

1. Coleção de dados: os dados são coletados de várias fontes. Podem ser 
dados já existentes, que são aqueles que já foram coletados para outros 
propósitos, ou dados gerados especificamente para o treinamento do 
modelo.

2. Preparação de dados: os dados são preparados para o treinamento do 
modelo. O preparo dos dados deve envolver, se necessário, as etapas de 
limpeza, com a remoção de dados incorretos ou incompletos, e 
transformação, com a conversão dos dados para um formato que o modelo 
possa entender.

3. Escolha do algoritmo: Um algoritmo de Aprendizado de Máquina é 
selecionado para a tarefa específica que o modelo deve realizar. Existem 
muitos disponíveis, que serão apresentados nas próximas sessões, cada um 
com suas próprias vantagens e desvantagens.



D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

71

4. Treinamento do modelo: O modelo é treinado usando os dados de 
treinamento. Este processo pode ser dividido nas seguintes etapas:

● Inicialização: Os parâmetros do modelo são inicializados com 
valores aleatórios.

● Iteração: O modelo é apresentado a um conjunto de dados de 
treinamento e os parâmetros do modelo são ajustados para 
minimizar o erro de previsão.

● Parada: O processo de treinamento é interrompido quando o erro 
de previsão é aceitável.

5. Avaliação do modelo: O modelo é avaliado usando um conjunto de dados 
de teste que deve ser diferente do conjunto de dados de treinamento, para 
garantir que o modelo não esteja apenas memorizando estes dados.

6. Aprimoramento do modelo: Se o desempenho do modelo não for 
satisfatório, o modelo pode ser aprimorado usando as seguintes técnicas:

● Alteração do algoritmo de Aprendizado de Máquina.

● Mudança nos parâmetros do modelo.

● Aumento do tamanho do conjunto de dados de treinamento.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

72

O infográfico abaixo resume as etapas do Aprendizado de Máquina, 
condensando em três blocos principais: 





















Os modelos podem ser aplicados em uma variedade de domínios, desde 
reconhecimento de imagem e voz até diagnóstico médico, previsão financeira 
e recomendações personalizadas em plataformas online. A capacidade de 
aprender com dados e melhorar o desempenho ao longo do tempo faz do ML 
uma ferramenta poderosa com aplicações crescentes em diversas indústrias 
(Kissinger et al., 2023).

Esse aprendizado pode ocorrer de diversas formas, como Aprendizado 
Supervisionado (usando conjuntos de dados rotulados), Aprendizado não 
Supervisionado (encontrando padrões em conjuntos de dados não rotulados) 
e Aprendizado por Reforço (aprendendo com tentativa e erro).

Figura 29: Funcionamento do Machine Learning.

Fonte: Facti.



D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

73

1.3.6.1. Algoritmos para Aprendizado de 
máquina

A utilização eficaz de Machine Learning (ML) envolve a compreensão dos 
tipos de sistemas categorizados por métodos de treinamento, formas de 
aprendizado e modos de funcionamento. Estas categorias podem ser 
combinadas conforme a necessidade específica. São elas (Microsoft, 2022):

1. Supervisionado: Quando tentamos prever uma variável dependente a partir 
de uma lista de variáveis independentes.

2. Não Supervisionado: Quando não existem resultados pré-definidos para o 
modelo utilizar como referência para aprender.

3. Por reforço: Quando precisamos determinar qual é a melhor ação a ser 
tomada, dependendo das circunstâncias na qual essa ação será executada





Vamos nos aprofundar nestes tipos de aprendizado nas próximas seções 
deste capítulo.
Figura 30: Tipos de Aprendizado de Máquina.

Fonte: Medium

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://hlima.me/o-que-%C3%A9-intelig%C3%AAncia-artificial-e-aprendizado-de-m%C3%A1quina-92c0903ee7ea
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

1.3.6.1.1. Aprendizado Supervisionado

O Aprendizado Supervisionado possui alguns modelos que propõem 
técnicas diferentes para tipos de análises de dados diferentes, vejamos estes 
modelos:

1. Regressão: O modelo por regressão, no contexto doAprendizado de 
Máquina Supervisionado, é fundamental para resolver problemas em que a 
tarefa envolve a predição de valores numéricos. Visa estimar uma variável 
contínua com base nas relações identificadas nos dados de treinamento. 
Esses modelos são amplamente utilizados em situações como previsão de 
vendas, análise financeira e qualquer contexto em que a resposta desejada 
seja um número real. A flexibilidade e aplicabilidade dos modelos de 
regressão no Aprendizado de Máquina supervisionado destacam sua 
importância na resolução de uma ampla gama de problemas do mundo real 
(Microsoft, 2022).

Este modelo segue a seguinte função como parâmetro:













Exemplo de aplicação: Se queremos prever a quantidade de bicicletas 
alugadas num dia futuro (Y), precisaríamos alimentar a regressão com os 
seguintes dados de entrada para análise (X): quantidade de bicicletas alugadas 
nos dias anteriores, temperatura média dos dias anteriores, dias da semana.

74

Figura 31: Função de regressão .

Fonte: Microsoft AI900.
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.redesdesaude.com.br/aprendizado-de-maquina-machine-learning/
https://learn.microsoft.com/pt-br/training/paths/get-started-with-artificial-intelligence-on-azure/
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

75

2. Classificação: o modelo por classificação é uma abordagem essencial para 
resolver problemas em que o objetivo é atribuir uma classe ou rótulo a 
instâncias de dados com base em padrões previamente identificados. Nesse 
método, o modelo é treinado usando um conjunto de dados rotulado, onde 
as entradas estão associadas a suas respectivas classes conhecidas. 
Durante o treinamento, o algoritmo busca aprender a relação entre as 
características das instâncias e suas classes correspondentes. Após o 
treinamento, o modelo torna-se capaz de generalizar para novos dados não 
rotulados, classificando-os com base no conhecimento adquirido durante a 
fase de treinamento. A classificação é uma técnica poderosa com amplas 
aplicações, desde diagnósticos médicos até reconhecimento de padrões em 
grandes conjuntos de dados, destacando-se como uma ferramenta valiosa 
no arsenal do Aprendizado de Máquina supervisionado (Microsoft, 2022).

Exemplo: prever as chances de um paciente ter diabetes (Y) por meio das 
entradas de dados (X): Histórico de doenças do paciente, quais tiveram 
diabetes.

3. Matriz de confusão: é uma ferramenta crucial no Aprendizado de Máquina 
supervisionado, fornecendo uma visão abrangente do desempenho do 
modelo de classificação. Essa matriz organiza os resultados da classificação 
em quatro categorias: verdadeiro positivo, verdadeiro negativo, falso 
positivo e falso negativo.

A diagonal principal da matriz representa as previsões corretas, enquanto 
as células fora dessa diagonal indicam erros de classificação. A matriz de 
confusão é particularmente valiosa para avaliar a sensibilidade e a 
especificidade do modelo, além de calcular métricas como precisão, recall e 
F1-score. 





D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

76

Ao analisar a distribuição dos resultados, os praticantes de Aprendizado de 
Máquina podem ajustar e otimizar seus modelos para alcançar um 
desempenho mais preciso e confiável. A interpretação cuidadosa da matriz de 
confusão é essencial para avaliar a eficácia de modelos de classificação e 
orientar refinamentos necessários durante o processo de desenvolvimento 
(Microsoft, 2022).























Abaixo estão os significados das métricas utilizadas neste modelo:

● Acurácia: indica uma performance geral do modelo. Dentre todas as 
classificações, quantas o modelo classificou corretamente (% diagonal);

● Precisão: dentre todas as classificações de classe Positivo que o modelo 
fez, quantas estão corretas (% linha de cima);

● Recall/reinvocação/sensibilidade: dentre todas as situações de classe 
Positivo como valor esperado, quantas estão corretas(% primeira coluna);

● F1-Score: média harmônica entre precisão e recall.







Figura 32: Matriz de confusão.

Fonte: Medium
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.redesdesaude.com.br/aprendizado-de-maquina-machine-learning/
https://medium.com/@mateuspdua/machine-learning-m%C3%A9tricas-de-avalia%C3%A7%C3%A3o-acur%C3%A1cia-precis%C3%A3o-e-recall-d44c72307959
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

77

1.3.6.1.2. Aprendizado não Supervisionado

O algoritmo é desafiado a aprender padrões sem a orientação explícita dos 
dados. Por exemplo, robôs que aprendem a limpar a casa reconhecendo 
padrões diários de poeira.

Este paradigma é amplamente utilizado em tarefas como clustering, em que 
o algoritmo agrupa automaticamente instâncias de dados sem conhecer 
antecipadamente suas categorias. Ele é essencial para explorar padrões 
intrínsecos em grandes conjuntos de dados, proporcionando insights valiosos e 
facilitando a compreensão de estruturas complexas sem a necessidade de 
rótulos explícitos (Souza, 2021).

Figura 33: ML Aprendizado não Supervisionado.

Fonte: Learning Data.
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.redesdesaude.com.br/aprendizado-de-maquina-machine-learning/
https://www.learningdata.dev/post/fundamentos-basicos-do-machine-learning-que-voce-precisa-saber#viewer-d9in1
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

78

1.3.6.1.3. Aprendizado Semi Supervisionado

O Aprendizado de Máquina Semi Supervisionado se situa entre os 
paradigmas supervisionado e não supervisionado, incorporando características 
de ambos. Nesse cenário, o modelo é treinado em um conjunto de dados que 
contém tanto dados rotulados quanto não rotulados. Enquanto utiliza os dados 
rotulados para aprender padrões e fazer previsões, o modelo também aproveita 
as informações dos dados não rotulados para aprimorar sua generalização e 
capacidade de lidar com novos exemplos (Russel e Norvig, 2022). 

Esse enfoque é particularmente útil em cenários em que a rotulação 
completa dos dados é custosa ou impraticável. O Aprendizado de Máquina semi 
supervisionado oferece uma solução equilibrada, permitindo que modelos se 
beneficiem da orientação fornecida pelos dados rotulados e, simultaneamente, 
explorem a riqueza dos dados não rotulados para uma aprendizagem mais 
robusta e abrangente.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

79

1.3.6.1.4. Aprendizado por Reforço























O Aprendizado de Máquina por Reforço é um paradigma onde um agente 
aprende a realizar ações em um ambiente para maximizar uma recompensa 
cumulativa ao longo do tempo. Este método é inspirado em processos de 
aprendizado em seres vivos, em que o comportamento é moldado por meio de 
experiências e feedback positivo ou negativo. 

Um exemplo prático notável é o treinamento de agentes de Inteligência 
Artificial para jogos. O agente, muitas vezes representado por uma rede neural, 
interage com o ambiente do jogo, fazendo escolhas de ações com o objetivo de 
maximizar uma pontuação ou recompensa. Conforme o agente recebe feedback 
sobre suas ações, ele ajusta suas estratégias para melhorar o desempenho ao 
longo do tempo. 

Figura 34: Exemplo de Aprendizagem de Máquina por Reforço.

Fonte: Redes de saúde.
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.redesdesaude.com.br/aprendizado-de-maquina-machine-learning/
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

80

O Aprendizado de Máquina por Reforço também é aplicado em setores 
como robótica, automação industrial e até mesmo em otimizações de processos 
em empresas. Essa abordagem dinâmica e adaptativa tem demonstrado grande 
eficácia em lidar com ambientes complexos e incertos, sendo este o cenário 
encontrado por aplicações críticas, como a operação de carros autônomos.





















Encerramos assim o entendimento necessário sobre algoritmos de IA para, 
na próxima seção, discutir sobre outro nível de Aprendizado de Máquina: as 
redes neurais e o Deep Learning.



Figura 35: Exemplo de aprendizado por reforço em carro autônomo. 

Fonte: LAMFO

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://lamfo-unb.github.io/2017/07/27/tres-tipos-am/
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

81

1.3.7. Redes neurais e Deep Learning

Para iniciarmos este conteúdo, precisamos rapidamente trazer o contexto 
histórico a partir do cenário resumido por Russel e Norvig (2022).

Em 1943, Warren McCulloch e Walter Pitts, neurocientistas estadunidense 
publicaram o artigo "Um Cálculo Lógico das Ideias Imanentes na Atividade 
Nervosa”, propondo um modelo matemático para os neurônios artificiais, 
entrando para a história como neurônio de McCulloch-Pitts.

Em seguida, já em 1949, Donald Olding Hebb, psicólogo canadense, publica 
sua obra "A Organização do Comportamento: Uma Teoria Neuropsicológica”, em 
que propõe uma teoria da aprendizagem que veio a se chamar regra (teoria) de 
Hebb.

Já comentamos anteriormente acerca do nascimento da primeira rede 
neural ainda no final da década de 1950 por Frank Rosenblatt, cientista da 
computação estadunidense na Universidade de Cornell.

Rosenblatt criou uma rede de múltiplos neurônios dispostos em camadas, 
sendo eles discriminadores lineares. Essa rede recebeu o nome de perceptrons.

Em seguida, com a publicação do livro Perceptrons, Minsky e Papert 
concluíram que o Perceptron, proposto por Rosenblatt, eram limitados a 
resolver apenas problemas linearmente separáveis, sem a utilização de redes 
neurais com mais de uma camada. Esta conclusão paralisou por algum tempo os 
próximos avanços na área das redes neurais.

Foi a partir da década de 1970, que os campos de Inteligência Artificial junto 
com o processamento digital de imagens e o Aprendizado de Máquina 
cresceram e se desenvolveram (Szeliski, 2022). 

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

82

O trabalho de John Hopfield, físico, biólogo e neurologista estadunidense, 
em 1982 foi considerado um marco para a história das redes neurais ao 
introduzir o modelo de rede neural recorrente capaz de armazenar e recuperar 
memórias, vindo a ser batizado pelo nome de seu descobridor (rede neural 
Hopfield).

Em 1986, Rumelhart, Hinton e Willians demonstraram a capacidade de 
treinar eficientemente as redes contendo camadas intermediárias, implicando 
no modelo atual de redes neurais artificiais, a chamada Perceptron Multi 
Camadas, introduzindo um método poderoso conhecido por Backpropagation.

Antes de definirmos o que é uma rede neural, explicaremos sobre seus 
neurônios artificiais e a analogia ao sistema nervoso de organismos vivos. Um 
neurônio artificial é inspirado no neurônio biológico, uma célula nervosa 
responsável pela transmissão dos impulsos nervosos, é uma unidade básica do 
sistema nervoso central e sua comunicação se dá por meio das sinapses.

Figura 36: Representação artística de um neurônio biológico com suas sinapses (ligações).

Fonte: imagem gerada por IA.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

83

O neurônio biológico é composto de três partes, soma (seu corpo celular), 
seguido dos dendritos, responsável pela entradas nervosas e por fim, dos 
axônios, responsáveis pela saída dos sinais do neurônio.

O cérebro humano tem em média 1011 neurônios, como cada neurônio 
forma entre 1 mil e 10 mil sinapses, estima-se 1014 sinapses em nosso cérebro, 
formando uma rede completissima!

Imitando o sistema biológico, o neurônio artificial, a unidade de 
processamento de uma rede neural, possui uma capacidade de operação local a 
partir de suas entradas. Seu comportamento inteligente se deve a interação 
entre essas unidade de processamento.

Assim como o nosso sistema nervoso, uma rede neural possui uma série de 
camadas. Temos as camadas de entrada, onde os padrões são apresentados à 
rede neural. Em seguida, vem as camadas internas conhecidas como camadas 
intermediárias (ou escondidas, em inglês, hidden layers). Por fim, temos a 
camada de saída, onde apresenta-se o resultado do processamento executado 
pela rede neural.

Figura 37: Imagem representando uma rede neural multi camadas.

Fonte: Wikimedia Commons.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://upload.wikimedia.org/wikipedia/commons/thumb/0/00/Multi-Layer_Neural_Network-Vector-Blank.svg/2560px-Multi-Layer_Neural_Network-Vector-Blank.svg.png
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

84

Assim, pode-se definir redes neurais como modelos computacionais 
inspirados na estrutura e funcionamento do cérebro humano. Consistem em 
nós interconectados, ou neurôniosartificiais, organizados em camadas. As 
redes neurais são usadas no Aprendizado de Máquina para reconhecer 
padrões, tomar decisões e melhorar a precisão por meio de treinamento em 
grandes conjuntos de dados (Pregowska e Osial, 2022).

























As redes neurais permitem a implementação de um nível específico de IA, 
conhecido como Deep Learning.



Figura 38: Rede Neural Artificial.

Fonte: UNESP.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://parajovens.unesp.br/autoria/agnieszka-pregowska/
https://parajovens.unesp.br/o-que-e-uma-rede-social-e-para-que-serve/
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

85

Deep Learning é um subconjunto de Aprendizado de Máquina que envolve 
redes neurais com múltiplas camadas (redes neurais profundas). É excelente no 
processamento e análise de grandes quantidades de dados, permitindo 
capacidade de aprendizagem e tomada de decisão mais complexas e 
sofisticadas.

É uma abordagem revolucionária que visa imitar o funcionamento do 
cérebro humano. Diferentemente do Aprendizado de Máquina convencional, o 
Deep Learning permite que modelos aprendam automaticamente 
representações hierárquicas complexas e extraiam informações específicas a 
partir de dados brutos (Oracle, 2024).

Veja abaixo no infográfico a comparação entre os níveis de Aprendizado de 
Máquina: 





Figura 39: Níveis de Aprendizado de Máquina.

Fonte: Oficina de valor.



D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://oficinadevalor.com.br/ng/i-a-machine-learning-e-deep-learning-replicar-memorizar-e-aprender/
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

86

Os modelos de Aprendizado Profundo absorvem informações de várias 
fontes de dados e analisam esses dados em tempo real, sem a necessidade de 
intervenção humana. Para isso, são necessárias unidades de processamento 
gráfico (GPUs) otimizadas para modelos de treinamento, ideais para processar 
vários cálculos simultaneamente (Oracle, 2024).

O Deep Learning, ao se aprofundar nas complexidades das redes neurais, 
tem transformado a paisagem da IA. Sua capacidade de aprender 
automaticamente a partir de dados brutos posiciona-o como uma ferramenta 
poderosa em diversas aplicações, impulsionando muitas tecnologias de IA que 
podem melhorar a automação e as tarefas analíticas (Neurotech, 2019).



Figura 40: IA vs. ML vs. Deep Learning.

Fonte: Neurotech.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.oracle.com/br/artificial-intelligence/
https://www.neurotech.com.br/blog/deep-learning-moda-realidade/
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

87

Somente citando usos mais corriqueiros e conhecidos, as técnicas de Deep 
Learning são aplicadas para personalizar a navegação na internet e uso de 
smartphones, para gerar legendas em vídeos do YouTube, executar o 
reconhecimento de fala em telefones e alto-falantes inteligentes, fornecer 
reconhecimento facial para fotografias e habilitar carros autônomos.

Por fim, temos falado muito que para o Aprendizado de Máquina é 
essencial o uso de dados, que necessariamente precisam ser captados e 
trabalhados de alguma forma para serem utilizados pelos sistemas de IA. 
Então, vamos tratar na próxima seção sobre este assunto, aprofundando 
nossos conhecimento em “Mineração de dados”.

1.3.8. Mineração de dados

Mineração de dados (ou Data Mining) é um conjunto de técnicas que se 
baseia em vários campos que se sobrepõem, incluindo análise estatística, 
Machine Learning (ML) e matemática. Ela é utilizada em análises que 
necessitam processar e explorar grandes conjuntos de dados (AWS, 2023). Com 
ferramentas e métodos de mineração de dados, as organizações podem 
descobrir padrões e relacionamentos ocultos em seus dados, transformando 
dados dados brutos em conhecimento prático. As empresas usam esse 
conhecimento para resolver problemas, analisar o impacto futuro das decisões 
de negócios e aumentar suas margens de lucro. 

Portanto, podemos resumir que a mineração de dados é um processo 
complexo e estruturado que visa descobrir padrões, relações e informações 
úteis em grandes conjuntos de dados. Por ser complexo, esse processo é 
comumente dividido em fases distintas, cada uma desempenhando um papel 
crucial na extração de conhecimento. 





D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://blogs.oracle.com/oracle-france/deep-learning-definition
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

88

Vamos explorar as fases propostas pelas melhores práticas ditadas pela 
metodologia CRISP-DM (Cross Industry Standard Process for Data Mining) para 
organização de projetos de mineração de dados (Chapman, 2000) :

1. Compreensão do negócio: a primeira fase envolve entender 
completamente os objetivos e requisitos do negócio. Nesta etapa, os 
especialistas em mineração de dados colaboram com os envolvidos em 
determinada ação empresarial ou projeto para definir claramente os 
problemas a serem resolvidos e os resultados desejados. Essa compreensão 
é fundamental para orientar o processo de mineração de dados em direção 
aos objetivos.

2. Compreensão dos dados: antes de iniciar a análise, é essencial explorar e 
compreender os dados disponíveis. Isso inclui a identificação de fontes de 
dados, a avaliação da qualidade dos dados, e a compreensão das 
características essenciais, como distribuição, variabilidade e relevância. Uma 
análise aprofundada dos dados estabelece as bases para as etapas 
subsequentes.

3. Pré-processamento de dados: nesta fase, os dados brutos são preparados 
para a análise. Isso inclui a limpeza de dados inconsistentes, a normalização 
de escalas e a transformação de variáveis quando necessário. O 
pré-processamento visa garantir que os dados estejam prontos para serem 
alimentados nos algoritmos de mineração, melhorando a qualidade dos 
resultados.

4. Modelagem: a fase de modelagem é onde os algoritmos de mineração de 
dados são aplicados aos dados preparados. Diferentes técnicas, como 
árvores de decisão, redes neurais e algoritmos de clustering, são utilizadas 
para identificar padrões e extrair informações valiosas. Durante esta etapa, 
os parâmetros dos modelos são ajustados para otimizar o desempenho.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

89

5. Avaliação: a avaliação dos modelos gerados é uma fase crítica paragarantir a eficácia e a relevância dos resultados. Métricas como precisão, 
recall e F1-score são frequentemente utilizadas para medir o desempenho 
do modelo em relação aos objetivos estabelecidos. Essa avaliação permite 
ajustes adicionais e refinamentos, se necessário.

6. Implementação e interpretação: a última fase envolve a implementação 
dos resultados na prática. Os insights extraídos são traduzidos em ações ou 
estratégias de negócios. Além disso, é crucial interpretar os resultados de 
maneira compreensível para os não especialistas, facilitando a tomada de 
decisões informadas.

Em conjunto, essas seis fases formam um ciclo contínuo de mineração de 
dados, onde a retroalimentação constante e a adaptação são essenciais para 
garantir a eficácia e a relevância contínuas do processo, conforme ilustra a 
figura abaixo:

Figura 41: Etapas de Extração, Processamento e Carregamento de dados.

Fonte: adaptado de Fayyad et al. (1996).

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

90

Neste momento, retorne ao Google Sala de Aula e, na aba 
"Atividades", procure a seção intitulada "Etapa Conceitualizar".

Nessa área você encontrará uma série de links com materiais 
que foram criteriosamente escolhidos e disponibilizados. Trata-se de 
recursos que têm por objetivo apresentar informações adicionais e 
insights, permitindo que você amplie e enriqueça o seu 
conhecimento acerca dos temas discutidos neste capítulo.

Este momento final do capítulo deve lhe proporcionar reflexões 
críticas a respeito do conteúdo abordado, ajudando na 
compreensão e fixação do conteúdo.
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

91

1.4. Consolidar

1.4.1. Consolidando o conhecimento 

Após nos aprofundarmos nos conceitos mais importantes da IA, conhecer 
aplicações e discutir métodos de Aprendizado de Máquina, finalizamos este 
capítulo nesta seção, que tem a função de te ajudar a consolidar sua visão 
sobre esses assuntos. Primeiro, vamos a um exercício de autoconhecimento, 
apresentado a seguir, e por último você poderá retomar o estudo de caso:

● Pense em IA e tudo o que viu neste capítulo. Agora, analise bem cada uma 
das três figuras abaixo, uma por vez, e reflita: qual foi a sua primeira 
percepção ao olhar a imagem? O que ela te lembra? Se fosse discutir algum 
assunto sobre a imagem, o que seria? Na próxima página você poderá 
comparar as suas percepções com a do autor.



Figura 42: Exercício Consolidar.

Fonte: IT Forum.

1

Figura 43: Exercício Consolidar.

Fonte: UOL.

2

Figura 44: Exercício Consolidar.

Fonte: Fast Company Brasil.

3

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://itforum.com.br/noticias/7-carreiras-ia-generativa-robert-half/
https://ne10.uol.com.br/mundobit/2019/07/22/fusao-homem-maquina-continua-sendo-uma-fantasia/index.html
https://fastcompanybrasil.com/tech/inteligencia-artificial/cientistas-usam-ia-generativa-na-busca-por-tratamentos-para-doencas-incuraveis/
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

92

● Ponto de vista do autor sobre as imagens:

Na figura 1, a ideia é ilustrar um ponto que discutimos durante o capítulo, 
sobre a influência da IA no mundo do trabalho e profissões, especialmente no 
que diz respeito ao nosso posicionamento frente às novas tecnologias, 
enxergando-as como oportunidade de novas colocações, de melhorias no modo 
de realizar nosso trabalho e otimização nos meios de produção. Temê-la não é 
mais uma opção, já que a IA, aparentemente, veio para ficar e permanecer. O 
que devemos é ter o cuidado ético para fazer bom uso dela, inclusive no mundo 
do trabalho.

A figura 2 trata de algo que parecia muito mais distante, e fora de qualquer 
discussão envolvendo a realidade: a fusão homem-máquina. Entretanto, cada 
vez mais verificamos o surgimento de implantes de chips subcutâneos, órgãos 
e membros biônicos entre outras tecnologias inteligentes incorporadas ao 
corpo. Tudo isso nos leva a crer que, continuando nessa crescente, veremos 
novas possibilidades nos próximos anos e décadas, e descobriremos que a ideia 
de uma integração total entre a Inteligência Humana com a Artificial não é algo 
restrito aos filmes de ficção como achávamos outrora.

Por fim, na figura 3 reside uma das grandes esperanças em relação ao uso 
da IA: a descoberta da cura para doenças hoje tidas como incuráveis. Espera-se, 
para os próximos anos, que a IA acelere pesquisas que trarão avanços nesse 
sentido, e, quem sabe, poderemos deixar de ver pessoas morrendo de 
enfermidades que atualmente não possuem tratamento nem vacinas.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

1.4.2. Solução final do estudo de caso


























Você se lembra que o cenário do estudo de caso simulava um convite para 
que você integrasse a equipe da Facti que iria produzir um material didático de 
um curso da área de TI? 

Se não se recorda, volte à "Etapa Inspirar" para rever o problema 
trabalhado.

Você deveria desenvolver um texto que convencesse aos leitores de que a 
IA, uma vez aplicada de forma consciente e responsável, produz mais 
benefícios do que malefícios, em resposta ao seguinte questionamento: 
“Inteligência Artificial - devemos temê-la ou abraçá-la?”. 

93

Inicialmente, releia com atenção o cenário do estudo de caso da 
"Etapa Inspirar" e as suas anotações e conclusões iniciais. Na 
sequência, você deverá promover o aprimoramento da solução 
anteriormente apresentada usando os conhecimentos que obteve 
ao longo do capítulo e do conteúdo adicional.

Lembre-se de que este aprimoramento não será objeto de 
correção ou avaliação: trata-se de uma atividade individual que 
deverá lhe ajudar a refletir sobre os conceitos que foram estudados 
e a testar novos cenários e hipóteses, validando os seus resultados 
práticos.
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

94

O ponto de partida é revisitar as anotações de suas ideias iniciais que 
registrou na "Etapa Inspirar". Em seguida, verifique possíveis aprimoramentos 
no seu texto mediante tudo o que aprendeu neste capítulo.

Arquive o refinamento do estudo de caso no formulário disponível 
no Google Sala de Aula, na aba “Etapa Consolidar”.
D
oc
um
en
to
 a
ss
in
ado 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

95

1.5. Avaliar 

Para concluir este capítulo, você deverá realizar a “Etapa Avaliar”, que 
consiste no preenchimento do Questionário de Avaliação disponível no Google 
Sala de Aula e que tem como objetivo permitir que você acompanhe 
individualmente a evolução do seu aprendizado.

Não será atribuída nota para a atividade, mas a sua entrega é obrigatória, 
pois, acima de tudo, servirá como insumo para uma análise pessoal e também 
para a realização de autocrítica a respeito dos pontos compreendidos e daqueles 
que exigem maior dedicação.

O formulário salvará as respostas de forma automática e, por isso, pode ser 
iniciado em um momento e finalizado posteriormente. Ele também será 
disponibilizado a você, para que faça consultas futuras. Além dos materiais 
didáticos fornecidos, você poderá usar quaisquer outros recursos e referências. 
Todavia, atente para o fato de que poderá respondê-lo somente uma vez.

 O registro e envio das respostas é individual e deve ser realizado dentro do 
prazo estipulado para a realização do curso.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

96

Referências

ABB. Robôs colaborativos já são realidade na Indústria 4.0. ABB Press release, 
2021. Disponível em: https://new.abb.com/news/pt-br/detail/74647/robos- 
colaborativos-ja-sao-realidade-na-industria-40. Acesso em: 23 janeiro 2024.

AWS. O que é computação quântica? AWS, 2023. Disponível em: 
https://aws.amazon.com/pt/what-is/quantum-computing/. Acesso em: 22 janeiro 
2024.

AWS. O que é mineração de dados? AWS, 2023. Disponível em: 
https://aws.amazon.com/pt/what-is/data-mining/. Acesso em: 22 janeiro 2024.

CONECTARAGRO. Gestão eficiente de irrigação: produtividade e 
sustentabilidade nas áreas rurais. ConectarAGRO, 2022. Disponível em: 
https://blog.conectaragro.com.br/gestao-eficiente-de-irrigacao/. Acesso em: 22 
janeiro 2024.

CRISP-DM — Organizando seu projeto de mineração de dados. Medium, 
2023. Disponível em: https://medium.com/@ia.bb/crisp-dm-organizando-seu- 
projeto-de-minera%C3%A7%C3%A3o-de-dados-fdb0399cbd9b. Acesso em: 22 
janeiro 2024.

DVORSKY, G. Too smart for our own good: How artificial superintelligence 
could lead to humanity’s demise. Genetic Literacy Project, 2021. Disponível em: 
https://geneticliteracyproject.org/2021/06/16/too-smart-for-our-own-good- 
how-artificial-superintelligence-could-lead-to-humanitys-demise/. Acesso em: 18 
janeiro 2024.

EMBRATEL. Qual o impacto da Inteligência Artificial na segurança dos 
dados? Redação Embratel, 2020. Disponível em: https://proximonivel.embratel. 
com.br/qual-o-impacto-da-inteligencia-artificial-na-seguranca-dos-dados/. 
Acesso em: 22 janeiro 2024.

ESTADÃO. Como a inteligência artificial pode afetar a mobilidade urbana. 
Redação Mobilidade, 2023. Disponível em: https://mobilidade.estadao.com.br 
/inovacao/como-a-inteligencia-artificial-pode-afetar-a-mobilidade-urbana/#:~:tex
t=Por%20fim%2C%20os%20ve%C3%ADculos%20aut%C3%B4nomos,como%20a%
20Tesla%2C%20por%20exemplo. Acesso em: 20 janeiro 2024.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://new.abb.com/news/pt-br/detail/74647/robos-colaborativos-ja-sao-realidade-na-industria-40
https://new.abb.com/news/pt-br/detail/74647/robos-colaborativos-ja-sao-realidade-na-industria-40
https://aws.amazon.com/pt/what-is/quantum-computing/
https://aws.amazon.com/pt/what-is/data-mining/
https://blog.conectaragro.com.br/gestao-eficiente-de-irrigacao/
https://medium.com/@ia.bb/crisp-dm-organizando-seu-projeto-de-minera%C3%A7%C3%A3o-de-dados-fdb0399cbd9b
https://medium.com/@ia.bb/crisp-dm-organizando-seu-projeto-de-minera%C3%A7%C3%A3o-de-dados-fdb0399cbd9b
https://geneticliteracyproject.org/2021/06/16/too-smart-for-our-own-good-how-artificial-superintelligence-could-lead-to-humanitys-demise/
https://geneticliteracyproject.org/2021/06/16/too-smart-for-our-own-good-how-artificial-superintelligence-could-lead-to-humanitys-demise/
https://proximonivel.embratel.com.br/qual-o-impacto-da-inteligencia-artificial-na-seguranca-dos-dados/
https://proximonivel.embratel.com.br/qual-o-impacto-da-inteligencia-artificial-na-seguranca-dos-dados/
https://mobilidade.estadao.com.br/inovacao/como-a-inteligencia-artificial-pode-afetar-a-mobilidade-urbana/#:~:text=Por%20fim%2C%20os%20ve%C3%ADculos%20aut%C3%B4nomos,como%20a%20Tesla%2C%20por%20exemplo
https://mobilidade.estadao.com.br/inovacao/como-a-inteligencia-artificial-pode-afetar-a-mobilidade-urbana/#:~:text=Por%20fim%2C%20os%20ve%C3%ADculos%20aut%C3%B4nomos,como%20a%20Tesla%2C%20por%20exemplo
https://mobilidade.estadao.com.br/inovacao/como-a-inteligencia-artificial-pode-afetar-a-mobilidade-urbana/#:~:text=Por%20fim%2C%20os%20ve%C3%ADculos%20aut%C3%B4nomos,como%20a%20Tesla%2C%20por%20exemplo
https://mobilidade.estadao.com.br/inovacao/como-a-inteligencia-artificial-pode-afetar-a-mobilidade-urbana/#:~:text=Por%20fim%2C%20os%20ve%C3%ADculos%20aut%C3%B4nomos,como%20a%20Tesla%2C%20por%20exemplo
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

97

FAYYAD, U.M.; PIATETSKY-SHAPIRO, G.; SMYTH, P.; UTHURUSAMY,R. Advances in 
knowledge discovery and data mining. [S.l.]: AAAI/MIT Press, 1996.

FERREIRA, D. Como funciona a Inteligência Artificial: guia completo com 
exemplos. Web Estratégica, 2023. Disponível em: https://webestrategica. 
com.br/como-funciona-a-inteligencia-artificial/. Acesso em: 17 janeiro 2024.

GONÇALVES, A.L.D. Prêmio Jabuti desclassifica livro ilustrado com 
ferramenta de IA. Tecmundo, 2023. Disponível em: https://www.tecmundo. 
com.br/software/273742-premio-jabuti-desclassifica-livro-ilustrado-ferramenta-i
a.htm. Acesso em: 17 janeiro 2024.

GURGEL, C.H. Alan: um gênio, um revolucionário e um símbolo. Jovens 
Cientistas Brasil, 2023. Disponível em : https://www.jovenscientistasbrasil. 
com.br/post/alan-turing-um-g%C3%AAnio-um-revolucion%C3%A1rio-e-um-s%C
3%ADmbolo . Acesso em: 17 janeiro 2024.

IBM. O que é a IA forte?. IBM, 2023. Disponível em: 
https://www.ibm.com/br-pt/topics/strong-ai. Acesso em: 20 janeiro 2024.

INSTITUTO UNIBANCO. Inteligência Artificial na Educação: conheça os 
efeitos dessa tecnologia no ensino e na aprendizagem. Observatório de 
educação, 2023. Disponível em: https://observatoriodeeducacao.instituto 
unibanco.org.br/em-debate/inteligencia-artificial-na-educacao. Acesso em: 23 
janeiro 2024.

LAPOLA, M. Como os computadores quânticos podem mudar o mundo que 
conhecemos. Revista Galileu, 2021. Disponível em: https://revistagalileu.globo. 
com/Ciencia/noticia/2021/12/como-os-computadores-quanticos-podem-mudar-
o-mundo-que-conhecemos.html. Acesso em: 25 janeiro 2024.

MCCARTHY, J. What is artificial intelligence?. Computer Science Department - 
Stanford University, 2007. Disponível em: http://www-formal.stanford.edu/jmc/. 
Acesso em: 16 janeiro 2024.

MICROSOFT. Conceitos básicos de IA do Microsoft Azure: Visão geral da IA. 
Microsoft Learn, 2023. Disponível em: https://learn.microsoft.com/pt-br/ 
training/paths/get-started-with-artificial-intelligence-on-azure/.Acesso em: 20 
janeiro 2024.

NEUROTECH. Deep Learning: Moda ou Realidade? Neurotech, 2019. 
Disponível em: https://www.neurotech.com.br/blog/deep-learning-moda- 
realidade/. Acesso em: 22 janeiro 2024.



D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://webestrategica.com.br/como-funciona-a-inteligencia-artificial/
https://webestrategica.com.br/como-funciona-a-inteligencia-artificial/
https://www.tecmundo.com.br/software/273742-premio-jabuti-desclassifica-livro-ilustrado-ferramenta-ia.htm
https://www.tecmundo.com.br/software/273742-premio-jabuti-desclassifica-livro-ilustrado-ferramenta-ia.htm
https://www.tecmundo.com.br/software/273742-premio-jabuti-desclassifica-livro-ilustrado-ferramenta-ia.htm
https://www.jovenscientistasbrasil.com.br/post/alan-turing-um-g%C3%AAnio-um-revolucion%C3%A1rio-e-um-s%C3%ADmbolo
https://www.jovenscientistasbrasil.com.br/post/alan-turing-um-g%C3%AAnio-um-revolucion%C3%A1rio-e-um-s%C3%ADmbolo
https://www.jovenscientistasbrasil.com.br/post/alan-turing-um-g%C3%AAnio-um-revolucion%C3%A1rio-e-um-s%C3%ADmbolo
https://www.ibm.com/br-pt/topics/strong-ai
https://observatoriodeeducacao.institutounibanco.org.br/em-debate/inteligencia-artificial-na-educacao
https://observatoriodeeducacao.institutounibanco.org.br/em-debate/inteligencia-artificial-na-educacao
https://revistagalileu.globo.com/Ciencia/noticia/2021/12/como-os-computadores-quanticos-podem-mudar-o-mundo-que-conhecemos.html
https://revistagalileu.globo.com/Ciencia/noticia/2021/12/como-os-computadores-quanticos-podem-mudar-o-mundo-que-conhecemos.html
https://revistagalileu.globo.com/Ciencia/noticia/2021/12/como-os-computadores-quanticos-podem-mudar-o-mundo-que-conhecemos.html
http://www-formal.stanford.edu/jmc/
https://learn.microsoft.com/pt-br/training/paths/get-started-with-artificial-intelligence-on-azure/
https://learn.microsoft.com/pt-br/training/paths/get-started-with-artificial-intelligence-on-azure/
https://www.neurotech.com.br/blog/deep-learning-moda-realidade/
https://www.neurotech.com.br/blog/deep-learning-moda-realidade/
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

98

NORVIG, P.; RUSSEL, S. Inteligência Artificial: Uma Abordagem Moderna. LTC 
editora 4ª edição, 2022.

ONODY, R.N. Teste de Turing e Inteligência Artificial. IFSC, 2021. Disponível 
em: https://www2.ifsc.usp.br/portal-ifsc/teste-de-turing-e-inteligencia-artificial/. 
Acesso em: 17 janeiro 2024.

ORACLE. O que é Deep Learning? Disponível em: 
https://www.oracle.com/br/artificial-intelligence/machine-learning/what-is-deep
-learning/. Acesso em: 22 janeiro 24.

ORBIA. Como a Inteligência Artificial está transformando a agricultura. 
Orbia, 2023. Disponível em: https://www.orbia.ag/novidades/como-a- 
inteligencia-artificial-esta-transformando-a-agricultura. Acesso em: 22 janeiro 
2024.

PACETE, Luiz Gustavo. Digital twin: como funciona a tecnologia que espelha 
o mundo real. Forbes Tech, 2022. Disponível em: 
https://forbes.com.br/forbes-tech/2022/09/digital-twin-como-funciona-a-tecnol
ogia-que-espelha-o-mundo-real/. Acesso em 22 janeiro 2024.

PARLAMENTO EUROPEU. O que é a Inteligência Artificial e como funciona? 
PE, 2023. Disponível em: https://www.europarl.europa.eu/news/pt/headlines/ 
society/20200827STO85804/o-que-e-a-inteligencia-artificial-e-como-funciona. 
Acesso em: 16 janeiro 2024.

PERGENTINO, Camila. Inteligência artificial pode aumentar em 14% a 
produtividade de trabalhadores, aponta estudo. Época Negócios, 2023.. 
Disponível em: https://epocanegocios.globo.com/futuro-do-trabalho/noticia/ 
2023/04/inteligencia-artificial-aumenta-em-14percent-a-produtividade-de-trabal
hadores-aponta-estudo.ghtml. Acesso em: 24 janeiro 2024.

PINHEIRO, Guilherme P. A Regulação da Inteligência Artificial: Visões das 
Propostas da Câmara dos Deputados e do Senado Federal. Disponível em: 
https://www.brasil-economia-governo.org.br/2023/06/05/a-regulacao-da-intelig
encia-artificial-visoes-das-propostas-da-camara-dos-deputados-e-do-senado-fed
eral/. Acesso em 20 janeiro 2024.

PREGOWSKA, A.; OSIALl, M. O que é uma rede neural e para que serve?. 
UNESP, 2022. Disponível em https://parajovens.unesp.br/o-que-e-uma-rede- 
social-e-para-que-serve/. Acesso em: 20 janeiro 2024.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www2.ifsc.usp.br/portal-ifsc/teste-de-turing-e-inteligencia-artificial/
https://www.oracle.com/br/artificial-intelligence/machine-learning/what-is-deep-learning/
https://www.oracle.com/br/artificial-intelligence/machine-learning/what-is-deep-learning/
https://www.orbia.ag/novidades/como-a-inteligencia-artificial-esta-transformando-a-agricultura
https://www.orbia.ag/novidades/como-a-inteligencia-artificial-esta-transformando-a-agricultura
https://forbes.com.br/forbes-tech/2022/09/digital-twin-como-funciona-a-tecnologia-que-espelha-o-mundo-real/
https://forbes.com.br/forbes-tech/2022/09/digital-twin-como-funciona-a-tecnologia-que-espelha-o-mundo-real/
https://www.europarl.europa.eu/news/pt/headlines/society/20200827STO85804/o-que-e-a-inteligencia-artificial-e-como-funciona
https://www.europarl.europa.eu/news/pt/headlines/society/20200827STO85804/o-que-e-a-inteligencia-artificial-e-como-funciona
https://epocanegocios.globo.com/futuro-do-trabalho/noticia/2023/04/inteligencia-artificial-aumenta-em-14percent-a-produtividade-de-trabalhadores-aponta-estudo.ghtml
https://epocanegocios.globo.com/futuro-do-trabalho/noticia/2023/04/inteligencia-artificial-aumenta-em-14percent-a-produtividade-de-trabalhadores-aponta-estudo.ghtml
https://epocanegocios.globo.com/futuro-do-trabalho/noticia/2023/04/inteligencia-artificial-aumenta-em-14percent-a-produtividade-de-trabalhadores-aponta-estudo.ghtml
https://www.brasil-economia-governo.org.br/2023/06/05/a-regulacao-da-inteligencia-artificial-visoes-das-propostas-da-camara-dos-deputados-e-do-senado-federal/
https://www.brasil-economia-governo.org.br/2023/06/05/a-regulacao-da-inteligencia-artificial-visoes-das-propostas-da-camara-dos-deputados-e-do-senado-federal/
https://www.brasil-economia-governo.org.br/2023/06/05/a-regulacao-da-inteligencia-artificial-visoes-das-propostas-da-camara-dos-deputados-e-do-senado-federal/
https://parajovens.unesp.br/o-que-e-uma-rede-social-e-para-que-serve/
https://parajovens.unesp.br/o-que-e-uma-rede-social-e-para-que-serve/
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

99

REDAÇÃO GQ. Christie's faz história com o primeiro leilão de uma obra 
pintada por Inteligência Artificial. Globo.com, set, 2018. Disponível em: 
https://gq.globo.com/Prazeres/Tecnologia/noticia/2018/09/christies-faz-historia
-com-o-primeiro-leilao-de-uma-obra-pintada-por-inteligencia-artificial.html. 
Acesso em: 17 janeiro 2024.

REDAÇÃO HOMEWORK. 5 cuidados necessários antes de usar IA na 
educação. 2023. Disponível em: 
https://www.terra.com.br/noticias/educacao/5-cuidados-necessarios-antes-de-u
sar-ia-na-educacao,de60f6899161bc6f4b3b4fbefd9ccd37a5yk0upp.html?utm_so
urce=clipboard. Acesso em: 17 janeiro 2024.

REDAÇÃO NATGEO. Quem foi Alan Turing, pioneiro no desenvolvimento da 
Inteligência Artificial e da computacao moderna. National Geographic Brasil, 
2023. Disponível em: https://www.nationalgeographicbrasil.com/ciencia/2023/ 
06/quem-foi-alan-turing-pioneiro-no-desenvolvimento-da-inteligencia-artificial-
e-da-computacao-moderna. Acesso em: 18 janeiro 2024.

REHAGRO. Inteligência artificial na agricultura: benefícios e aplicações. 
Rehagro, 2023. Disponívelem: https://rehagro.com.br/blog/inteligencia- 
artificial-na-agricultura. Acesso em: 22 janeiro 2024.

ROMAGNOLE. O Impacto Transformador da Inteligência Artificial no Setor 
Elétrico Brasileiro. Redação Romagnole, 2024. Disponível em: 
https://www.romagnole.com.br/noticias/o-impacto-transformador-da-inteligen
cia-artificial-no-setor-eletrico-brasileiro%EF%BF%BC/#:~:text=A%20IA%20tem%
20sido%20utilizada,e%20a%20distribui%C3%A7%C3%A3o%20de%20energia. 
Acesso em: 20 janeiro 2024.

RUSSELL, S.J.; NORVIG, P. Artificial Intelligence - A modern Approach. Pearson 
Education, 2ª Edição, 2003.

SANKHYA. IA Generativa: o que é, vantagens e exemplos. 2023. Disponível 
em: https://www.sankhya.com.br/blog/ia-generativa/. Acesso em: 19 janeiro 
2024.

SCUDILIO, J. Como a Inteligência Artificial está transformando os Negócios. 
FLAI, 2020. Disponível em: https://www.flai.com.br/juscudilio/como-a-inteligen 
cia-artificial-esta-transformando-os-negocios/. Acesso em: 20 janeiro 2024.





D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://gq.globo.com/Prazeres/Tecnologia/noticia/2018/09/christies-faz-historia-com-o-primeiro-leilao-de-uma-obra-pintada-por-inteligencia-artificial.html
https://gq.globo.com/Prazeres/Tecnologia/noticia/2018/09/christies-faz-historia-com-o-primeiro-leilao-de-uma-obra-pintada-por-inteligencia-artificial.html
https://www.terra.com.br/noticias/educacao/5-cuidados-necessarios-antes-de-usar-ia-na-educacao,de60f6899161bc6f4b3b4fbefd9ccd37a5yk0upp.html?utm_source=clipboard
https://www.terra.com.br/noticias/educacao/5-cuidados-necessarios-antes-de-usar-ia-na-educacao,de60f6899161bc6f4b3b4fbefd9ccd37a5yk0upp.html?utm_source=clipboard
https://www.terra.com.br/noticias/educacao/5-cuidados-necessarios-antes-de-usar-ia-na-educacao,de60f6899161bc6f4b3b4fbefd9ccd37a5yk0upp.html?utm_source=clipboard
https://www.nationalgeographicbrasil.com/ciencia/2023/06/quem-foi-alan-turing-pioneiro-no-desenvolvimento-da-inteligencia-artificial-e-da-computacao-moderna
https://www.nationalgeographicbrasil.com/ciencia/2023/06/quem-foi-alan-turing-pioneiro-no-desenvolvimento-da-inteligencia-artificial-e-da-computacao-moderna
https://www.nationalgeographicbrasil.com/ciencia/2023/06/quem-foi-alan-turing-pioneiro-no-desenvolvimento-da-inteligencia-artificial-e-da-computacao-moderna
https://rehagro.com.br/blog/inteligencia-artificial-na-agricultura
https://rehagro.com.br/blog/inteligencia-artificial-na-agricultura
https://www.romagnole.com.br/noticias/o-impacto-transformador-da-inteligencia-artificial-no-setor-eletrico-brasileiro%EF%BF%BC/#:~:text=A%20IA%20tem%20sido%20utilizada,e%20a%20distribui%C3%A7%C3%A3o%20de%20energia
https://www.romagnole.com.br/noticias/o-impacto-transformador-da-inteligencia-artificial-no-setor-eletrico-brasileiro%EF%BF%BC/#:~:text=A%20IA%20tem%20sido%20utilizada,e%20a%20distribui%C3%A7%C3%A3o%20de%20energia
https://www.romagnole.com.br/noticias/o-impacto-transformador-da-inteligencia-artificial-no-setor-eletrico-brasileiro%EF%BF%BC/#:~:text=A%20IA%20tem%20sido%20utilizada,e%20a%20distribui%C3%A7%C3%A3o%20de%20energia
https://www.sankhya.com.br/blog/ia-generativa/
https://www.flai.com.br/juscudilio/como-a-inteligencia-artificial-esta-transformando-os-negocios/
https://www.flai.com.br/juscudilio/como-a-inteligencia-artificial-esta-transformando-os-negocios/
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

100

SOTERO, A. Vale a leitura em 2024: revolução da IA para um mundo mais 
humano. Investnews, 2024. Disponível em: https://investnews.com.br/ 
colunistas/melhores-livros/vale-ler-em-2024-a-revolucao-da-ia-para-um-mundo-
mais-humano. Acesso em: 16 janeiro 2024.

SOUSA, G. Fundamentos Básicos do Machine Learning que você Precisa 
Saber. Learning Data, 2021. Disponível em: https://www.learningdata.dev/post/ 
fundamentos-basicos-do-machine-learning-que-voce-precisa-saber#viewer-d9i
n1. Acesso em 22 janeiro 2024.

SZELISKI, R. Computer Vision: Algorithms and Applications. Springer, Nova 
Iorque, 2022.

TOTVS. Indústria 4.0: pilares, tecnologias, impactos e desafios. Equipe 
TOTVS, 2023. Disponível em: https://www.totvs.com/blog/gestao-industrial/ 
industria-4-0/. Acesso em 23 janeiro 2024.

TURING, A.M. Computing machinery and intelligence. Mind. UK, 1950, 
59(236), 433-460.

WELLS III, R.E. Strong AI vs. Weak AI: What's the Difference? Lifewire, 2023. 
Disponível em: https://www.lifewire.com/strong-ai-vs-weak-ai-7508012. Acesso 
em: 22 janeiro 2024.

ZANATTA, C. Inteligência artificial já é realidade na agricultura; entenda 
como funciona. Redação Techtudo, 2023. Disponível em: 
https://www.techtudo.com.br/noticias/2023/10/inteligencia-artificial-ja-e-realida
de-na-agricultura-entenda-como-funciona-edsoftwares.ghtml. Acesso em: 22 
janeiro 2024.

ZENDESK. Quais são os tipos de Inteligência Artificial? Zendesk, 2023. 
Disponível em: https://www.zendesk.com.br/blog/tipos-inteligencia-artificial/. 
Acesso em: 19 janeiro 2024.
 Do
cu
m
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://investnews.com.br/colunistas/melhores-livros/vale-ler-em-2024-a-revolucao-da-ia-para-um-mundo-mais-humano
https://investnews.com.br/colunistas/melhores-livros/vale-ler-em-2024-a-revolucao-da-ia-para-um-mundo-mais-humano
https://investnews.com.br/colunistas/melhores-livros/vale-ler-em-2024-a-revolucao-da-ia-para-um-mundo-mais-humano
https://www.learningdata.dev/post/fundamentos-basicos-do-machine-learning-que-voce-precisa-saber#viewer-d9in1
https://www.learningdata.dev/post/fundamentos-basicos-do-machine-learning-que-voce-precisa-saber#viewer-d9in1
https://www.learningdata.dev/post/fundamentos-basicos-do-machine-learning-que-voce-precisa-saber#viewer-d9in1
https://www.totvs.com/blog/gestao-industrial/industria-4-0/
https://www.totvs.com/blog/gestao-industrial/industria-4-0/
https://www.lifewire.com/strong-ai-vs-weak-ai-7508012
https://www.techtudo.com.br/noticias/2023/10/inteligencia-artificial-ja-e-realidade-na-agricultura-entenda-como-funciona-edsoftwares.ghtml
https://www.techtudo.com.br/noticias/2023/10/inteligencia-artificial-ja-e-realidade-na-agricultura-entenda-como-funciona-edsoftwares.ghtml
https://www.zendesk.com.br/blog/tipos-inteligencia-artificial/
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

Capítulo 2:





Introdução à Visão

Computacional

Autor

Bruno Agrofoglio Ferreira

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

102





2.1. Introdução

Desejamos boas vindas ao capítulo de Introdução à Visão Computacional! 
Este conteúdo foi desenvolvido para apresentar o conceito de Visão 
Computacional, sua origem, desenvolvimento, aplicações e algoritmos.

Iniciamos nosso conteúdo com a introdução ao campo da computação 
conhecido como Visão Computacional, trazendo seu contexto histórico, 
seguindo para a apresentação das técnicas e hardwares responsáveis pela 
aquisição e processamento das imagens. Também abordamos os fundamentos 
do processamento de imagens, comentando acerca dos métodos de 
pré-processamento das imagens antes da realização dos algoritmos de 
treinamento.

Separamos as aplicações daVisão Computacional por grandes áreas como o 
rastreamento de objetos em sequências de vídeo, vigilância e automação, 
reconhecimento facial e biometria, medicina e diagnóstico, veículos autônomos, 
drones e na robótica.

Além do Aprendizado de Máquina, também trazemos o uso de redes 
neurais do Aprendizado Profundo para o treinamento de modelos mais 
avançados de Visão Computacional.

O conteúdo finaliza comentando sobre os algoritmos mais utilizados e 
aplicados atualmente na área de Visão Computacional.

Para consolidar o conhecimento, utilizaremos uma ferramenta No Code, ou 
seja, não são necessários conhecimentos prévios de programação. Essa 
ferramenta auxiliará na a criação de um modelo de reconhecimento de objetos, 
de forma simples e prática, sem a necessidade de instalação de software e 
utilizando a própria câmera do seu dispositivo para realizar as capturas.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

103

2.2. Inspirar

Vivemos em um mundo digital, conectados grande parte do nosso tempo a 
tecnologia. Gadgets, smartphones e computadores habilitam nossa 
comunicação, servem como meio de pagamento e permissão de acesso a locais, 
além dos mais diversos usos da tecnologia.

Equipamentos que, em quase sua totalidade, contam as câmeras para 
realizar uma série destas atividades, desde uma simples foto ou captura de 
vídeo, ao pagamento de contas e transferências, leitura de códigos de barras de 
produtos e boletos, Pix e compartilhamento de arquivos e informações usando 
QR codes.

Dentro deste contexto, a Visão Computacional emerge como um dos pilares 
fundamentais da computação moderna, impulsionada significativamente pelas 
técnicas avançadas de Machine Learning e Deep Learning num campo em que a 
análise humana levaria um tempo demasiadamente longo (Russel e Norvig, 
2022), requerendo um esforço humano gigantesco além de ser extremamente 
repetitivo.

Aqui, não dizemos que é fácil interpretar o mundo real por meio da Visão 
Computacional, pelo contrário, modelar computacionalmente o nosso mundo 
físico, objetos e cenas ao nosso redor, requer um grande esforço cognitivo e 
também poder computacional para a execução de nossos algoritmos mais 
avançados.

A introdução de novos recursos e aprimoramentos na Visão Computacional, 
culmina em aplicações robustas e transformadoras para diversos setores como, 
por exemplo, em segurança, onde por meio de sequências de vídeo pode-se 
monitorar o perímetro contra invasores ou piscinas e lagos em busca de 
afogamentos em andamento (Szeliski, 2022).

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

104





























2.2.1. Estudo de Caso

Este estudo de caso busca incentivar a reflexão sobre as aplicações da Visão 
Computacional em nosso cotidiano. Reflita como essa tecnologia pode 
beneficiar ainda mais nossa vida, tornar a nossa sociedade mais segura, 
promover avanços na medicina e na qualidade de vida, prover conforto para os 
lares, aprimorar equipamentos tecnológicos como smartphones e gadgets, 
contribuir com a mobilidade dentro das cidades, entre outras áreas de aplicação 
que você entender serem interessantes.
Antes de iniciarmos a "Etapa de Conceitualização" na qual 
haverá a apresentação do conteúdo e a experimentação dos 
conceitos trabalhados por meio de atividades práticas, entre no 
Google Sala de Aula, na aba "Etapa Inspirar", para acessar todos 
os materiais disponibilizados, que visam a estimular sua reflexão e 
iniciar a ambientação com o conteúdo deste capítulo.

Como última atividade desta etapa, prepare-se para trabalhar a 
solução inicial do estudo de caso que será apresentado na 
próxima seção.

A solução inicial que você elaborará não será objeto de 
correção ou avaliação: trata-se de uma atividade individual que 
deverá lhe ajudar a refletir sobre os conceitos apresentados e a 
entender como trabalhá-los de maneira prática.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

105

Leia com atenção o cenário do estudo de caso e lembre-se: o 
propósito desta atividade é promover uma reflexão inicial acerca do 
assunto a ser discutido no cenário tendo por base somente os 
conhecimentos de que você dispõe neste momento.








2.2.1.1. Cenário

A Facti, uma Instituição Científica e Tecnológica (ICT) privada reconhecida 
por sua atuação no mercado de Tecnologias da Informação e Comunicação 
(TICs), está iniciando um novo projeto utilizando Visão Computacional.

Você, uma pessoa apaixonada por tecnologia, recém contratada para o time 
de desenvolvimento está convocado(a) para identificar um nicho que demande a 
aplicação da Visão Computacional.

Reflita como será a detecção, que objeto você irá detectar ou rastrear, sobre 
qual cenário isso ocorrerá, considerando aspectos como condições climáticas, 
ambiente interno e externo, possíveis tecnologias existentes e concorrentes.
Importante: coloque a sua resposta na atividade "Apresentação 
da solução inicial", no Google Sala de Aula, em um documento no 
formato de texto. Utilize este momento para trabalhar as suas ideias 
iniciais com o máximo de detalhamento que puder. Mais adiante, as 
suas anotações serão retomadas para o refinamento da solução do 
estudo de caso.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

106

2.3. Conceitualizar 

2.3.1. Introdução à Visão Computacional

A visão é um dos cinco sentidos humanos. Como seres humanos somos 
capazes de enxergar em três dimensões graças a um par de globos oculares que 
nos fornecem uma visão estéreo (mono quando é um canal ou via, estéreo 
quando são dois canais ou vias). Nosso cérebro é capaz de localizar objetos 
rapidamente, reconhecer pessoas e animais familiares, inferir acerca de 
emoções nos rostos ou perigos ao nosso redor. Assim como acontece com os 
seres humanos, a informação obtida por meio da visão pode nos servir para 
classificar objetos e orientar escolhas (Marr, 2010).

Vamos ver um exemplo? Quando você vai ao supermercado escolher 
bananas e, ao verificar a cor das frutas disponíveis, constata que todas as 
bananas estão verdes, optando por comprá-las você precisará aguardar o 
amadurecimento para consumi-las. Se no mesmo cenário você tivesse a opção 
bananas verdes e bananas amarelas, poderia optar por comprar uma parte das 
frutas amarelas podendo realizar o consumo imediato delas.

Figura 45: Cesta de frutas com bananas verdes e amarelas.

Fonte: imagem gerada por IA.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
ono
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

107

A grosso modo, é dessa mesma forma que a Visão Computacional funciona: 
ela adquire a imagem digital, realiza tratamentos, identifica objetos 
reconhecendo padrões e classificando. A partir das informações de classificação, 
a tomada de decisão é realizada.

Que tal outro exemplo, agora utilizando Visão Computacional num cenário 
industrial? Neste exemplo, estamos numa esteira de processamento de frutas, 
neste caso, bananas. As frutas devem ser separadas de acordo com o seu ponto 
de amadurecimento para diferentes destinos. Frutas mais verdes, que levarão 
um tempo maior para amadurecer, deverão seguir para os destinos mais 
distantes. Por outro lado, frutas mais amarelas, praticamente maduras, deverão 
ser entregues aos destinos mais próximos. De forma simplificada, estamos 
otimizando a distribuição visando a manutenção da qualidade da fruta na 
chegada ao cliente final. Neste exemplo, podemos utilizar uma câmera para a 
obtenção de imagens que serão processadas em tempo real e servirão de base 
para a tomada de decisão de um robô ou esteira separadora, responsável por 
direcionar as frutas nas caixas corretas de acordo com o destino.

A Visão Computacional, portanto, é um campo interdisciplinar que combina 
técnicas de processamento de imagens, Inteligência Artificial e Ciência da 
Computação com o objetivo de dar às máquinas a capacidade de interpretar 
visualmente informações do mundo real (Bengio et al., 2013).

Figura 46: Bananas transportadas por esteira.

Fonte: imagem gerada por IA.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

108

Você já deve ter notado que a Visão Computacional parece estar em muitos 
lugares, não é mesmo? Neste momento, você deve ter acesso a um dispositivo 
celular (smartphone) que possui uma câmera. Possivelmente, o equipamento 
conta com recursos de Visão Computacional embarcados nele (Davies, 2005).

Calma! Vamos primeiro verificar se o aparelho cumpre com o pré-requisito 
para ser um dispositivo de Visão Computacional - e não apenas uma simples 
câmera. Precisamos primeiro saber se o seu dispositivo consegue “ver”, ou seja, 
possui uma câmera integrada, para captura de imagens no espectro visível ou 
não (já iremos comentar sobre outros espectros mais adiante).

A partir dessa capacidade de “visão” do dispositivo, se ele for capaz de 
interpretar, identificar e/ou classificar o que lhe foi apresentado, sim, estamos 
lidando com um dispositivo que proporciona Visão Computacional, ou seja, a 
capacidade que uma máquina tem de adquirir, processar e classificar essas 
imagens para que sejam tomadas decisões a partir dessa “visão”.











Em nossos celulares, nós podemos encontrar a combinação de aplicativos e 
câmeras que proporcionam a identificação de rostos, sorrisos e até objetos 
durante a execução. Um exemplo é o Google Lens e o Google Fotos, hoje 
integrado às aplicações de câmera de boa parte dos celulares com sistema 
Android. O iPhone também possui o Visual Look Up, recurso integrado ao app 
Fotos. Esses aplicativos possuem a capacidade de reconhecimento de objetos, 
cenários e contextos, possibilitando realizar uma pesquisa na barra de busca 
com termos como cachorro, gato, praia ou até Natal.

Figura 47: Smartphone.

Fonte: imagem gerada por IA.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

109

Durante cerca de 50 anos, antes do desenvolvimento das redes neurais 
aplicadas para Visão Computacional (em meados de 2012), a detecção e 
classificação era obtida por meio de uma série de algoritmos de processamento 
de imagem (Chen et al., 2022).

Com o surgimento de técnicas para o reconhecimento de imagens baseadas 
em redes neurais, tornando a detecção menos artesanal, visto que para cada 
contexto era necessário um algoritmo específico que funcionava muito bem 
para um determinado conjunto de treinamento.

Apesar de ser eficiente, a classificação baseada em Aprendizado de Máquina, 
utilizando de forma linear diferentes algoritmos, é inflexível, ou seja, mais 
restrita no sentido de contexto de aplicação (Bengio et al., 2013).

Por exemplo, uma aplicação para detecção de automóveis, funcionaria muito 
bem durante o dia, porém, para a detecção de automóveis no período noturno 
seria necessário o treinamento de um novo modelo, visando melhorar a 
eficiência e mitigar erros na detecção durante um ciclo diário (dia e noite ao 
longo de 24 horas).

Além disso, trazia consigo o risco de dependência da atualização desses 
algoritmos específicos para continuar atualizada. Essas dependências podiam 
em muitos casos, quebrar o programa principal, necessitando de ajustes 
constantes para que o mesmo continuasse funcionando.

Figura 48: Concepção artística de veículos em uma avenida detectados por meio da Visão Computacional.

Fonte: imagem gerada por IA.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

110

2.3.1.1. Contexto histórico

Segundo David Marr (2010), o desenvolvimento da Visão Computacional 
é inseparável da Inteligência Artificial. Aqui, pretende-se resumir alguns marcos 
temporais importantes para o desenvolvimento da área, sabendo que não 
haverá como contemplar todos, visto que é uma área ampla e cujo 
desenvolvimento ocorreu em diversos países, necessitando de uma extensa 
pesquisa bibliográfica.

Em 1951, Marvin Minsky (1961) desenvolveu a primeira máquina de 
aprendizado com rede neural de fiação aleatória conhecida como SNARC 
(Stochastic Neural Analog Reinforcement Calculator) junto à sua equipe dentro do 
MIT (Massachusetts Institute of Technology). O SNARC foi um neurocomputador 
simples, composto por 100 neurônios artificiais, capaz de resolver um labirinto 
de ratos usando um algoritmo de Aprendizado por Reforço. Este algoritmo de 
reforço funciona premiando o dispositivo por tomar as decisões corretas que, no 
caso do SNARC, eram aquelas voltadas a chegar ao prêmio no final do labirinto.

Figura 49: Professor Marvin Minsky.

Fonte: imagem gerada por IA.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

111

O Aprendizado por Reforço capacita um agente a tomar decisões em um 
ambiente complexo, recebendo recompensas por ações bem-sucedidas. Os 
seres humanos também aprendem a tomar decisõesem um ambiente complexo 
a partir de informações do sistema visual, no caso, do mundo ao nosso redor. 
Nós, seres humanos, recebemos recompensas por tomar decisões que nos 
ajudam a sobreviver e prosperar.

Portanto, os modelos de Aprendizado por Reforço podem aprender a 
identificar e rastrear objetos em movimento, além de entender a relação entre 
eles. No entanto, é importante notar que os modelos de Aprendizado por 
Reforço não são perfeitos, cometendo erros, assim como o sistema visual 
humano (Forsyth e Ponce, 2015). Além disso, os modelos de Aprendizado por 
Reforço são limitados pelos dados em que são treinados, desta forma, se os 
dados de treinamento não forem representativos do mundo real, os modelos 
podem não ser capazes de generalizar bem para novas situações.

Na década de 1960, outros pesquisadores desenvolveram algoritmos para 
uma variedade de tarefas, incluindo reconhecimento de padrões, 
correspondência estéreo e fluxo óptico, era um salto no campo da Inteligência 
Artificial, marcado principalmente pelo lançamento do livro Perceptrons, em 
1969, quando Minsky e Seymour Papert abordam a rede neural mais antiga, 
criada por Frank Rosenblatt em 1958.

Figura 50: Releitura da obra Relatividade de Maurits Cornelis Escher.

Fonte: imagem gerada por IA.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

112

Já na década de 1970, a Visão Computacional continuou a se desenvolver, 
com a chegada de novos algoritmos e técnicas, iniciando sua expansão para 
aplicações práticas, como robótica e processamento de imagens médicas, 
devido ao maior desenvolvimento no campo da microeletrônica e o advento das 
câmeras digitais.

Minsky e seu grupo no MIT desenvolveram uma variedade de modelos de 
processamento de imagens, incluindo o modelo de visão de Marr-Hildreth em 
1980 onde, notadamente, a Visão Computacional alcançou um novo nível de 
maturidade.

Avançando para a década de 1990, surgem novas técnicas como 
processamento de imagens digitais, modelagem física e Aprendizado de 
Máquina. A partir dos anos 2000, a Visão Computacional experimentou um novo 
ciclo de avanços, com o surgimento da aprendizagem profunda ou, em inglês, 
Deep Learning (Bengio et al., 2013). 

Em 2010 a humanidade iniciou testes com veículos autônomos e realidade 
aumentada, ampliando as aplicações da tecnologia, culminando nos dias atuais 
com o amadurecimento e aplicação em uma variedade de campos, incluindo 
robótica, medicina, segurança e entretenimento.

Figura 51: Professores Marvin Minsky e Seymour Papert.

Fonte: imagem gerada por IA.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

113

2.3.1.2. Aquisição e representação de 
imagens digitais

A Visão Computacional é a área da computação que realiza a interpretação 
de imagens digitais. Segundo Richard Szeliski (2022), dentro da Visão 
Computacional os cientistas buscam descrever o mundo a partir de uma ou mais 
imagens, reconstruindo suas propriedades com base na forma, iluminação e 
distribuição de cores.

A aquisição de imagens é o processo pelo qual uma imagem do mundo real 
é capturada para ser posteriormente processada por computadores.

Entre os métodos empregados para realizar essa aquisição estão as câmeras 
digitais, os scanners que empregam feixes de luz para digitalizar imagens 
impressas ou objetos tridimensionais, convertendo a informação visual em 
dados digitais e as câmeras de vídeo que são capazes de capturar sequências de 
imagens, sendo valiosas para análises dinâmicas do ambiente (Forsyth e Ponce, 
2015).

Figura 52: Câmeras digitais modernas são construídas com sensor CMOS.

Fonte: imagem gerada por IA.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

114

Geralmente, a informação no formato digital é obtida a partir de um 
hardware específico como um CMOS (Complementary Metal Oxide Semiconductor, 
que em português significa semicondutor de óxido metálico complementar) ou 
um CCD (charge-coupled device, ou dispositivo de carga acoplada), que atuam 
(com tecnologias diferentes) convertendo luz em sinal elétrico que, em seguida, 
transformam-se em um conjunto de dados armazenados digitalmente.

Atualmente, o sensor CMOS é o mais utilizado comercialmente, devido ao 
seu menor custo de fabricação, maior eficiência energética e velocidade superior 
ao CCD. Câmeras de alto desempenho podem contar com sensores CMOS 
empilhados visando uma captura mais fiel, porém, a um custo muito maior, pois 
conta com uma tecnologia complexa e que ainda está em desenvolvimento.

A Visão Computacional também pode ser obtida por câmeras não 
convencionais, como mencionado anteriormente, acerca de espectros fora do 
visível ao olho humano.

Podemos utilizar imagens de infravermelho, ultravioleta, raios X, raios gama, 
RADAR (Radio Detection And Ranging ou detecção e medida de distância por 
rádio), LIDAR (Light Detection And Ranging ou detecção e alcance por luz) e 
SONAR (Sound Navigation and Ranging ou navegação e determinação da 
distância pelo som).

Figura 53: imagem obtida por LIDAR. Sobreposta há um modelo mecânico associado à hidráulica predial.

Fonte: Wikimedia Commons.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://upload.wikimedia.org/wikipedia/commons/2/23/Scan-to-BIM_Mechanical_Room.jpg
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

115

Em astronomia e astrofísica, telescópios em órbita podem capturar imagens 
nos espectros infravermelho, ultravioleta, raios X e raios gama, que são 
bloqueados pela atmosfera terrestre em quase sua totalidade.

Essas imagens fornecem informação além do espectro visível de berçários 
estelares, centros de galáxias, pulsares, regiões altamente ativas, geralmente 
próximas aos buracos negros e outras áreas de interesse para a fronteira da 
ciência.

No campo da medicina, equipamentos de ressonância magnética, 
ultrassonografia, raios X entre outros, fornecem imagens a partir de tecnologias 
ou espectros que não são visíveis ao olho humano.

Em aplicações de segurança e no campo militar, a aquisição de imagens no 
espectro infravermelho, imagens de RADAR, LIDAR e SONAR são essenciais para 
navegação, ataque e defesa das forças, além de resgate, busca e salvamento.

Figura 54: Representação artística de um telescópio orbital.

Fonte: imagem gerada por IA.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
códi
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

116

Assim, a aquisição de imagens fornece dados brutos, a entrada essencial 
para realizar tarefas como reconhecimento de objetos, rastreamento de 
movimento e análise de imagem. A partir da aquisição, dá-se a representação de 
imagens, processo pelo o qual a informação visual capturada é transformada de 
forma que pode ser manipulada por sistemas computacionais (Forsyth e Ponce, 
2015).

Entre os formatos de imagem digital, os dois mais comuns são as imagens 
raster, compostas por matrizes de pixels e as imagens vetoriais, compostas por 
objetos geométricos como linhas e polígonos, como a extensão .SVG (Scalable 
Vector Graphics, ou gráficos vetoriais escalonáveis).

A escolha entre esses formatos depende da aplicação específica. As imagens 
vetoriais são mais utilizadas para desenhos técnicos e gráficos, como as 
utilizadas em impressão 3D. Já as imagens raster são preferíveis para fotografias.

Nas imagens raster, cada pixel representa um ponto na imagem. A 
informação geralmente contem as coordenadas de posição x e y do pixel, 
seguida, por exemplo, dos valores de cor RGB (Red - vermelho, Green - verde e 
Blue - azul).

Figura 55: Abstração de pixels em uma imagem.

Fonte: imagem gerada por IA.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

117

Dessa forma, cada pixel - que adotamos como um quadrilátero com a menor 
informação possível de uma imagem - é registrado em série, originando um 
arquivo muito maior, com a informação de todos os pixels que compõem a 
imagem. Esses arquivos possuem extensões que são geralmente conhecidas 
pelos usuários como .JPG, .PNG, .GIF ou .BMP.

A informação do pixel pode ser expressa como um número inteiro ou ponto 
flutuante. Quando nos referimos à forma matricial, estamos tratando colunas e 
linhas que podemos associar com os eixos x e y, respectivamente, de um plano 
cartesiano.

Humanamente, a comparação pixel a pixel seria impossível! Veja um 
exemplo para uma foto com 5 megapixels (MP) - portanto, possuindo uma 
matriz de 2.560 pixels por 1.920 pixels (2560x1920), que contém exatamente 
4.915.200 pixels (daí a resolução da câmera de 5MP).

Note que é uma matriz dificílima até mesmo de se representar fisicamente 
em papel e caneta! Atualmente, boa parte dos aparelhos celulares já contam 
com câmeras que possuem resoluções maiores que 108 MP (12000x9000), 
resultando em 108 milhões de pixels.

Figura 56: Trecho da saída de um script em Python que lê informação pixel a pixel.

Fonte: os Autores.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

118

A aquisição da imagem acontece em três etapas. Primeiro temos a etapa 
óptica, que é quando os raios de luz atravessam as lentes do conjunto óptico da 
câmera, passando pelo obturador.

Em seguida, ocorre a etapa de sensibilização eletrônica do CCD ou CMOS, 
ajustando-se o ganho e transformando a informação analógica para digital por 
meio de um conversor ADC (Analog-to-Digital Converter). Este processo encerra a 
segunda etapa do processamento e é realizada no chip sensor da câmera.

A terceira e última etapa, por sua vez, ocorre no processador de sinal de 
imagem ou ISP (Image Signal Processor), um processador de imagem digital, ou 
DSP (Digital Signal Processor), que transforma a imagem bruta (raw data) em 
imagem comprimida após as etapas de quantização, correção de erros causados 
por ruído ou exposição incorreta, balanceamento de nível de branco e do 
contraste.

Com os recentes avanços na microeletrônica e em sistemas embarcados, 
atualmente já encontramos ISPs que realizam desde o reconhecimento de 
objetos e faces, até o estudo de movimento da aquisição, realizando um 
processamento de alto nível sobre a imagem.

Figura 57: Raios de luz atravessam o conjunto óptico, atingindo o sensor CMOS de uma câmera.

Fonte: imagem gerada por IA.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

119

2.3.1.3. Fundamentos de processamento de 
imagens

Vimos anteriormente que a aquisição da imagem nas câmeras digitais 
modernas, utilizando matrizes CMOS, ocorre em três etapas, cujo 
processamento na primeira e segunda etapa é praticamente físico, com a 
transformação de energia (e informação) luminosa em elétrica. A terceira etapa 
é composta por processamento eletrônico da imagem, por meio da aplicação de 
filtragem para promover os processos de coloração, remoção de ruído, ajuste da 
curva de contraste (nível de gamma), ajuste de cores e finalmente a compressão 
do arquivo.

Na etapa de correção da imagem são aplicados métodos matemáticos que 
atualmente podem contar até com Aprendizado de Máquina. Tais correções 
incluem a remoção do efeito de mosaico (demosaic ou demosaicing), que visa 
corrigir as imagens a partir de amostras de cores incompletas recebidas pelo 
sensor CMOS. Isso se deve à forma como é realizada a captura na maioria das 
câmeras digitais atuais.

Figura 58: Sensor CMOS de uma câmera visto por meio de microscópio.

Fonte: Wikimedia Commons.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://upload.wikimedia.org/wikipedia/commons/7/73/CMOS_under_a_microscope_02.jpg
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

120

Em 1974, Bryce Edward Bayer, que trabalhava para a Kodak, desenvolveu o 
que conhecemos hoje como filtro Bayer, uma matriz de cores que é instalada em 
sobre o fotossensor. O filtro Bayer divide o sensor em pequenos quadrados, 
cada um coberto por um filtro de cor diferente, como vermelho (R), verde (G) e 
azul (B). Dessa forma, cada pixel do sensor captura apenas uma cor, originando a 
perda de parte da informação, requerendo assim a sua reconstrução a partir da 
informação dos pixels adjacentes (Lian et al., 2005).

Para reconstruir uma imagem colorida completa a partir de amostras 
incompletas (devido à perda de informação no filtro Bayer) pelo sensor da 
câmera, o software de processamento de imagem (embarcado junto ao CMOS) 
deve estimar as cores que faltam para cada pixel, reconstruindo informação.





















Assim, como o demosaicing, temos o denoise ou denoising que é o processo 
de remoção de ruído. Este ruído pode ter origem no sensor, no processamento 
e/ou na transmissão, sendo necessário o seu tratamento, seja ainda a nível de 
hardware ou no pós processamento a nível de software.



Curiosidade: A matriz de Bayer aloca dois pixels verdes cada 
par de pixels azul e vermelho, pois somos muito mais sensíveis ao 
brilho que a cor, dessa forma, a luz verde, que contribuimuito 
mais para a percepção do brilho que as cores azul e vermelha, cria 
uma imagem com aparência muito melhor, parecendo “mais viva” 
do que seria numa distribuição uniforme de cores.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

121

Para ajustarmos o contraste de uma imagem, podemos realizar a correção 
por meio da alteração de parâmetros que impactam na equação da curva de 
gamma. Dessa forma, podemos aumentar ou diminuir o contraste de todos os 
pixels da imagem, deixando-a mais nítida ou mais suave.

















O demosaicing e o denoising também podem ser realizados na aquisição de 
imagens médicas, como as de tomografia computadorizada ou ressonância 
magnética, até imagens de satélite em infravermelho, sempre buscando uma 
melhoria na qualidade da imagem.

Figura 59: Imagem no espectro infravermelho detectando volume de água em

suspensão na atmosfera (tempestades) obtida por um satélite climático.

Fonte: Wikimedia Commons.

Figura 60: Imagem de ressonância utilizada para a detecção de um tumor cerebral (destaque).

Fonte: Wikimedia Commons.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://upload.wikimedia.org/wikipedia/commons/c/cf/NESDIS_Atlantic_Ocean_1_June_0000-0600.png
https://upload.wikimedia.org/wikipedia/commons/7/7f/Oligodendroglioma_006.jpg
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

122

Note que, até aqui, foi abordado apenas o código de cores RGB. Seres 
humanos, por natureza possuem um sistema de captação óptica tricromático, 
ou seja, percebemos as cores dos objetos e não apenas o contraste como 
acontece em muitos outros animais que possuem o sistema óptico dicromático 
(Szeliski, 2022).















Algumas teorias da evolução das espécies apontam que essa diferença 
ocorreu, pois como seres onívoros, além de caçar, também necessitamos 
diferenciar a cor de frutos e vegetais para nos alimentarmos. Animais 
predadores como cães e gatos, caçam suas presas apenas baseados no 
contraste. A regra aos mamíferos é a visão dicromática - nós, seres humanos, 
somos uma exceção à regra (Griebel, 2002).

Figura 62: A maioria dos mamíferos como os gatos possuem sistema óptico dicromático.

Fonte: imagem gerada por IA.

Figura 61: Seres humanos possuem sistema óptico tricromático, possuindo três tipos de

cones, cada tipo mais sensível a uma cor: vermelho, verde e azul.

Fonte: imagem gerada por IA.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

123

Em 1931, a Comissão Internacional de Iluminação (CIE ou Commission 
Internationale d'Eclairage) estabeleceu as primeiras ligações entre o espectro 
eletromagnético e as cores percebidas pelo sistema fisiológico óptico humano. A 
partir de experimentos, foram definidos os comprimentos de onda de 700 
nanômetros para a cor vermelha (R), 546,1 nanômetros para a cor verde (G) e 
435,8 nanômetros para a cor azul (B).

Por causa da indistinguibilidade de cores entre alguns diferentes espectros, 
um novo espaço de cores foi desenvolvido um novo espaço de cores, conhecido 
como CIE RGB XYZ. Atualmente, devido à criação de modernas imagens de alta 
definição, como a HDTV, foi criado um novo padrão para o espaço de cores 
chamado ITU-R BT.709, alterando as coordenadas XYZ de cada uma das cores 
primárias (RGB).

Figura 63: Diagrama de cromaticidade CIE XY de 1931.

Fonte: Wikimedia Commons.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://upload.wikimedia.org/wikipedia/commons/thumb/3/3b/CIE1931xy_blank.svg/1927px-CIE1931xy_blank.svg.png
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

124

Agora que encerrou-se a etapa de como as imagens tridimensionais são 
obtidas por meio do conjunto óptico e sensores, será abordada a etapa de 
tratamento de imagens por meio do processamento por software. Iniciando 
pelo tipo de transformação mais simples, a que manipula cada pixel de forma 
independente, sem observar a sua vizinhança. Este tipo de processamento é 
conhecida como operação pontual ou processamento pontual, no qual aplica-se 
os chamados operadores pontuais. Nesta etapa, uma ferramenta necessária do 
ponto de vista de eficiência e conveniência é a famosa transformada rápida de 
Fourier ou FFT (Fast Fourier Transform).

Curiosidade: Em 1807, Jean Baptiste Joseph Fourier, 
completou seus estudos no qual observou séries senoidais 
harmonicamente relacionadas para representar a distribuição 
de temperatura de um corpo. Ao representar as funções por 
somas de senos e cossenos ou pela soma de exponenciais 
complexas, Fourier criava o que conhecemos hoje como análise 
de Fourier, uma das técnicas mais utilizadas na área de 
processamento de sinal pela engenharia. Fourier propôs que 
uma função periódica pode ser descrita por uma série, sendo 
utilizada para descrever sinais discretos, vindo a ser batizada de 
série de Fourier, onde a função temporal pode ser expressa 
como uma combinação linear de exponenciais complexas 
harmonicamente relacionadas.

Já a transformada de Fourier recebe este nome em 
homenagem ao Fourier. Seu algoritmo começou a ser 
pesquisado ainda em 1805 por Carl Friedrich Gauss.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

125

A transformada de Fourier é uma poderosa ferramenta matemática que 
permite decompor uma função em suas frequências componentes, úteis para 
entender a composição de uma função ou para realizar operações com esta 
função. Sabe-se que a transformada de Fourier de uma função temporal é uma 
função complexa, em que o valor real da transformada representa a amplitude 
das frequências componentes da função original, enquanto o argumento 
complexo representa a fase das frequências componentes. A versão moderna da 
transformada rápida de Fourier surgiu em 1965, a partir dos trabalhos de John 
Tukey e James Cooley.

A transformação a nível do pixel geralmente é utilizada para ajuste de 
contraste e brilho, como o ajuste desses parâmetros em uma cena com céu claro 
ou seu inverso quando está nublado. Essas operações pontuais se dão a nível de 
software, matematicamente elas envolvem uma operação linear, mas há 
operações não lineares, como o ajuste de gamma, por exemplo.

Entre as operações de transformação pontual, temos as transformações de 
cores que podem ser realizadas em apenas um canalou nos três canais (RGB) 
simultaneamente. Efeitos interessantes podem ser obtidos por meio dessa 
transformação, como a alteração ou remoção de fundo da imagem, mudança de 
uma imagem colorida para tons de cinza.

Figura 64: Imagem original à esquerda. Alteração na luminosidade e saturação (imagem à direita).

Fonte: imagem gerada por IA.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

126

Após encerrar as etapas de operações pontuais nas transformações ao nível 
do pixel (como o ajuste de brilho e contraste), além das transformações que 
envolvem cores, abordaremos as transformações que envolvem a composição, o 
fosqueamento e a equalização de histograma.

Quando uma transformação ocorre na forma de atingir uma determinada 
vizinhança, ou seja, não mais pontual ou pixel a pixel, ela é conhecida como 
filtro.

Os filtros possuem diversas finalidades, como promover o ajuste de tons da 
imagem, realizar o desfoque, alterar a nitidez, remover ruídos e alterar bordas. 
Portanto, um filtro é uma função que modifica os valores dos pixels de uma 
imagem atingindo sua vizinhança (Szeliski, 2022).

A aplicação de filtros no processamento de imagens é também chamada de 
convolução. A convolução é um operador linear, ou seja, uma operação 
matemática que combina duas funções para produzir uma terceira função. A 
convolução é realizada deslizando um filtro sobre uma imagem e calculando a 
convolução de cada pixel da imagem com o filtro, lembrando que existem filtros 
lineares e não lineares.

Figura 65: Imagem original (a), seguida dos filtros:

“desfocar” (b), “envelhecer” (c), “relevo” (d), “pontilhado” (e) e “elétrico” (f).

Fonte: imagem gerada por IA.

a b c
d e f
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

127

Até aqui, vimos as operações pontuais e os filtros lineares e não lineares. 
Além disso, existem operações como a interpolação (estimativa do valor de um 
pixel a partir de sua vizinhança) e a decimação (redução da taxa de amostragem 
visando a melhora na relação sinal-ruído) que visam alterar a resolução de uma 
imagem, e outras como as wavelets (funções trigonométricas que servem para 
representar sinais e imagens) e a representação multi-resolução (utilizada para 
representar dados em diferentes escalas de frequência) que otimizam a análise 
da imagem em diferente níveis de detalhe.

Neste capítulo, optou-se por não nos aprofundar além do que exposto até 
aqui em filtragem e aplicação das transformações, devido ao ferramental 
matemático necessário extenso para ser contemplado dentro deste capítulo.

Gostaríamos de encerrar esta subseção com as transformações que se dão 
de forma geométrica, pois elas nos auxiliarão no tratamento de casos como o 
rastreamento de objetos e o tratamento tridimensional de objetos a partir de 
imagens bidimensionais.

As transformações geométricas podem ser paramétricas ou uma 
deformação baseada em malha, onde utiliza-se uma malha para mapear pontos 
de uma imagem para uma nova posição.

Entre as principais transformações geométricas paramétricas estão a 
translação (preserva a orientação), a rígida ou euclidiana (preserva o 
comprimento), a transformação por similaridade (preservando os ângulos), a 
transformação afim (preserva o paralelismo) e a transformação projetiva 
(preservando as retas do objeto).

Visto que a transformação paramétrica controla um número pequeno de 
parâmetros, para realizar deformações locais mais precisas, com a manipulação 
de um número maior de parâmetros ou graus de liberdade, utilizamos a 
deformação baseada em malha.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

128

Apresentada as etapas básicas da Visão Computacional que incluem 
filtragem, redimensionamento e correção de cor, encerraremos este tópico 
comentando sobre o processamento digital avançado de imagens.

No processamento digital avançado, utilizamos a segmentação, que pode 
ser baseada em formatos, cores ou intensidade dos pixels. Também utilizamos a 
detecção de bordas onde, a partir do reconhecimento e detecção, conseguimos 
estimar movimento e estruturas a partir do movimento ao longo das imagens.

Dessa forma, a classificação dessas imagens é realizada por Aprendizado de 
Máquina por meio destes grandes volumes de dados inseridos, junto aos rótulos 
de classificação dos objetos a serem detectados, possibilitando a criação de um 
modelo 3D denso, rastreando pessoas, reconhecendo objetos e cenas.

A tridimensionalidade é obtida a partir da superposição de sequências de 
imagens bidimensionais, cuja Visão Computacional pode extrair e comparar 
dados obtendo informações de velocidade, volume, posição no espaço, entre 
outras, acerca dos objetos (Forsyth e Ponce, 2015).

Figura 66: Por meio da segmentação ou da detecção de bordas podemos manipular

imagens como a remoção do fundo apresentada acima.

Fonte: imagem gerada por IA.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

129

2.3.1.4. Aplicações da Visão Computacional

Até aqui você já deve ter percebido o alcance da Visão Computacional. Essa 
potencialidade de aplicação diversa, desde uma aplicação recreativa como 
aplicar filtros e outros efeitos de imagem para publicar nas redes sociais, até 
modernos sistemas de detecção de incêndios florestais.

Observe um exemplo quando a Visão Computacional é aplicada em sistemas 
computacionais de reconhecimento de tráfego, possibilitando a distinção entre 
pedestres, bicicletas, veículos leves e pesados, trens e bondes, auxiliando a 
mobilidade urbana, indo além dos sensores que detectam o fluxo de veículos de 
forma eletrônica, geralmente usando sensores indutivos.

Para ilustrar, vamos citar o sistema empregado na cidade alemã de 
Darmstadt, em que as câmeras podem reconhecer elementos presentes no 
trânsito das cidades, seja durante o dia ou à noite devido ao emprego de 
câmeras espectrais que identificam e reconhecem objetos no espectro do 
infravermelho, tal sistema organiza o tráfego, permitindo a travessia segura de 
pedestres, principalmente em faixas próximas às escolas. Ele também pode ser 
utilizado para otimizar a rota de veículos exclusivos de transporte público como 
ônibus e VLTs (veículo leve sobre trilhos), alterando a sinalização semafórica 
permitindo uma interrupção menor no fluxo desses veículos coletivos.

Figura 67: Sistema de Visão Computacional para operação autônoma de tráfego.

Fonte: Teledyne FLIR LLC.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fact
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.flir.com.br/discover/traffic/roads-tunnels/smart-traffic-management-in-the-city-of-darmstadt
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

130

2.3.1.4.1. Rastreamento de objetos em 
sequências de vídeo

O rastreamento de objetos em sequências de vídeo é uma funcionalidade da 
Visão Computacional essencial em diversas aplicações de ponta como robótica, 
medicina, segurança e entretenimento. Com adequado poder computacional, 
podemos monitorar em tempo real o fluxo (streaming) de uma câmera de 
segurança, por exemplo, realizando a detecção de invasores no perímetro.













Outro exemplo, agora em robótica, é o rastreamento de objetos a partir de 
câmeras onboard do equipamento móvel, permitindo que os robôs naveguem 
pelo mundo e interajam de forma eficiente com o ambiente onde o mesmo 
opera.

Figura 69: Robô quadrúpede Spot operando por um sistema de câmeras.

Fonte: Boston Dynamics.

Figura 68: Sistema combinado de RADAR e Visão Computacional formam

um perímetro protegido eletronicamente.

Fonte: Teledyne FLIR.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://bostondynamics.com
https://www.flir.com
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

131

O processo durante o rastreamento de objetos pode ser dividido em duas 
etapas principais. Na primeira etapa, a detecção de objetos envolve a 
identificação inicial dos elementos na sequência de vídeo que desejamos 
rastrear. Em seguida, o algoritmo de rastreamento de objetos acompanha o 
movimento desses elementos ao longo do tempo.

O rastreamento pode ser realizado utilizando características como bordas, 
formas e texturas para identificar objetos. Outros métodos de rastreamento - 
como os baseados em Aprendizado de Máquina - aprendem a reconhecer 
objetos por meio de conjuntos de dados de treinamento, criando assim modelos 
matemáticos para cada objeto, o que oferece uma precisão potencialmente 
superior e proporciona flexibilidade e adaptabilidade.

É importante lembrar que, à medida em que os métodos de rastreamento de 
objetos nas sequências de vídeo evoluem e novas técnicas continuam a ser 
desenvolvidas quase que diariamente, os avanços que experimentamos em um 
curto intervalo de tempo parecem gigantes.

Um desses últimos avanços ocorre no campo das redes neurais (tópico que 
abordaremos mais à frente). Quando utilizadas, a redes neurais conseguem 
reconhecer imagens de forma significativamente maior, ampliando também o 
contexto de aplicação (Szeliski, 2022), não ficando mais restrita à limitações 
como operar de dia ou de noite, ser aplicada de forma versátil com poucas ou 
nenhuma alteração, algo impensável para o modelo tradicional que utiliza o 
Aprendizado de Máquina.

Outra vantagem da rede neural é a possibilidade de aplicação do modelo a 
partir de um número menor de imagens quando comparado ao treinamento de 
modelos baseados em Aprendizado de Máquina. Atualmente já temos modelos 
generativos como LLM utilizados para o reconhecimento de objetos e imagens 
por meio de redes neurais (You et al, 2023).

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

132

2.3.1.4.2. Aplicações em vigilância e 
automação

Ao pensarmos em segurança, a primeira imagem que nos vem à cabeça é a 
aplicação de câmeras de vigilância. As câmeras mais modernas, sejam elas 
indoor e outdoor, já possuem reconhecimento de objetos e detecção automática 
de invasão no perímetro utilizando Aprendizado de Máquina (Szeliski, 2022), 
realizando o disparo automático de alarmes, alertas de intrusão no perímetro 
monitorado, detecção automática de rostos e placas veiculares, aumentando a 
capacidade de detecção e evitando fadigas humanas que podem comprometer a 
segurança do sistema. Tais modelos são embarcados no próprio hardware da 
câmera, junto a um pequeno aplicativo servidor que possibilita o usuário 
conectar-se diretamente à câmera por meio de um smartphone, computador e 
até smart TV, realizando ajustes como a seleção da área a ser monitorada, a 
sensibilidade de disparo de eventos, deixando a câmera mais precisa para a 
aplicação e evitando falsos disparos automáticos.

Figura 70: Câmeras de vigilância geralmente possuem captura

no espectro visível e também no infravermelho.

Fonte: imagem gerada por IA.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

133

Em áreas de pesquisa e aplicações em segurança, também podemos utilizar 
câmeras no espectro do infravermelho ou ultravioleta, que o olho humano não 
consegue enxergar naturalmente. Na captura nesses espectros não visíveis é 
realizado um tratamento adicionando cores para a exibição no espectro visível 
por meio de telas, tornando, desta maneira, a informação inteligível a humanos 
que as enxergam em monitores e telas convencionais.















A câmera infravermelho permite a captura de imagens térmicas, auxiliando 
no período noturno e também em regiões lagos, oceanos, florestas e matas, 
onde a assinatura térmica humana cria um destaque sobre a paisagem (Szeliski, 
2022).

Figura 72: Imagem termográfica (espectro infravermelho).

Fonte: Teledyne FLIR.

Figura 71: Utilizar captura e processamento no infravermelho habilita a

navegação por meio de ambientes sem iluminação, como o oceano durante a noite.

Fonte: Teledyne FLIR.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.flir.com
https://www.flir.com
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

134

Já a captura em ultravioleta nos permite observar maiores detalhes em 
imagens durante o dia, isso porque o ultravioleta está além do espectro visível. 
Estima-se que pouco menos de 10% da emissão espectral solar esteja contido no 
espectro ultravioleta (Corrêa, 2015), portanto observar essa parte do espectro 
aumenta o nível detalhes na captura de imagens.

Porém, para realizar a captura no espectro ultravioleta, as câmeras precisam 
passar por adaptação, visto que o vidro comum absorve grande parte da luz 
ultravioleta, principalmente pelo fato do vidro conter impurezas como sódio e 
ferro em sua composição. Como as lentes que equipam o conjunto óptico das 
câmeras são produzidos com vidro comum, grande parte da informação é 
perdida. Para contornar esse efeito, câmeras de captura no ultravioleta utilizam 
vidro puro, utilizando sílica pura para a sua fabricação, tornando esses 
equipamentos mais caros e raros de serem encontrados no mercado.Figura 73: Acima, uma imagem capturada com espectro ultravioleta. Abaixo, a mesma

captura por meio do vidro de uma janela.

Fonte: Teledyne Lumenera.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.lumenera.com
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

135

A Visão Computacional está em constante evolução no mercado, recebendo 
grandes aportes financeiros não apenas por parte de grandes empresas, mas 
também financiamento destinado startups, impulsionando a pesquisa e a 
aplicação em reconhecimento de objetos e cenas para a prevenção de crimes, 
fraudes (Russel e Norvig, 2022) e demais aplicações de segurança.

Em atividades comerciais, sistemas de reconhecimento de objetos permitem 
checkouts automáticos em lojas ou a verificação contra fraudes em guichês de 
autoatendimento, como hoje encontramos em alguns supermercados aqui no 
Brasil e em lojas no exterior. Um sistema simples, geralmente instalado sobre os 
caixas de supermercados, realiza a captura de uma câmera, sendo utilizado para 
verificar se houve desvio, erro ou furto de uma mercadoria.

Há sistemas completamente autônomos com o uso de Visão Computacional 
combinado com Inteligência Artificial como é o caso de algumas lojas da rede 
Decathlon presentes no Brasil e das lojas da rede Amazon Go em algumas 
cidades dos Estados Unidos da América. Neste caso, o cliente realiza a entrada 
na loja a partir de um QR code gerado no aplicativo de celular, realiza a compra, 
colocando os itens da prateleira em sua sacola, realizando a saída da loja. O 
sistema automaticamente rastreia o que foi retirado da prateleira pelo cliente, 
insere em seu carrinho de compras virtual e ao sair da loja, debitando o valor da 
compra de sua carteira de dinheiro ou cartão de crédito cadastrado no 
aplicativo, facilitando o processo de compra, checkout e pagamento, além de 
evitar fraudes e furto de itens no supermercado.

Figura 74: Rede de lojas que utiliza Visão Computacional

para automatizar completamente a experiência de compras.

Fonte: Amazon.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.amazon.com/b?ie=UTF8&node=16008589011
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

136

Outra aplicação na área de segurança é o reconhecimento óptico de 
caracteres ou OCR (Optical Character Recognition) que pode reconhecer letras 
tipográficas, de bastão ou caligráficas, transformando informação analógica em 
digital. Este tópico será abordado mais à frente neste capítulo.

Em resumo, neste campo, interessa-nos a análise caligráfica para fins 
periciais ou ainda os leitores automáticos de placa (Automatic Number Plate 
Recognition em inglês, ou apenas ANPR) que permitem o monitoramento 
contínuo de vias públicas e privadas (Szeliski, 2022), por exemplo, os sistemas de 
inteligência policial que utilizam o LAP (Leitor Automático de Placa) para abordar 
carros suspeitos ou com registro de sinistro, débito de impostos, furto ou roubo.

Pórticos instalados em rodovias, nas entradas das cidades e em vias 
principais monitoram 24 horas o fluxo de veículos, reconhecendo 
automaticamente as placas dos veículos que transitam naquele ponto (Russel e 
Norvig, 2022).

A partir da aquisição da imagem, são extraídos os caracteres que compõem 
aquela placa e comparados com o banco de dados de registro e também de 
ocorrências, desta forma, se alguma anomalia é detectada, um alerta é gerado e 
aquele veículo passa a ser acompanhado por autoridades humanas que 
localizam e informam as equipes policiais que procederão com o cerco visando a 
captura deste veículo e seus ocupantes.

Figura 75: Leitores Automático de Placas aumentam a segurança nas

cidades e também nas rodovias.

Fonte: imagem gerada por IA.

ABC 0D12
NORMAL
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

137

2.3.1.4.3. Reconhecimento facial e 
biometria

Dentro da Visão Computacional há dois campos que se preocupam com a 
identificação de pessoas a partir de dados praticamente únicos, intrinsecamente 
ligados à nossa natureza humana.

No primeiro campo, o de reconhecimento facial, utilizam-se técnicas de 
Visão Computacional para identificar pessoas por suas características faciais 
(Szeliski, 2022), além de realizar a detecção de fadiga e emoções.

Enquanto que no segundo campo, o da a biometria, temos a capacidade de 
identificar pessoas por suas características físicas, como impressões digitais 
(Szeliski, 2022), íris ou voz.

Neste capítulo, será abordado o reconhecimento facial, com reconhecimento 
de emoções, além do reconhecimento de voz, com um sólido embasamento, 
atividades para aplicação do conceito.

Figura 76: A papiloscopia é o estudo da identificação humana pelas

impressões digitais, também conhecidas por papilas dérmicas.

Fonte: imagem gerada por IA.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

138

Quando a Visão Computacional é aplicada para biometria, podemos 
distinguir pessoas a partir da análise dessas características que incluem pontos 
faciais, como o nariz, olhos e boca, até características mais sutis, como a forma 
do rosto ou a distância entre os olhos (Szeliski, 2022). Uma vez que essas 
características faciais são extraídas, elas podem ser comparadas a um banco de 
dados de características faciais conhecidas, chegando a uma correlação entre 
uma pessoa previamente cadastrada e a pessoa da imagem sob análise.

É dessa forma que sistemas de segurança em ruas, avenidas, aeroportos, 
entre outros locais públicos, detectam pessoas desaparecidas, suspeitas e até 
foragidas da polícia. Se as características faciais forem semelhantes o suficiente, 
o sistema de reconhecimento facial concluirá que a pessoa na imagem ou vídeo 
é a mesma pessoa no banco de dados (Russel e Norvig, 2022), alertando o 
responsável pelo sistema ou autoridade competente.

Outra tecnologia, famosa pelos filmes de ação e ficção, é o escaneamento de 
íris, possibilitando a distinção de indivíduos. Essa tecnologia é muito utilizada 
para o controle de acesso biométrico, assim como a biometria por impressão 
digital e também voz (Russel e Norvig, 2022).

Figura 77: Scanner biométrico de íris.

Fonte: Wikimedia Commons.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://upload.wikimedia.org/wikipedia/commons/f/fc/IrisScanIraq.jpg
Trilha de Aprendizagem: Inteligência Artificial aplicada àVisão Computacional

139

Na área de automação predial, nos deparamos com o reconhecimento facial 
biométrico para autenticar pessoas (Russel e Norvig, 2022), permitindo o acesso 
a áreas internas de residências, edifícios e empresas ou áreas de circulação 
restrita, como ocorre em hospitais, centros de pesquisa e indústrias.













Em marketing e áreas de monitoramento do consumo e da reação humana, 
a Visão Computacional pode ser utilizada para guiar o desenvolvimento de uma 
campanha a partir das reações do público, auxiliando na análise de 
comportamento do consumidor.

Por exemplo, em campanhas políticas (Kissinger et al., 2023), o 
reconhecimento facial pode mostrar a quais discursos um determinado público 
está mais receptivo, fornecendo assim informações estratégicas para os 
candidatos que podem, em tempo real, alterar o rumo de suas ações ao 
detectarem sinais de repulsa por parte do eleitorado.

Figura 79: Visão Computacional aplicada para aferição da reação

de um público a um determinado discurso.

Fonte: imagem gerada por IA.

Figura 78: Sensor biométrico de impressão digital para controle de acesso.

Fonte: Wikimedia Commons.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://upload.wikimedia.org/wikipedia/commons/a/a0/PERCo_CL15_biometric_controller.jpg
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

140

2.3.1.4.4. Visão Computacional em 
medicina e diagnóstico

No cenário médico, a Visão Computacional permite que sejam realizados 
diagnósticos precisos (Russel e Norvig, 2022) a partir da classificação e análise 
de um grande conjunto de dados (dataset) anteriores de diagnósticos.

Por exemplo, na área de oncologia, sinais de tumores podem ser 
identificados a partir da Visão Computacional em seus primeiros estágios, 
encaminhando o paciente para um tratamento precoce, melhorando a 
expectativa de vida e a taxa de sucesso do tratamento contra o câncer. Estudo 
apresentado recentemente acerca da detecção de tumores cerebrais, 
demonstram uma precisão média (mAP) de 97,6% (Selcuk e Serif, 2023).

Figura 80: Representação artística criada de uma imagem de ressonância magnética.

Fonte: imagem gerada por IA.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

141

Continuando no campo de aplicações da Visão Computacional na área 
médica, pesquisas recentes tratam da aplicação da Visão Computacional para a 
detecção e diagnóstico de retinopatia diabética por meio do processamento de 
imagens do fundo do olho, atingindo dessa forma a precisão comparável a dos 
profissionais médicos que realizam o diagnóstico nessa área, equivalente a 
índices entre 90% e 95% na precisão (Abini e Priya, 2023).

A aplicação consiste no uso de processamento de imagens para localizar 
características como manchas, indicativas de sangramento ou exsudato na 
retina, microaneurismas (pequenas dilatações dos vasos sanguíneos na retina) e 
edema macular, caracterizado pelo acúmulo de líquido na mácula, região central 
da retina, capaz de causar perda de visão.

Essa abordagem inovadora envolve o emprego de técnicas de Aprendizado 
Profundo de redes neurais, treinando estes modelos para identificar a 
retinopatia diabética em imagens do fundo do olho. Durante a etapa de 
treinamento, conjuntos de dados contendo imagens com e sem retinopatia 
diabética, promovendo a classificação das imagens nesses dois grupos, criando 
um padrão reconhecimento mais preciso da condição. 

Figura 81: Imagem de fundo de olho apresentando sinais comuns à retinopatia diabética.

Fonte: Wikimedia Commons.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://upload.wikimedia.org/wikipedia/commons/0/07/Fundus_-_diabetic_retinopathy.png
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

142

Por fim, o registro de um grande número de imagens usando ressonância 
magnética funcional, extraindo informações emocionais faciais da atividade do 
córtex visual humano, localizado no lobo occipital, na parte de trás do cérebro.

Por meio de Aprendizado de Máquina, imagens diagnósticas permite o 
mapeamento cerebral antes e durante a execução de tarefas cognitivas ou de 
entretenimento. A pesquisa de neuroimagem no córtex visual concentra-se 
principalmente na decodificação da semântica dos estímulos visuais pois ainda 
não está claro como o córtex visual pode representar a informação emocional 
nas imagens (Yang et al., 2019).

Estes estudos fornecem aos médicos e pesquisadores informações sobre o 
funcionamento das atividades cerebrais e possíveis diagnósticos, bem como 
sobre o uso de fármacos mais adequados para a supressão ou estimulação de 
regiões no cérebro afetadas por acidentes ou doenças degenerativas.

Figura 82: Imagem de ressonância magnética funcional apresentando a concentração

sanguínea na área do córtex visual de um paciente ao apresentar imagens de rostos à ele.

Fonte: Wikimedia Commons.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://upload.wikimedia.org/wikipedia/commons/e/ef/Fusiform_face_area_face_recognition.jpg
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

143

2.3.1.4.5. Aplicações em veículos 
autônomos e drones

Veículos autônomos capazes de auto locomoção dentro das cidades são 
dotados de sistema de Visão Computacional junto a tecnologias de detecção e 
imageamento (Szeliski, 2022) como LIDAR (Light Detection and Ranging), RADAR 
(Radio Detection and Ranging) e SONAR (Sound Navigation and Ranging).

Esse conjunto de informações capacita o hardware do veículo a navegar, 
prever cenários e tomar decisões planejando rotas e evitando obstáculos e 
situações perigosas durante a sua locomoção.

Temos a aplicação da Visão Computacional também para segurança 
automotiva (Russel e Norvig, 2022), onde câmeras instaladas no exterior do 
veículo processam dimensionalmente informações relativas à vagas de 
estacionamento, presença de pessoas e objetos em “pontos cegos” de um 
veículo. Já as câmeras internas do veículo podem fornecer o estado de atenção 
de um motorista, detectando distrações e fadiga, evitando acidentes de trânsito.

Figura 83: Veículo autônomo da empresa Uber em teste.

Fonte: Wikimedia Commons.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://upload.wikimedia.org/wikipedia/commons/c/cf/Uber_testing_self-driving_car_%2832985799932%29.jpg
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

144

Na construçãocivil e também nas áreas de restauração e manutenção de 
prédios, sejam eles históricos como castelos ou funcionais como usinas de 
energia, o mapeamento por Visão Computacional (Szeliski, 2022) por meio de 
fotogrametria obtida por drones colabora com técnicos e engenheiros.













Com a reconstrução tridimensional dos mesmos em modelos 3D para 
computador, possibilita-se a verificação de falhas estruturais (Szeliski, 2022), a 
realização de previsão de recursos e custos para a manutenção ou reparação 
dessas estruturas, bem como serviços de vistoria, garantindo a qualidade da 
estrutura como ocorre em torres com pás eólicas para a geração de energia 
elétrica.

Figura 85: Inspeção de estruturas a partir de drones autônomos

dotados de Visão Computacional.

Fonte: Yang Zhou Jiuhong Xiao.

Figura 84: Inspeção de torre de telefonia celular com drone equipado de LIDAR e Visão Computacional.

Fonte: Parrot Drone.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://yangrobotics.com/autonomous-drone-inspection-with-deep-reinforcement-learning
https://www.parrot.com
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

145

2.3.1.4.6. Visão Computacional em robótica

Vamos agora para outro setor cuja aplicação da Visão Computacional 
encontra aplicações, concentrando grandes somas de investimento para o 
desenvolvimento de novas técnicas e aplicações.

Numa indústria, se uma câmera pode identificar objetos defeituosos na linha 
de produção e removê-los da linha antes que sejam embalados, enviando-os 
para reparo ou apenas descartando-os, estamos nos referindo a um hardware 
de Visão Computacional (Russel e Norvig, 2022), os mesmos são dotados com 
sistemas de Inteligência Artificial, permitindo o embarque direto na câmera 
(hardware) de detecção.

Nas indústrias, a inspeção realizada pelo setor de qualidade pode ser feita a 
partir de câmeras e Visão Computacional (Szeliski, 2022), garantindo a qualidade 
dos produtos e a manutenção de elevados padrões para as grandes marcas.

Câmeras, no espectro visível ou até nos raios X (Szeliski, 2022), são 
empregadas para a verificação do cumprimento às normas de tolerância 
dimensional como na indústria automotiva e aeronáutica.

Figura 86: Câmeras de inspeção visual utilizando Visão Computacional podem verificar

a qualidade na montagem das componentes de placas de circuito impresso.

Fonte: Cognex.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.cognex.com
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

146

Podemos listar exemplos como na indústria de bebidas ou eletrônica, bem 
como em manufatura avançada, em que câmeras mono ou estéreo realizam a 
inspeção mecânica, apontando falhas em embalagens, rótulos e até circuitos 
microeletrônicos.

Em logística, temos depósitos que utilizam a Visão Computacional na 
peletização (Szeliski, 2022) e na classificação automática dos pacotes, 
diferenciando destinos e agilizando o tratamento das encomendas.

Alguns sistemas também podem auxiliar na paletização, ou seja, no 
agrupamento de itens iguais ou semelhantes, automatizando o trabalho manual 
e aumentando a eficiência no processamento logístico, além de reduzir erros de 
separação.

Por fim, já encontramos robôs como drones, AGVs (Automated Guided Vehicle, 
em português Veículo Guiado Automaticamente) e AMRs (Autonomous Mobile 
Robot, em português Robô Móvel Autônomo) que são capazes de navegar 
dentro de armazéns (Szeliski, 2022), reconhecendo itens e seus locais de 
armazenamento, realizar desde o transporte do mesmo para o despacho 
multimodal como até a realização de inventário, registrando a quantidade de 
itens armazenados.

Figura 87: AMRs utilizados em logística possuem sistema de posicionamento interno que 

combinado com LIDAR, sensores de proximidade e choque operam de forma autônoma e segura.

Fonte: Jungheinrich.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.jungheinrich.com
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

147

2.3.2. Redes neurais e Deep Learning para a 
Visão Computacional

Visto que já foram abordados a definição e o contexto histórico das redes 
neurais no capítulo 2, dedicaremos esta seção a apresentar as aplicações das 
redes neurais e do Aprendizado Profundo (Deep Learning) para a Visão 
Computacional.

Atualmente, as redes neurais são aplicadas em diversas áreas da Visão 
Computacional, destacamos streaming de imagens, modelagem 3D e 
renderização (Szeliski, 2022).

Já, nas redes de Aprendizado Profundo, ocorre um processo similar ao que já 
observamos em Aprendizado de Máquina (Szeliski, 2022), onde a otimização de 
cada estágio deste processo e de seus parâmetros buscam minimizar o erro. As 
atuais redes trabalham com feedforward, um tipo de arquitetura de rede neural 
em que os dados não formam ciclos, eles atravessam a rede em apenas uma 
direção. Essas redes são discriminativas e determinísticas, treinadas usando um 
algoritmo de otimização conhecido como gradiente descendente como regra de 
treinamento, também conhecido por retropropagação ou backpropagation.

A principal mudança quando comparamos o Aprendizado Profundo para 
Visão Computacional contra as outras técnicas de Aprendizado de Máquina é 
que evitamos a dependência de diversos estágios de pré-processamento que 
extraiam recursos para os classificadores.

No início deste capítulo, buscamos apresentar as dificuldades de adaptação 
na detecção de objetos utilizando Aprendizado de Máquina, exatamente por 
causa dessa característica intrínseca do algoritmo, a sua dependência com esses 
estágios de pré-processamento, algo que é superado quando utilizamos o 
Aprendizado Profundo na Visão Computacional.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

148

2.3.3. Algoritmos mais comuns em Visão 
Computacional

Sucintamente, listamos aqui os algoritmos que atualmente são empregados 
em Visão Computacional, muitos dos quais você conhecerá mais a frente neste 
capítulo.

Começando pelas Redes Neurais Convolucionais (CNNs), cuja utilização em 
em tarefas de reconhecimento de imagens, detecção de objetos e segmentação 
de imagens, torna este tipo de algoritmo excelente para identificar rostos, 
objetos e cenas. Aplicações em redes CNN tridimensionais já são capazes de 
reconhecer e classificar ações humanas além de processamento volumétrico de 
objetos (Szeliski, 2022).

O SIFT (Scale-Invariant Feature Transform) possibilita a detecção e descrição 
de características em imagens, o termo invariante à escala refere-se a sua 
capacidade de detectar essas características em imagens de diferentes 
tamanhos (Russel e Norvig, 2022), sendo muito utilizado para a detecçãode 
faces em movimento. Temos também o SURF (Speeded Up Robust Features), uma 
variação mais rápida do SIFT, utilizado para aplicações que necessitam de maior 
eficiência como a navegação autônoma, como no caso dos veículos e robôs 
autônomos. Além dos dois algoritmos anteriores, uma alternativa rápida 
também muito empregada é o ORB (Oriented FAST and Rotated BRIEF), usado em 
reconhecimento de objetos e emparelhamento de imagens, especialmente em 
sistemas onde o tempo de processamento é crítico (visto que ele é mais rápido 
que o SIFT e o SURF). 

O filtro de Canny para detecção de bordas (Canny, 1986) é uma técnica 
básica e poderosa para detectar bordas em imagens, há muito tempo útil em 
várias aplicações, como reconhecimento de padrões e visão estéreo.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

149

Um algoritmo de destaque é o RANSAC (Random Sample Consensus) e suas 
modificações (Szeliski, 2022) que podem deixá-lo com uma performance 
superior. Eles são amplamente utilizados para estimar parâmetros de um 
modelo matemático em dados com ruídos, principalmente em reconstrução 3D 
ou alinhamento de imagens.

Outro algoritmo clássico é a transformada de Hough (em homenagem a seu 
inventor), utilizada para detecção de formas geométricas, como linhas e círculos 
(Szeliski, 2022), em aplicações como a análise de tráfego por meio de câmeras de 
monitoramento.

Em detecção de faces, temor um algoritmo muito utilizado, a detecção de 
características Haar (ou Haar Cascades), em homenagem à matemático húngaro 
Alfred Haar, cuja abordagem se dará mais a frente desta obra.

Entre as arquiteturas mais modernas estão as GANs (Generative Adversarial 
Networks), criadas por Goodfellow et al em 2014. Tratam-se de redes neurais 
generativas adversárias, ou seja, duas redes neurais que competem entre si 
(Szeliski, 2022). A primeira rede rede é chamada de gerador, sendo responsável 
por gerar dados artificiais, enquanto a segunda rede é chamada de 
discriminador, ficando responsável por distinguir entre dados reais e dados 
artificiais.

Temos o algoritmo de segmentação semântica e de instâncias como a Mask 
R-CNN que realiza a compreensão detalhada de uma cena. Há ainda as Redes 
Neurais Recorrentes (RNNs) e o Long Short-Term Memory (LSTM) para aplicações 
em que se faz necessário a interpretação da temporalidade dos dados como em 
sequências de vídeo (Szeliski, 2022).

Ainda existem outros algoritmos e modificações sobre os aqui expostos, que 
estão em constante evolução e desenvolvimento. Por tratar-se de um campo 
promissor, trabalhos nesta área são naturalmente inevitáveis e constantes.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

150

2.3.4. Apresentando a plataforma Edge 
Impulse

Iniciamos esta etapa com os primeiros passos na criação de uma conta 
gratuita na plataforma de treinamento de Inteligência Artificial na nuvem 
chamada Edge Impulse.

A Edge Impulse é uma plataforma de desenvolvimento que se concentra em 
trazer Aprendizado de Máquina e Inteligência Artificial para dispositivos de 
borda, conhecidos como edge devices, como microcontroladores (ou MCU, 
acrônimo de MicroController Unit), sensores IoT (Internet of Things ou Internet das 
Coisas) e pequenos computadores de placa única (SBC ou Single Board Computer) 
como os Raspberry Pi.

Figura 88: Página inicial da plataforma Edge Impulse.

Para iniciar, você pode clicar em Get Started ou Login.

Fonte: adaptado de Edge Impulse.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://edgeimpulse.com
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

151

Para o nosso exemplo, visando a conceitualização do conhecimento e 
promoção de um aprendizado hands on, necessitamos criar uma conta gratuita 
na comunidade Edge Impulse. Vamos guiar você neste passo a passo.

Figura 89: Vamos criar uma conta pessoal e gratuita na comunidade Edge Impulse.

Fonte: adaptado de Edge Impulse.

Figura 90: Caso tenha escolhido Login, clique em Sign up

para criar sua conta na comunidade Edge Impulse.

Fonte: adaptado de Edge Impulse.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://edgeimpulse.com
https://edgeimpulse.com
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

152

A plataforma solicitará alguns dados para o cadastro, como nome completo, 
nome de usuário, e-mail (pode ser o pessoal) e, opcionalmente, o seu título 
profissional. O último campo solicita a criação de uma senha.

Figura 92: Você receberá um e-mail de ativação da Edge Impulse em sua caixa de entrada.

Clique no link que a plataforma enviou para ativar a sua conta.

Fonte: adaptado de Edge Impulse.

Figura 91: Preencha os dados solicitados pela plataforma Edge Impulse conforme indicação acima.

Fonte: adaptado de Edge Impulse.

Nome próprio
Nome de usuário
E-mail
Senha
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://edgeimpulse.com
https://edgeimpulse.com
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

153

2.3.5. Criando um assistente de voz com No 
Code

Aproveitaremos o próprio tutorial de boas vindas da plataforma para realizar 
os primeiros passos de um projeto na Edge Impulse.

Figura 93: Assim que você confirma sua conta e realiza o primeiro acesso, a plataforma sugere a criação do seu 
primeiro projeto em 5 minutos. Clique em Let´s build your first model in 5 minutes! para prosseguir.

Fonte: adaptado de Edge Impulse.

Figura 94: Na segunda etapa, definiremos um comando para chamar o nosso assistente de voz.

Neste exemplo, sugerimos a sentença: “Ola mundo”.

Fonte: adaptado de Edge Impulse.

Palavra-chave
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://edgeimpulse.com
https://edgeimpulse.com
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

154

Você já deve ter notado que a plataforma está disponível no idioma inglês, 
caso sinta-se melhor, você pode ativar o tradutor automático do navegador para 
lhe ajudar na compreensão dos passos.

Nossas legendas, abaixo das figuras capturadas da tela, lhe ajudarão nesta 
compreensão, listandoas etapas necessárias para a conclusão do projeto, 
norteando o caminho desse primeiro aprendizado na plataforma.

Figura 96: Clique em Record yourself saying “Ola mundo” for 38 seconds

para gravar sua sentença para o treinamento.

Fonte: adaptado de Edge Impulse.

Figura 95: Após inserir a sentença “Ola mundo” clique em Next, collect some data

para prosseguir com o treinamento.

Fonte: adaptado de Edge Impulse.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://edgeimpulse.com
https://edgeimpulse.com
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

155

Figura 97: Você será perguntado se deseja compartilhar o acesso ao seu microfone pela

plataforma Edge Impulse. Clique em Permitir para prosseguir com o uso do microfone.

Fonte: adaptado de Edge Impulse.

Figura 98: Diga “Ola mundo”, realizando pausas de 1 segundo entre cada sentença.

Esses dados serão utilizados no modelo de reconhecimento de voz que estamos criando.

Fonte: adaptado de Edge Impulse.

Ao trabalhar na aquisição de dados, sejam eles para o treinamento ou para o 
teste, pela plataforma Edge Impulse nos navegadores, podemos nos deparar 
com a solicitação de uso do microfone ou câmera, portanto, mensagem desse 
tipo serão comuns ao longo do nosso exemplo. 

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://edgeimpulse.com
https://edgeimpulse.com
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

156

Figura 100: Agora, inserimos ruído para diferenciar o comando de chamada do assistente voz

de outros ruído de fundo, para continuar clique em Next, adding other data.

Fonte: adaptado de Edge Impulse.

Figura 99: Após a captura bem sucedida do comando de voz para treinamento,

clique em OK para prosseguir.

Fonte: adaptado de Edge Impulse.

Após a etapa de captura de áudio por meio das sentenças, a plataforma 
iniciará o processamento com a separação das frases que utilizará para 
treinamento e validação das etapas mais a frente do nosso exemplo.

Automaticamente a plataforma realiza a separação de cerca de 80% das 
amostras para treinamento e os demais 20% para validação (teste) do nosso 
modelo treinado.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://edgeimpulse.com
https://edgeimpulse.com
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

157

Figura 102: Etapa de inserção de ruído finalizada, clique em OK para prosseguir.

Fonte: adaptado de Edge Impulse.

Figura 101: A plataforma realizará a mistura do ruído de fundo com as suas sentenças de voz gravadas.

Para prosseguir, clique em Let´s mix in other keywords and background noise.

Fonte: adaptado de Edge Impulse.

Nesta etapa, a plataforma insere sentenças e ruídos aleatórios para o nosso 
treinamento, de forma a diferenciar a sentença “Ola mundo” de outras 
sentenças.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://edgeimpulse.com
https://edgeimpulse.com
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

158

Figura 104: Depois da etapa de definição automática dos parâmetros para o

treinamento, clique em Next, spectrograms para prosseguir.

Fonte: adaptado de Edge Impulse.

Figura 103: Após a inserção dos dados e o processamento completo,

clique em Next, design an impulse para continuar.

Fonte: adaptado de Edge Impulse.

Após a adição de ruído e sentenças aleatórias chega a etapa de definição das 
características e da extração dos parâmetros para o treinamento do modelo que 
utilizaremos. Na plataforma, esta etapa é chamada de impulse.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://edgeimpulse.com
https://edgeimpulse.com
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

159

As etapas seguintes envolvem a verificação dos dados brutos utilizando o 
espectrograma e a geração de características a partir dos dados coletados.

Figura 106: Após a configuração dos parâmetros, a plataforma irá gerar as características de cada amostra

enviada para treinamento. Após esta etapa, clique em Next, train a neural network para continuar.

Fonte: adaptado de Edge Impulse.

Figura 105: A análise do espectrograma (representação visual do sinal sonoro) é utilizada para a edição dos dados

brutos, excluindo partes que não são interessantes o treinamento. Para continuar clique em Next, generate features.

Fonte: adaptado de Edge Impulse.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://edgeimpulse.com
https://edgeimpulse.com
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

160

Finalizando o treinamento, já podemos realizar nossos primeiros testes.

Figura 108: Para testar o modelo, você deve permitir novamente o acesso ao microfone,

para isso clique em Give access to the microfone.

Fonte: adaptado de Edge Impulse.

Figura 107: Na etapa de treinamento da rede neural é onde ocorre a classificação da sentença “Ola mundo”.

Após esta etapa, clique em Next, take the model for a spin para prosseguir com o exemplo.

Fonte: adaptado de Edge Impulse.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://edgeimpulse.com
https://edgeimpulse.com
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

161

Figura 110: Para finalizar a etapa de testes, clique em Next, check out next steps.

Fonte: adaptado de Edge Impulse.

Realize o teste do seu modelo, note que ao falar “Ola mundo”, a plataforma 
informa a correspondência da sentença pronunciada com o modelo gerado.

Figura 109: Ruídos e sentenças desconhecidas aparecem em NOISE e UNKNOWN, respectivamente. Quando o

modelo detecta a sentença “Ola mundo”, a correspondência próxima a 1,00 surge na coluna central (OLA_MUNDO).

Fonte: adaptado de Edge Impulse.

Sentenças 
desconhecidasRuído Ola mundo
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
ove
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://edgeimpulse.com
https://edgeimpulse.com
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

162

Encerrar
Figura 111: A plataforma apresenta os principais dados do seu projeto, como o tempo de inferência, a quantidade

de memória RAM e Flash a ser utilizada caso venha a embarcar este modelo em um microcontrolador Cortex M4F.

Fonte: adaptado de Edge Impulse.

Acessar a documentação
Compartilhar
Figura 112: Entre as informações mais importantes de um projeto estão

a matriz de confusão e a acurácia do modelo.

Fonte: adaptado de Edge Impulse.

Acurácia do modelo
Parabéns! Você concluiu seu primeiro projeto No Code utilizando redes 
neurais para o treinamento de um modelo.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://edgeimpulse.com
https://edgeimpulse.com
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

163

Figura 113: Neste exemplo, criamos um modelo similar ao utilizado pelos

assistentes de voz para ativar a detecção e ouvir as nossas solicitações.

Fonte: adaptado de Edge Impulse.

Neste momento, retorne ao Google Sala de Aula e, na aba 
"Atividades", procure a seção intitulada "Etapa Conceitualizar".

Nessa área você encontrará uma série de links com materiais 
que foram criteriosamente escolhidos e disponibilizados. Trata-se 
de recursos que têm por objetivo apresentar informações 
adicionais e insights, permitindo que você amplie e enriqueça o seu 
conhecimento acerca dos temas discutidos neste capítulo.

Este momento final do capítulo deve lhe proporcionar reflexões 
críticas a respeito do conteúdo abordado, ajudando na 
compreensão e fixação do conteúdo.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://edgeimpulse.com
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

164

2.4. Consolidar 

2.4.1. Estudo de caso

Chegamos na etapa onde podemos exercitar o conhecimento adquirido até 
aqui! Note que esta não é uma atividade obrigatória e não consta do processo 
de avaliação.

Aqui, sugerimos a prática da criação de um modelo de reconhecimento de 
objetos, em nosso caso, um smartphone, utilizando a plataforma Edge Impulse.

A plataforma Edge Impulse, no momento em que escrevemos este material, 
possui a capacidade de realizar o treinamento de modelos para a detecção de 
voz (exemplo utilizado dentro da etapa Conceitualizar), modelo para a detecção 
de gestos e também modelos de reconhecimento de objetos em sequências de 
vídeo ou em imagens.

Vamos apresentar os passos para a realização desta atividade, a partir dela, 
você pode realizar outros treinamentos de modelo para a aplicação que desejar.

Figura 114: Para criar um novo projeto, você de retornar à dashboard inicial da Edge Impulse. Para isso,

clique em Projects (B) no menu suspenso da parte superior onde encontram-se as iniciais do seu nome (A).

Fonte: adaptado de Edge Impulse.

A
B
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://edgeimpulse.com
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

165

Figura 116: Descendo a página inicial do projeto, você encontrará tutoriais que irão lhe ajudar nas

etapas de configuração para aquisição e treinamento do modelo, recomenda-se a leitura.

Fonte: adaptado de Edge Impulse.

O primeiro passo é definir o nome e as opções de privacidade do projeto.

Figura 115: Aqui, sugerimos o nome “Reconhecimento de objetos”, opção de projeto pessoal (Personal)

e privacidade no projeto (Private). Em seguida, clique em Create new project para continuar.

Fonte: adaptado de Edge Impulse.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://edgeimpulse.com
https://edgeimpulse.com
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

166

Aqui, iniciamos a coleta de dados. Para isso, utilizaremos a câmera.

Figura 118: Para utilizar a câmera do seu computador, clique em Connect to your computer.

A plataforma realizará a requisição para uso do seu dispositivo.

Fonte: adaptado de Edge Impulse.

Figura 117: Para realizar a coleta de dados para o projeto, clique em Collect new data. Você também pode incluir 
outros dispositivos como SBCs e MCUs para realizar esta etapa, caso tenha eles à disposição.

Fonte: adaptado de Edge Impulse.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://edgeimpulse.com
https://edgeimpulse.com
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

167

Após a conexão da plataforma Edge Impulse com o seu computador, 
seguiremos para a etapa de permissão de acesso à câmera.

Note que você precisa ter um smartphone para realizar a captura dessas 
imagens para treinamento do modelo.

Figura 120: Clique em Give access to the camera para prosseguir à etapa de aquisição de imagens.

Caso o navegador solicite a sua permissão para utilização da câmera, clique em Permitir.

Fonte: adaptado de Edge Impulse.

Figura 119: Após a conexão do computador ao projeto, clique em Collect images? para iniciar a aquisição

utilizando a câmera do computador. Note que será aberta uma nova aba no seu navegador.

Fonte: adaptado de Edge Impulse.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://edgeimpulse.com
https://edgeimpulse.com
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

168

Sugerimos a coleta de 100 imagens, a plataforma irá separar 
automaticamente as imagens que serão utilizadas para treino e as de teste.

Figura 121: Para realizar a aquisição da imagem, clique em Capture.

A cada captura, a contagem de imagens capturas é atualizada.

Fonte: adaptado de Edge Impulse.

Figura 122: Capture imagens em diferentes posições do smartphone, assim o seu modelo ficará mais preciso. Ao 
atingir 100 imagens capturadas, você pode fechar esta aba de captura (clique no X da aba aberta no navegador).

Fonte: adaptado de Edge Impulse.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://edgeimpulse.com
https://edgeimpulse.com
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

169

Seguimos para a etapa de definição dos parâmetros para o treinamento.

Figura 124: Após a inserção das imagens (dados brutos), clicaremos em Labeling queue

para criar os rótulos dos objetos identificados na imagem, em nosso exemplo, o smartphone.

Fonte: adaptado de Edge Impulse.

Figura 123: A plataforma confirmará se estamos criando um modelo para detecção de objetos,

neste caso clique em Yes para prosseguir.

Fonte: adaptado de Edge Impulse.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://edgeimpulse.com
https://edgeimpulse.com
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

170

Agora, identificaremos o smartphone em nossas fotos para o treinamento.

Figura 126: Ao realizar a seleção da área onde está o smartphone pela primeira vez, a plataforma perguntará

qual o nome do rótulo para este objeto. Você pode usar celular ou smartphone, ao seu critério.

Fonte: adaptado de Edge Impulse.

Figura 125: Com o mouse ou touchpad, selecione o smartphone na imagem.

Você terá uma caixa retangular à disposição para isso.

Fonte: adaptado de Edge Impulse.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://edgeimpulse.com
https://edgeimpulse.com
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

171

A contagem de itens restantes é atualizada a cada confirmação de rótulo.

Figura 128: Deixar a opção Track objects between frames irá lhe ajudar mantendo o objeto rastreado

entre as imagens obtidas, diminuindo parte do trabalho manual de rotulação.

Fonte: adaptado de Edge Impulse.

Figura 127: Note que na primeira foro a ser classificada, a plataforma irá indicar a quantidade de fotos restantes 
para a classificação. Após inserir o rótulo e sua área em torno do objeto a ser classificado clique em Save labels.

Fonte: adaptado de Edge Impulse.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://edgeimpulse.com
https://edgeimpulse.com
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

172

Figura 129: Lembre-se de realizar rotações no smartphone para que a captura de imagens do aparelho

seja realizada na maior quantidade de posições possíveis, melhorando o nosso modelo.

Fonte: adaptado de Edge Impulse.

Figura 130: A área de seleção do rótulo deve conter integralmente o smartphone,

para que o modelo seja treinado corretamente.

Fonte: adaptado de Edge Impulse.

É necessária a aquisição de imagens do smartphone em diversas posições.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://edgeimpulse.com
https://edgeimpulse.com
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

173

Finalizamos assim a etapa de rotulação do objeto dentro das imagens de 
treinamento. Podemos prosseguir para a próxima etapa.

Figura 131: A última imagem para rotular será indicada na parte superior como 1 items left.

Ao concluir, clique em Save labels para finalizar a etapa de rotulação.

Fonte: adaptado de Edge Impulse.

Figura 132: Ao terminar a rotulação, você terá informação na parte superior o índice zero em Labeling queue (0) e

próximo ao centro da página em No items in queue. Para prosseguir na próxima etapa, clique em Create impulse.

Fonte: adaptado de Edge Impulse.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://edgeimpulse.com
https://edgeimpulse.com
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

174

Agora vamos definir os parâmetros para realizar o treinamento de nosso 
modelo de reconhecimento de objeto.

Figura 134: Selecione Image e clique em Add para utilizar o bloco de processamento para imagens.

Fonte: adaptado de Edge Impulse.

Figura 133: Clique em Add a processing block para selecionar o tipo de modelo que estamos treinando.

Fonte: adaptado de Edge Impulse.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://edgeimpulse.com
https://edgeimpulse.com
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

175

Figura 136: Escolha a opção Object Detection (Images) de autoria da Edge Impulse

e clique em Add para utilizar este bloco de treinamento.

Fonte: adaptado de Edge Impulse.

Finalizando a etapa de criação do impulse com o bloco de treinamento.

Figura 135: Clique em Add a learning block, para selecionar o bloco de

treinamento (modelo de rede) que utilizaremos.

Fonte: adaptado de Edge Impulse.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://edgeimpulse.com
https://edgeimpulse.com
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

176

Clique em Save Impulse para escolher os parâmetros para a classificação.

Figura 137: Depois de clicar em Save Impulse, você receberá a confirmação que os blocos de processamento e

de treinamento foram gravados com sucesso. Clique em Image no menu à esquerda para prosseguir.

Fonte: adaptado de Edge Impulse.

Figura 138: Para configurar os parâmetros de treinamento, primeiro selecione Grayscale (escala de cinza).

Em seguida, clique em Save parameters para prosseguir.

Fonte: adaptado de Edge Impulse.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://edgeimpulse.com
https://edgeimpulse.com
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

177

Figura 139: Clique em Generate features para iniciar iniciar

a geração das características para o treinamento.

Fonte: adaptado de Edge Impulse.

Figura 140: Após a conclusão do trabalho de geração das características, clique

em Object detection, no menu à esquerda para prosseguir à próximaetapa.

Fonte: adaptado de Edge Impulse.

A etapa de geração de características é essencial para o treinamento.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://edgeimpulse.com
https://edgeimpulse.com
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

178

Figura 142: Para iniciar os ciclos de treinamento clique em Start training. Essa etapa é a

mais demorada do processo, por favor, aguarde a conclusão para continuar.

Fonte: adaptado de Edge Impulse.

Figura 141: A plataforma realiza uma sugestão de 60 ciclos de treinamento (Number of training cycles).

Não altere a taxa de aprendizado (Learning rate), mantendo-a em 0.001.

Fonte: adaptado de Edge Impulse.

Ajustando as configurações importantes para a realização do treinamento.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://edgeimpulse.com
https://edgeimpulse.com
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

179

Figura 143: O treinamento encerra no ciclo 59 pois iniciou sua contagem no 0.

Caso utilize 100 ciclos de treinamento, a conclusão ocorrerá no ciclo 99.

Fonte: adaptado de Edge Impulse.

Figura 144: A acurácia do treinamento é exibida no F1 SCORE, em nosso caso, 100%. Esse parâmetro também é

conhecido como mAP (mean Average Precision), uma métrica usada para avaliar a qualidade do modelo treinado.

Para continuar, clique em Live classification no menu à esquerda. Fonte: adaptado de Edge Impulse.

A última etapa envolve o treinamento do nosso modelo de reconhecimento.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://edgeimpulse.com
https://edgeimpulse.com
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

180

Figura 146: Clique agora em Connect to your computer para

acessar a câmera do seu computador.

Fonte: adaptado de Edge Impulse.

Figura 145: Para abrir a câmera e testar o nosso modelo, clique sobre o ícone de

microchip indicado pela seta laranja na imagem acima.

Fonte: adaptado de Edge Impulse.

Vamos testar nosso modelo? Para isso, necessitamos novamente do acesso à 
câmera do computador. Estamos chegando ao final do nosso exemplo.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://edgeimpulse.com
https://edgeimpulse.com
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

181

Figura 148: Em seguida, permita o acesso à câmera do computador.

Fonte: adaptado de Edge Impulse.

Figura 147: Na nova aba aberta, primeiro mudaremos para o modo de classificação.

Para isso, clique em Switch to classification mode.

Fonte: adaptado de Edge Impulse.

Ao conectar o computador e solicitar o microfone ou câmera, há sempre dois 
modos. O modo de aquisição de imagens ou sons para o treinamento do 
modelo ou o modo de classificação em tempo real, para validação do modelo.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://edgeimpulse.com
https://edgeimpulse.com
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

182

Figura 149: Reconhecimento do smartphone utilizado no treinamento.

Fonte: adaptado de Edge Impulse.

Figura 150: Teste com dois smartphones, um utilizado no modelo e outro aparelho de marca e modelo diferente.

Note que o modelo reconheceu corretamente os dois aparelhos.

Fonte: adaptado de Edge Impulse.

Finalizado o treinamento, experimente testar o seu modelo colocando o 
smartphone em várias posições, se possível inclua outro aparelho ou troque de 
modelo para testar se o modelo o reconhece também.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://edgeimpulse.com
https://edgeimpulse.com
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

183

2.4.2. Solução final do estudo de caso























Agora, aproximando-se da etapa final do capítulo de Introdução à Visão 
Computacional, propomos que utilize a plataforma Edge Impulse para criar um 
modelo de reconhecimento de objeto utilizando No Code.

O ponto de partida é revisitar o arquivo no qual você fez o planejamento da 
aplicação que você registrou na "Etapa Inspirar".

Em seguida, escolha um objeto que deseja identificar, como realizamos com 
o smartphone. Verifique possíveis aprimoramentos no seu planejamento e, se 
for preciso, reescreva-o.

Planejar o que será feito é essencial para que o desenvolvimento de seu 
projeto seja mais assertivo. Teste o modelo criado, procure pontos fortes na 
detecção e pontos fracos em que o modelo não funciona corretamente.

Inicialmente, releia com atenção o cenário do estudo de caso da 
"Etapa Inspirar" e as suas anotações e conclusões iniciais. Na 
sequência, você deverá promover o aprimoramento da solução 
anteriormente apresentada usando os conhecimentos que obteve 
ao longo do capítulo e do conteúdo adicional.

Lembre-se de que este aprimoramento não será objeto de 
correção ou avaliação: trata-se de uma atividade individual que 
deverá lhe ajudar a refletir sobre os conceitos que foram estudados 
e a testar novos cenários e hipóteses, validando os seus resultados 
práticos.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

184

















Arquive o refinamento do estudo de caso no formulário disponível 
no Google Sala de Aula, na aba “Etapa Consolidar”.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

185

2.5. Avaliar

Para concluir este capítulo, você deverá realizar a “Etapa Avaliar”, que 
consiste no preenchimento do Questionário de Avaliação disponível no Google 
Sala de Aula e que tem como objetivo permitir que você acompanhe 
individualmentea evolução do seu aprendizado.

Não será atribuída nota para a atividade, mas a sua entrega é obrigatória, 
pois, acima de tudo, servirá como insumo para uma análise pessoal e também 
para a realização de autocrítica a respeito dos pontos compreendidos e daqueles 
que exigem maior dedicação.

O formulário salvará as respostas de forma automática e, por isso, pode ser 
iniciado em um momento e finalizado posteriormente. Ele também será 
disponibilizado a você, para que faça consultas futuras. Além dos materiais 
didáticos fornecidos, você poderá usar quaisquer outros recursos e referências. 
Todavia, atente para o fato de que poderá respondê-lo somente uma vez.

 O registro e envio das respostas é individual e deve ser realizado dentro do 
prazo estipulado para a realização do curso.



D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

186

Referências

ABINI, M. A.; PRIYA, S. Sridevi Sathya, Detection and Classification of Diabetic 
Retinopathy Using Pretrained Deep Neural Networks. International 
Conference on Innovations in Engineering and Technology (ICIET), 
Muvattupuzha, Índia, 2023, pp.1-7.

BENGIO, Yoshua; COURVILLE, Aaron; VINCENT, Pascal. Representation 
Learning: A Review and New Perspectives. IEEE Transactions on Pattern 
Analysis and Machine Intelligence, Vol. 35, No. 8, Ago. 2013, pp.1798-1828.

CANNY, John. A Computational Approach to Edge Detection. IEEE Transactions 
on Pattern Analysis and Machine Intelligence, Vol. PAMI-8, No. 6, Nov. 1986, 
pp.679-698.

CHEN, Wei et al. Deep Learning for Instance Retrieval: A Survey. IEEE 
Transactions on Pattern Analysis and Machine Intelligence, Vol. 45, No. 6, Jun. 
2022, pp.7270-7292.

CORRÊA, Marcelo de Paula. Solar ultraviolet radiation: properties, 
characteristics and amounts observed in Brazil and South America. 
Continuing Medical Education. Anais Brasileiros de Dermatologia, Vol. 90, No. 3, 
2015, pp.297-313.

DAVIES, E. R. Machine Vision: Theory, Algorithms, Practicalities. Morgan 
Kaufmann, Massachusetts, 2005.

FORSYTH, David A.; PONCE, Jean. Computer Vision: A Modern Approach. 
Pearson, Harlow, 2015.

GRIEBEL, Ulrike. Color Vision in Marine Mammals: A Review. ResearchGate, 
Jan, 2002. Disponível em: https://www.researchgate.net/publication/228484862 . 
Acesso em: 15 jan. 2024.

GOODFELLOW, Ian J. et al. Generative Adversarial Networks. Arxiv, Jun, 2014. 
Disponível em: https://arxiv.org/pdf/1406.2661.pdf . Acesso em: 20 jan. 2024.

KISSINGER, Henry A.; SCHMIDT, Eric; HUTTENLOCHER, Daniel. A Era da IA e 
nosso futuro como humanos. Alta Books, Rio de Janeiro, 2023. 

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

187

LIAN, Naixiang; CHANG, Lanlan; TAN, Yap-Peng. Improved color filter array 
demosaicking by accurate luminance estimation. IEEE International 
Conference on Image Processing, 2005.

MARR, David. Vision: A Computational Investigation into the Human 
Representation and Processing of Visual Information. The MIT Press, 
Londres, 2010.

MINSKY, Marvin. Steps Toward Artificial Intelligence. McGraw-Hill, Nova 
Iorque, 1961.

RUSSEL, Stuart; NORVIG, Peter. Artificial Intelligence: A Modern Approach. 
Prentice Hall, Nova Jersey, 2022.

SELCUK, Burcu; SERIF, Tacha. Brain Tumor Detection and Localization with 
YOLOv8. 8th International Conference on Computer Science and Engineering 
(UBMK), Burdur, Turquia. 2023, pp.477-481.

SZELISKI, Richard. Computer Vision: Algorithms and Applications. Springer, 
Nova Iorque, 2022.

YANG, Qiang et al. Decoding Facial Emotion from Activity in The Human 
Visual Cortex using Functional Magnetic Resonance Imaging. International 
Conference on Medical Imaging Physics and Engineering (ICMIPE), Shenzhen, 
China, 2019, pp.1-5.

YOU, Haoxuan et al. Ferret: Refer and Ground anything anywhere any 
granularity. Arxiv, Out, 2023. Disponível em: 
https://arxiv.org/pdf/2310.07704.pdf . Acesso em: 17 jan. 2024.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

Capítulo 3:





Python para 
desenvolvimento de 
Inteligência Artificial: 
do básico às aplicações 
avançadas

Autoras

Adriana da Silva Nogueira

Larissa de Oliveira Figueira 
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

189





3.1. Introdução

Desejamos boas vindas ao capítulo Python para Desenvolvimento de 
Inteligência Artificial: do básico às aplicações avançadas! Este conteúdo foi 
desenvolvido para ajudar no aprendizado na linguagem de programação 
Python, iniciando com os fundamentos e avançando até algumas das técnicas 
utilizadas em aplicações de IA.

O capítulo inicia com uma introdução ao Python, explorando os elementos 
básicos e a aplicabilidade prática da linguagem, o que é essencial para 
estabelecer uma base sólida antes de nos aprofundarmos em conceitos mais 
complexos. A seguir, o conteúdo se concentra nos comandos essenciais, que 
são cruciais para qualquer programador, seguidos por uma exploração aos 
tipos de dados, variáveis, constantes e comandos de entrada - todos elementos 
fundamentais para a manipulação de dados.

Avançará para o controle de fluxo, uma habilidade chave para desenvolver 
lógicas complexas em seus códigos, além de conceitos relacionados a funções e 
modularidade, conhecimentos indispensáveis para manter seu código 
organizado e eficiente. 

Com um foco especial em bibliotecas específicas utilizadas em IA, 
fornecemos uma base sólida para aplicações mais avançados e exploramos as 
estruturas de dados, essenciais para o tratamento eficaz e eficiente de grandes 
conjuntos de dados em IA.

Abordamos, ainda, manipulação de arquivos e strings, uma competência 
fundamental para a gestão de dados e apresentamos ferramentas de 
desenvolvimento como VSCode, PyCharm, Google Colab e Jupyter Notebook, 
que permitem otimizar o fluxo de trabalho.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

190





Ao final deste capítulo, você terá não apenas compreendido os conceitos 
fundamentais do Python, mas também terá adquirido habilidades práticas para 
enfrentar desafios no campo da IA. 

Figura 151: Analogia à linguagem Python.

Fonte: imagem gerada por IA.
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

191





3.2. Inspirar

Você já ouviu falar sobre a linguagem de programação Python? Essa 
linguagem tem ganhado destaque mundialmente, tornando-se a escolha de 
muitos devido à sua versatilidade e eficiência. É notável como Python está se 
tornando uma ferramenta essencial em diversas áreas, incluindo 
desenvolvimento web, ciência de dados e Inteligência Artificial.

Diante dessa expansão tecnológica, algumas pessoas podem ter receios 
sobre aprender uma nova linguagem de programação. No entanto, como 
aponta Silva (2022), 

“[...] essas dúvidas frequentemente surgem por falta de familiaridade 
com o campo. Muitos deixam de perceber o potencial que o domínio do 
Python oferece, não só para o desenvolvimento profissional, mas também 
para a compreensão de como a tecnologia molda nosso mundo.”

Com a crescente demanda por automação e inovação, o Python se torna 
uma habilidade cada vez mais valiosa, abrindo diversas oportunidades.

Em uma recente entrevista à revista 'Tecnologia Hoje', Carlos Mendes 
(2023), diretor de inovação da Tech Solutions, destacou: “no futuro, muitas 
funções que hoje são manuais serão automatizadas por meio de linguagens como o 
Python. Isso não significa a eliminação de empregos, mas a transformação deles.”.

E como se preparar profissionalmente para esse futuro tecnológico? 
Mendes (2023) ressalta: “o diferencial estará na capacidade do profissional de se 
adaptar, aprender continuamente e dominar ferramentas tecnológicas, como o 
Python, para permanecer relevante no mercado”. 

Por sua versatilidade e abrangência o Python pode ser utilizado em diversas 
áreas. Uma das áreas que podemos destacar é o desenvolvimento web, no qual 

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

192





a linguagem é frequentemente usada para desenvolver websites e aplicações 
web por meio do uso de ferramentas disponibilizadas para facilitar o processo 
de desenvolvimento.

Em Ciência de Dados e Análise de Dados, o Python torna-se uma escolha 
popular devido a bibliotecas como Pandas, NumPy, que facilitam a manipulação 
de dados, análise estatística, e Machine Learning e que serão tratadas neste 
capítulo. Embora não seja tão popular quanto outras linguagens, pode ser 
usado em jogos, especialmente para scripting e prototipagem rápida. Pygame é 
uma biblioteca popular para desenvolvimento de jogos.

Além disso, é uma linguagem útil para automação de redes, scripting de 
servidores e administração de sistemas. Na área de análise financeira, pode ser 
usado para análise de dados, algoritmos de trading automatizado, e 
modelagem de risco.

Existe, ainda, diversos pacotes (bibliotecas) que permitem desenvolver 
sistemas de Inteligência Artificial e Aprendizado de Máquina que serão tratados 
neste e em outros capítulos deste material.

Resumindo, o objetivo principal deste capítulo é proporcionar uma 
compreensão sólida e abrangente da linguagem de programação Python, 
fornecendo as habilidades necessárias para desenvolver e implementar 
aplicações variadas, com um enfoque especial nas áreas relacionadas à 
Inteligência Artificial. O material visa construir uma base robusta em 
programação, desde a instalação e configuração do ambiente de 
desenvolvimento até conceitos avançados como manipulação de dados, 
estruturas de dados e uso de bibliotecas específicas para IA.



D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

193

Antes de iniciarmos a "Etapa de Conceitualização" na qual 
haverá a apresentação do conteúdo e a experimentação dos 
conceitos trabalhados por meio de atividades práticas, entre no 
Google Sala de Aula, na aba "Etapa Inspirar", para acessar todos 
os materiais disponibilizados, que visam a estimular sua reflexão e 
iniciar a ambientação com o conteúdo deste capítulo.

Como última atividade desta etapa, prepare-se para trabalhar a 
solução inicial do estudo de caso que será apresentado na 
próxima seção.

A solução inicial que você elaborará não será objeto de 
correção ou avaliação: trata-se de uma atividade individual que 
deverá lhe ajudar a refletir sobre os conceitos apresentados e a 
entender como trabalhá-los de maneira prática.
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

3.2.1. Estudo de Caso

Este estudo de caso visa promover a reflexão acerca do uso do Python no 
desenvolvimento de soluções para variados setores. A meta central é destacar a 
flexibilidade desta linguagem e oferecer perspectivas para projetos vindouros.















3.2.1.1. Cenário

A Facti, uma Instituição Científica e Tecnológica (ICT) privada reconhecida 
por sua atuação no mercado de Tecnologias da Informação e Comunicação 
(TICs), está em meio a uma fase de expansão. Com o objetivo de atender à 
crescente demanda por soluções nos seus projetos de Pesquisa, 
Desenvolvimento e Inovação (PD&I), a instituição está à procura de novos 
talentos. Em particular, a Facti busca alguém com conhecimento em Python 
para integrar a sua equipe de desenvolvedores.

Você, uma pessoa com interesse, paixão e ambição, recebeu a 
oportunidade para se juntar à equipe da Facti, que, como parte do processo 
seletivo e para demonstrar a amplitude de suas habilidades, propôs um desafio 
estimulante: desenvolver uma aplicação em Python que não só mostre as suas

194

Leia com atenção o cenário do estudo de caso e lembre-se: o 
propósito desta atividade é promover uma reflexão inicial acerca do 
assunto a ser discutido no cenário tendo por base somente os 
conhecimentos de que você dispõe neste momento.
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

195





habilidades técnicas mas também,evidencie a sua capacidade de contribuir 
significativamente para as aplicações em Inteligência Artificial, um aspecto 
crucial no ciclo de desenvolvimento de software da ICT.

O sucesso nesta tarefa poderia significar não apenas uma posição na 
equipe da Facti, mas também a chance de moldar o futuro das soluções 
tecnológicas. Prepare-se para aprimorar suas competências em Python e 
descobrir inovações e contribuições relevantes na área tecnológica.

Com base nas informações apresentadas, escreva uma proposta teórica 
detalhada de uma aplicação que contemple os requisitos referentes ao 
processo seletivo daFacti e que você considere interessante para ser 
desenvolvido após o aprendizado do conteúdo deste capítulo. Esta proposta 
não requer conhecimento técnico prévio, mas a organização de ideias, em um 
esboço, que poderá se transformar em um projeto inovador. 















Importante: coloque a sua resposta na atividade 
"Apresentação da solução inicial", no Google Sala de Aula, em 
um documento no formato de texto. Utilize este momento para 
trabalhar as suas ideias iniciais com o máximo de detalhamento que 
puder. Mais adiante, as suas anotações serão retomadas para o 
refinamento da solução do estudo de caso. 
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

196

3.3. Conceitualizar 

3.3.1. De onde vem a linguagem Python?

O Centro de Matemática e Ciência da Computação (CWI), situado na capital 
da Holanda, Amsterdã, é o berço de diversas linguagens de programação. Foi a 
partir de 1982, nas instalações do CWI, que os estudos iniciados culminaram no 
desenvolvimento da linguagem Python. Em 1989, Guido van Rossum (Figura 
152), programador e membro do projeto ABC, ao enfrentar dificuldades na 
implementação de um programa em linguagem C, decidiu criar uma linguagem 
de programação capaz de resolvê-las. Surgiu então a proposta que se tornaria a 
linguagem Python. 

A intenção era criar uma linguagem interpretada, com comandos de fácil 
compreensão. Van Rossum considerava que os programas em C eram extensos 
e de difícil entendimento, especialmente para programadores menos 
experientes.

Figura 152: Guido van Rossum.

Fonte: Peter Adams Photo.
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.peteradamsphoto.com/guido-van-rossum-2/
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

Após criar a linguagem, surgiu o desafio de nomeá-la. Dentro do CWI, 
existia um padrão de nomeação para projetos internos, relacionado à televisão 
ou a programas televisivos. Assim, Van Rossum decidiu batizar a linguagem em 
homenagem ao seu programa de humor favorito, o Monty Python’s Flying Circus, 
dando-lhe o nome de Python. Apesar do símbolo ser uma serpente e 
contrariando expectativas, o nome da linguagem não tem origem na serpente 
píton, mas sim no programa de comédia.

Atualmente, a linguagem Python está na versão 3.12.1, lançada em 2023. 
Os scripts em Python têm a extensão .py. 

É uma das linguagens de programação mais populares do mundo, sendo 
utilizada em uma ampla variedade de aplicações, incluindo ciência de dados, 
Aprendizado de Máquina, Inteligência Artificial, web, desenvolvimento de 
software e muito mais.

A Python Software Foundation é uma organização sem fins lucrativos que 
coordena o desenvolvimento da linguagem. 



3.3.1.1. Porque escolher o Python para 
programar?

Existem várias razões pelas quais muitas pessoas escolhem Python como 
sua linguagem de programação. Veja algumas das mais comuns:

● Sintaxe¹ clara e concisa: a sintaxe de Python é simples e fácil de ler, o que 
facilita a aprendizagem, especialmente para iniciantes em programação.

197

¹A sintaxe de programação refere-se ao conjunto de regras que define a combinação de símbolos que são 
considerados um programa válido em uma linguagem de programação. Em outras palavras, é a forma como as 
instruções são escritas e organizadas para que o computador as entenda e execute.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

198

● Versatilidade e aplicações diversas: Python é uma linguagem de 
propósito geral, o que significa que pode ser utilizada em uma ampla 
variedade de domínios, como desenvolvimento web, automação, ciência de 
dados, Inteligência Artificial, Aprendizado de Máquina, automação de 
tarefas, entre outros.

● Comunidade² ativa e suporte: Python tem uma comunidade enorme e 
ativa. Isso significa que há uma vasta quantidade de recursos, bibliotecas³ e 
módulos disponíveis. Além disso, é fácil encontrar suporte e soluções para 
problemas comuns.

● Bibliotecas poderosas: Python possui uma rica coleção de bibliotecas e 
frameworks que facilitam o desenvolvimento em diversas áreas. Por 
exemplo, o Django e o Flask para desenvolvimento web, NumPy e Pandas 
para manipulação de dados, TensorFlow e PyTorch para Aprendizado de 
Máquina, entre outros.

● Portabilidade: Python é conhecido por ser portátil, o que significa que o 
código escrito em Python pode ser executado em diversas plataformas sem 
a necessidade de modificações significativas.

● Aprendizado rápido: devido à sua sintaxe simples e clara, Python é 
frequentemente recomendado como a primeira linguagem para iniciantes 
em programação. Isso facilita o aprendizado dos fundamentos da 
programação.

² Dentro do contexto de programação, uma comunidade é definida como um grupo de pessoas que compartilham 
objetivos comuns, se reunindo com a intenção de trocar ideias, programar eventos como workshops e palestras, e 
se atualizar sobre tendências e demandas do mercado. Esses grupos são formados por programadores e são 
utilizados para suporte mútuo, aprendizado e compartilhamento de conhecimentos.



³Em programação, bibliotecas são conjuntos de códigos pré-escritos que os programadores podem utilizar para 
realizar tarefas comuns sem a necessidade de escrever código do zero.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

199

Essas são apenas algumas das razões pelas quais Python é uma escolha 
popular para programadores em diversas áreas. No entanto, a escolha da 
linguagem muitas vezes depende do contexto específico do projeto e das 
preferências pessoais do desenvolvedor.

É importante destacar, antes de começarmos a aprender a programar, que a 
execução de programas nesta linguagem depende de um componente de 
software chamado interpretador. Este interpretador é fundamental, pois 
permite que os códigos escritos ou scripts sejam processados e executados. 
Sem ele, os códigos permanecem inativos e não podem ser rodados. Em 
resumo, o funcionamento dos programas depende da interpretação que este 
software realiza. Na seção 3.2.2, forneceremos orientações sobre como 
proceder com esta instalação. 

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

200

3.3.2. Instalação do Python

Para instalar o Python siga os passos a seguir:Passo 1: Acesse o link https://www.python.org/downloads/ (Figura 153). É 
possível instalar o Python para Windows, Linux/UNIX, macOS e outras 
plataformas. É recomendável instalar sempre a última versão. Verifique, antes 
de realizar o download, a versão que seja compatível ao Sistema Operacional de 
seu computador (inclusive se para Windows 32 ou 64 bits). Atenção: o Python 
não oferece mais suporte para Sistema Operacional Windows 7 ou inferior.





















Passo 2: Clique no botão Download Python 3.12.1, onde este representa a 
última versão disponível. O arquivo com extensão .exe será baixado para a pasta 
de downloads do seu computador. 



Passo 3: Após o download, localize o arquivo e execute-o clicando duas vezes 
sobre ele.

Figura 153: Download do Python.

Fonte: adaptado de Python.org.
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.python.org/downloads/
https://www.python.org/downloads/
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

201

Passo 4: A instalação iniciará. Clique em Install Now conforme mostra a 
Figura 154 e aguarde a finalização da instalação (Figura 155).
Figura 155: Progresso da Instalação do Python.

Fonte: adaptado de Python.org.

Figura 154: Instalando o Python.

Fonte: adaptado de Python.org.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.python.org/downloads/
https://www.python.org/downloads/
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

202

3.3.3. Comandos essenciais em Python

Criar um script em Python é semelhante a redigir um texto. No entanto, é 
importante lembrar que os comandos são executados sequencialmente, na 
ordem em que são escritos, linha a linha, de cima para baixo. Essas 
características definem as propriedades de uma linguagem estruturada, embora 
o Python também permite outras abordagens.

Além dos comandos, é crucial destacar a importância dos comentários, que 
desempenham um papel essencial na documentação e explicação do 
funcionamento do código para terceiros.



3.3.3.1. Mas como comentar os scripts? 

Como definição de boas práticas de programação, os comentários são 
comuns nos mais variados cenários. Assim como em outras linguagens, existem 
duas formas de se comentar em Python:

1. Comentários em linha (uma única linha)

2. Comentários em bloco (um conjunto de linhas)









Comentários em linha, como apresentado acima começam com o símbolo # 
e continuam até o final da linha. Eles são frequentemente usados para fornecer 
informações breves sobre o código que está sendo executado.

# ISSO É UM COMENTÁRIO EM UMA ÚNICA LINHA
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

203

Já os comentários em bloco começam e terminam com as três aspas 
duplas """, ou com três aspas simples '''. Eles podem ser usados para fornecer 
comentários mais longos, como explicações de código ou documentação.



























A seguir abordaremos os comandos essenciais. O primeiro comando é 
denominado de comando de saída, pois fornece informações aos usuários. Ao 
longo deste capítulo você será apresentado a inúmeros comandos, conceitos e 
problemas, permeados por soluções e exemplos, a fim de facilitar o 
entendimento e gerar os conhecimentos necessários.

''' 
ISSO É UM COMENTÁRIO 
EM UM BLOCO 
DE LINHAS 
'''
"""
ISSO TAMBÉM É UM COMENTÁRIO 
EM UM BLOCO 
DE LINHAS 
"""
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

204

3.3.3.2. O que é um comando de saída? 

Um comando de saída é uma instrução que imprime um valor ou uma 
mensagem na tela de saída, permitindo assim que o usuário interaja com o 
programa exibindo dados. Em Python, este comando (função) é o print(). 

A função aceita um ou mais argumentos, que podem ser de qualquer tipo, 
incluindo números, strings, listas, tuplas, dicionários e objetos.

A sintaxe do comando print é dada a seguir:







Toda cadeia de caracteres a ser exibida em Python deve ser colocada entre 
aspas, podendo ser simples ou duplas. No momento em que a linha de 
comando é executada, ela apresentará na tela de saída o conjunto de 
caracteres (cadeia) que estiver contida entre aspas. O comando possui 
variações na forma com que recebe cadeia de caracteres e valores. A sintaxe de 
algumas possíveis variações são mostradas a seguir: 







O uso da vírgula é importante quando é necessário inserir espaços entre 
palavras, frases e/ou valores.

print("FRASE A SER IMPRESSA NA TELA")
print("PALAVRA1","PALAVRA2","PALAVRA3")
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

205







O uso do símbolo + entre cadeias de caracteres realiza uma operação 
denominada concatenação, que une duas ou mais cadeias de caracteres, 
formando uma única cadeia.

Na próxima seção, serão apresentados diversos ambientes de programação 
para o desenvolvimento em Python. Esses ambientes oferecem a execução de 
scripts e uma ampla variedade de recursos que facilitam o trabalho do 
programador. 

print("PALAVRA1" + "PALAVRA2" + "PALAVRA3")
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

206

3.3.4. Ferramentas de programação em 
Python

Nesta seção, serão exploradas quatro ferramentas de desenvolvimento para 
programadores e cientistas de dados: Visual Studio Code, Jupyter Notebook, 
Google Colab e PyCharm (Figura 156), respectivamente. 

Cada uma dessas ferramentas tem características únicas e é adequada para 
diferentes aspectos do desenvolvimento em linguagem Python. Enquanto o 
Jupyter Notebook e o Google Colab são excelentes para experimentação 
interativa e análise de dados, o Visual Studio Code e o PyCharm oferecem 
recursos mais robustos para desenvolvimento de software e gerenciamento de 
projetos. A escolha da ferramenta mais adequada pode variar de acordo com 
suas necessidades e preferências pessoais. 

Embora você possa optar por usar a ferramenta que mais lhe agrada para 
realizar as atividades propostas neste capítulo,sugerimos que experimente 
todas elas. Essa abordagem não só amplia suas habilidades, mas também 
oferece uma visão abrangente sobre diferentes possibilidades para 
programação em Python, facilitando assim o seu aprendizado.

Figura 156: Logotipos dos ambientes de desenvolvimento contemplados ao longo do curso.

Fonte: as Autoras.
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

207

3.3.4.1. O que é um editor de código?

Um editor de código é um software projetado para facilitar a escrita e edição 
de código-fonte, ou seja, programas em uma determinada linguagem de 
programação. Todo editor possui recursos avançados como realce de sintaxe, 
que muda a cor e o formato do texto conforme a linguagem de programação e 
completação automática de código, que agiliza a codificação ao sugerir 
comandos e estruturas de código. Além disso, muitos editores oferecem 
verificação de erros em tempo real, ajudando a identificar e corrigir problemas 
de sintaxe e lógica à medida que o código é escrito.

Os editores de código também suportam várias linguagens de programação, 
adaptando-se às necessidades de projetos diversos (Figura 157). Eles auxiliam na 
manutenção de boas práticas de formatação, como a correta indentação e 
alinhamento do código e facilitam a navegação em grandes bases de código. 
Outra característica valiosa é a integração com sistemas de controle de versão, 
como Git, permitindo aos desenvolvedores gerenciar e rastrear alterações de 
forma eficiente.

Figura 157: Simulação de um ambiente de desenvolvimento de código.

Fonte: imagem gerada por IA.
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

208

3.3.4.2. O que é a ferramenta Visual Studio 
Code?

O Visual Studio Code (VS Code), desenvolvido pela Microsoft, é um editor de 
código gratuito, leve e de código aberto (open source) que oferece suporte a uma 
ampla variedade de linguagens de programação. É uma escolha popular entre 
desenvolvedores, tendo assim, uma ampla comunidade de usuários ativa. Ele é 
multiplataforma, estando disponível para Windows, macOS e Linux, o que facilita 
a criação, exportação e sincronização de perfis para o usuário.

O VS Code suporta uma vasta gama de extensões que permitem 
personalizar o ambiente de desenvolvimento para atender às necessidades 
específicas de programadores e linguagens de programação, oferecendo um 
editor de texto altamente flexível, com destaque de sintaxe, autocompletar, 
formatação automática e outras funcionalidades que melhoram a produtividade 
do desenvolvedor.

Ele oferece integração para controle de versão com sistemas baseados no 
Git, tornando o gerenciamento de versões mais eficiente, além de permitir a 
depuração do código diretamente no ambiente de programação, facilitando a 
identificação e correção de erros.

A integração com serviços de nuvem, como Azure e AWS, simplificam o 
desenvolvimento de aplicativos que utilizam esta tecnologia. 

Para instalar o VS Code siga os passos a seguir:



Passo 1: Acesse o link https://code.visualstudio.com/download (Figura 158) e 
selecione a versão mais adequada ao seu Sistema Operacional.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://code.visualstudio.com/download
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

























Após clicar no link para baixar o programa, você será redirecionado para a 
página da documentação e o download será iniciado. Após o término, localize o 
arquivo executável na pasta de downloads do seu computador.



Passo 2: Para realizar a instalação é necessário aceitar os termos de licença 
do software. Após clicar em “Eu aceito o acordo”, clique em Próximo e siga os 
passos a seguir (Figura 159-165). 
209

Figura 158: Página de downloads do VS Code.

Fonte: adaptado de VS Code.
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://code.visualstudio.com/download
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

210

Figura 159: Aceite dos termos de licença.

Fonte: adaptado de VS Code.

Figura 160: Escolha do local da instalação.

Fonte: adaptado de VS Code.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://code.visualstudio.com/download
https://code.visualstudio.com/download
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

211

Figura 161: Escolha da pasta no menu iniciar.

Fonte: adaptado de VS Code.

Figura 162: Seleção de tarefas adicionais.

Fonte: adaptado de VS Code.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://code.visualstudio.com/download
https://code.visualstudio.com/download
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

212

Figura 163: Instalação do VS Code.

Fonte: adaptado de VS Code.

Figura 164: Progresso da instalação.

Fonte: adaptado de VS Code.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://code.visualstudio.com/download
https://code.visualstudio.com/download
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional





























Ao finalizar a instalação, o VS Code será iniciado e você visualizará a tela a 
seguir (Figura 166). Antes de iniciar a programação nesta IDE, devem ser 
instaladas algumas extensões sobre as quais abordaremos no próximo tópico.

213

Figura 165: Finalização da instalação.

Fonte: adaptado de VS Code.

Figura 166: Tela inicial do VS Code.

Fonte: adaptado de VS Code.





D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://code.visualstudio.com/download
https://code.visualstudio.com/downloadTrilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

214

3.3.4.2.1. Instalando extensões

As extensões são módulos de software adicionais que ampliam ou 
adicionam funcionalidades ao editor de código. Permitem personalizar e 
adaptar o ambiente de desenvolvimento conforme as necessidades e 
preferências de cada desenvolvedor, melhorando a experiência de 
desenvolvimento e aumentando a produtividade e eficiência. Além das 
fornecidas pelo fabricante do software, as extensões podem ser desenvolvidas 
pela comunidade de usuários ou por terceiros.

Estima-se que a ferramenta possui um pouco mais de 30 mil de extensões 
disponíveis na aba extensões do VS Code que cobrem diversas áreas. Entre as 
extensões específicas para linguagens de programação, as mais comuns são 
utilizadas nas linguagens Java, TypeScript, Python, HTML, CSS, JavaScript, Ruby, 
C e C++.

Antes de iniciarmos o desenvolvimento de códigos nesta IDE, instale a 
extensão Português (PT-BR) que permite traduzir a IDE. Com o VS Code aberto, 
clique no ícone Extensões (Figura 167).

Figura 167: Extensões no VS Code.

Fonte: adaptado de VS Code.









D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://code.visualstudio.com/download
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

215

Digite a palavra “Portuguese” no campo de busca e clique no botão Install 
na primeira opção apresentada conforme a figura 168.





















Ao final da instalação será solicitado que a IDE seja reiniciada para que as 
configurações de linguagem sejam aplicadas (Figura 169).











A segunda extensão que precisará ser instalada é a IntelliCode que utiliza 
Inteligência Artificial para recomendar opções autocomplete por meio de uma 
lista suspensa. Use a opção instalar desta extensão conforme mostra a Figura 
170.

O processo de instalação das extensões sempre seguirá o mesmo processo, 
ou seja, você deve pesquisar pelo nome da mesma na aba extensões e clicar no 
botão instalar, porém, nem sempre será necessário reiniciar o VS Code.
Figura 168: Extensão Portuguese. 

Fonte: adaptado de VS Code.

Figura 169: Reiniciando a IDE.

Fonte: adaptado de VS Code.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://code.visualstudio.com/download
https://code.visualstudio.com/download
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

216











3.3.4.2.2. Realizando os primeiros códigos 
no VS Code

Para programar em Python no VS Code você deve clicar em Novo Arquivo 
na página inicial ou clicar no menu Arquivo, opção Novo Arquivo conforme 
apresentado na Figura 171.

Figura 170: Extensão IntelliCode.

Fonte: adaptado de VS Code.





Figura 171: Novo arquivo no VS Code.

Fonte: adaptado de VS Code.









D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://code.visualstudio.com/download
https://code.visualstudio.com/download
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

217

Surgirá a caixa de diálogo (Figura 172) Novo Arquivo na qual deve ser 
digitado o nome do arquivo. Neste caso o nome dado será Exercicio1.py, sendo 
py a extensão padrão dos arquivos em Python.













Pressione Enter e surgirá a caixa de diálogo para salvar o arquivo. Selecione 
o local mais apropriado e adicione a extensão .py, clicando em seguida em Criar 
Arquivo conforme a Figura 173.



















O arquivo será criado e surgirá no canto inferior direito uma caixa de diálogo 
(Figura 174) perguntando se deseja instalar as configurações recomendadas 
para o Python. Instale as configurações para só então iniciar a codificação.

Figura 172: Caixa de diálogo Novo Arquivo.

Fonte: adaptado de VS Code.

Figura 173: Caixa de diálogo Criar Arquivo.

Fonte: adaptado de VS Code.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://code.visualstudio.com/download
https://code.visualstudio.com/download
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

218























Digite o código a seguir e execute-o por meio da tecla F5 do teclado ou do 
menu Executar, opção Iniciar a Depuração.









A depuração é um processo que visa identificar e corrigir erros em um 
programa. É possível definir pontos de interrupção no código, indicando em 
que a execução do programa deve pausar. Durante a execução, o 
desenvolvedor pode inspecionar variáveis, avaliar expressões e percorrer o 
código fonte linha a linha, permitindo uma análise detalhada. Além disso, o VS 
Code oferece ferramentas como consoles interativos e visualização de pilha de 
chamadas, facilitando a compreensão do fluxo de execução, além de suportar 
testes unitários, proporcionando maior eficiência.

1. #Primeiro Código em Python
2. print("Olá, mundo!")
Figura 174: Instalação das configurações recomendadas.

Fonte: adaptado de VS Code.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://code.visualstudio.com/download
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

219

Vamos testar outro exemplo. Para isso você precisa pedir um Arquivo Novo 
e selecionar a opção Arquivo Python (Figura 175).













Teste as saídas simples e as saídas concatenadas apresentadas a seguir e 
veja as saídas produzidas (Figura 176).

1. """
2. Testando saídas simples e concatenadas 
3. """
4. print('Olá, mundo!', 'Hoje é dia de aprender a 
programar.')
5. print('Olá, mundo!'+'Hoje é dia de aprender a 
programar')
Figura 175: Arquivo Python.

Fonte: adaptado de VS Code.

Figura 176: Terminal do VSCode exibindo as saídas geradas pelo código apresentado. 

Fonte: captura de tela da IDE. 

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://code.visualstudio.com/download
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

220

3.3.4.3. Conhecendo o Jupyter Notebook 
como ferramenta de programação

O Jupyter Notebook é uma aplicação de código aberto que permite a criação 
e compartilhamento de documentos interativos contendo código, texto 
explicativo, visualizações e equações matemáticas. É amplamente utilizado por 
cientistas de dados, pesquisadores e educadores para criar ambientesde 
computação interativa em linguagens como Python, R e Julia. 

Os notebooks Jupyter consistem em células que podem conter código 
executável, texto formatado usando a linguagem de marcação Markdown e 
visualizações incorporadas, tornando-os uma ferramenta poderosa para 
explorar dados, desenvolver algoritmos, e comunicar resultados de forma 
integrada. 

3.3.4.3.1. Instalação do Jupyter Notebook 
(Anaconda)

Para instalar o Jupyter Notebook siga os passos a seguir.

Passo 1: Acesse o link https://www.anaconda.com/products/distribution e 
baixe o executável Jupyter Notebook Anaconda. Verifique o Sistema Operacional 
desejado conforme seu computador, isto é, se para Windows 32 ou 64 bits. 

Passo 2: Após finalizar o download, execute o arquivo seguindo os passos 
abaixo (Figura 177). 

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.anaconda.com/products/distribution
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

Clique em “Download” se as configurações estiverem corretas ou procure o 
instalador compatível no final da página para instalar a versão gratuita e open 
source. Atente-se aos requisitos mínimos, conforme especificado no site.



















Passo 2: Após finalizar o download, execute o arquivo seguindo os passos 
abaixo (Figura 178-185).

221

Figura 177: Baixando o Jupyter Notebook (Anaconda3 2023.09-0).

Fonte: adaptado de Anaconda.

Figura 178: Instalando Anaconda3 2023.09-0 (passo 1).

Fonte: adaptado de Anaconda.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://anaconda.org/anaconda/jupyter
https://www.anaconda.com/products/distribution
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

222

Figura 180: Instalando Anaconda3 2023.09-0 (passo 3).

Fonte: adaptado de Anaconda.

Figura 179: Instalando Anaconda3 2023.09-0 (passo 2).

Fonte: adaptado de Anaconda.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.anaconda.com/products/distribution
https://www.anaconda.com/products/distribution
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

223

Figura 181: Instalando Anaconda3 2023.09-0 (passo 4).

Fonte: adaptado de Anaconda.

Figura 182: Instalando Anaconda3 2023.09-0 (passo 5).

Fonte: adaptado de Anaconda.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.anaconda.com/products/distribution
https://www.anaconda.com/products/distribution
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

224

ATENÇÃO: Marcar a opção Add Anaconda to my PATH environment 
variable. Ao marcar esta opção, haverá a instalação das variáveis do sistema 
para não ter que configurá-las individualmente depois.

Figura 183: Instalando Anaconda3 2023.09-0 (passo 6).

Fonte: adaptado de Anaconda.

Figura 184: Instalando Anaconda3 2023.09-0 (passo 7).

Fonte: adaptado de Anaconda.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.anaconda.com/products/distribution
https://www.anaconda.com/products/distribution
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

225

Figura 185: Instalando Anaconda3 2023.09-0 (passo 8).

Fonte: adaptado de Anaconda.

Passo 3: Após o fim da instalação, o Jupyter Notebook (Anaconda) abrirá em 
seu navegador padrão uma nova janela, para que seja realizado o registro 
gratuito no Anaconda Nucleus e, a partir daí, seja possível utilizar a ferramenta.

Caso a página não abra automaticamente em uma nova janela do 
navegador, realize o registro pode ser realizado em 
https://anaconda.cloud/getting-started-with-anaconda-distribution.

Para efetuar o registro forneça um e-mail válido, crie e repita a senha nos 
campos indicados e marque as opções: “Academic”, “I have read and agree to 
Anaconda's Privacy Policy and Terms of Service” e “não sou um robô” (Figura 
186). 



D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.anaconda.com/products/distribution
https://anaconda.cloud/getting-started-with-anaconda-distribution
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

226

Em seguida, uma nova janela abrirá para a indicação de dados pessoais 
(Figura 187).

Figura 186: Registrando o Anaconda Nucleus (passo 1).

Fonte: adaptado de Anaconda.

Figura 187: Instalando Anaconda3 2023.09-0 (passo 2).

Fonte: adaptado de Anaconda.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.anaconda.com/products/distribution
https://www.anaconda.com/products/distribution
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

227

Passo 4: Para finalizar o cadastro será necessário clicar em enviar um e-mail 
de verificação (Send Verification Email). Uma mensagem será enviada ao e-mail 
informado e deverá ser acessada para que seja confirmada.

Com o cadastro finalizado, será possível abrir e editar códigos no Jupyter 
Notebook. Para isso, abra novamente o prompt de comando (cmd) (figura 188) 
para criar a pasta que irá comportar os arquivos notebooks, com os seguintes 
passos:















Executar o Jupyter Notebook no prompt de comando para ativá-lo. Uma aba 
no navegador padrão deverá ser aberta com a tela do Jupyter Notebook.

Caso não abra a página do navegador com os comandos, também é 
possível abrir o Jupyter Notebook copiando-se os links da forma como 
aparecerá nas duas últimas linhas do seu prompt de comando.

Uma outra possibilidade de abrir o Jupyter Notebook é localizar o ícone do 
aplicativo no Menu Iniciar do Windows. Note que, sempre que iniciado, um 
prompt de comando é aberto e deverá permanecer aberto enquanto estiver 
utilizando o Jupyter em seu navegador. 

mkdir \Projetos 
//Criando a pasta Projetos
cd \Projetos
//Acessando o diretório criado
jupyter notebook
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ador
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

228

Passo 5: Para começar um novo projeto, localize no canto superior direito a 
opção “New” e clique em “Python 3 (ipykernel)”. Uma nova janela se abrirá com 
o ambiente de programação (Figura 189). Explore a ferramenta para se 
ambientar.

Figura 188: Criando a pasta de projetos para o Jupyter Notebook.

Fonte: as Autoras.

Figura 189: Ambiente de projetos do Jupyter Notebook.

Fonte: adaptado de Anaconda.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.anaconda.com/products/distribution
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

229

3.3.4.3.2. Desenvolvendo códigos básicos 
em markdown e Python

Markdown é uma linguagem de marcação simples que foi criada com o 
objetivo de ser facilmente escrita e compreendida, permitindo que o texto seja 
convertido em um HTML válido. É comumente usada para formatar textos em 
plataformas online, como fóruns, wikis entre outras.

A funcionalidade principal desta linguagem em Python é adicionar 
formatação básica como listas, links, imagens e outros elementos, sem a 
necessidade de usar HTML ou linguagens mais complexas, o que faz com que a 
documentação esteja clara e bem formatada junto com o código fonte.

A seguir são apresentados exemplos em markdown.

# Título Principal
## Subtítulo
### Sub-subtítulo
**Texto em Negrito**
*Texto em Itálico*
- Item 1
- Item 2
 - Subitem A
 - Subitem B
'texto comentado aqui'
 print("Olá, mundo!")
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

230

3.3.4.4. Conhecendo o Google Colab como 
ferramenta de programação 

O Google Colaboratory, mais conhecido como Google Colab, é um serviço de 
nuvem gratuito do Google, criado para incentivar a pesquisa de Aprendizado de 
Máquina e Inteligência Artificial. É uma ferramenta que permite misturar 
código-fonte (geralmente na linguagem Python) e texto formatado (geralmente 
em Markdown) com imagens. O resultado desse código dá origem à técnica 
conhecida como notebook.

Como o Google Colab dedicada ao desenvolvimento em Python, é possível 
testá-lo online, diretamente no navegador, sem necessidade de instalar o Python 
e nenhum outro software em sua máquina local. O ambiente é pré-configurado, 
tendo as principais bibliotecas Python pré-instaladas, o que torna mais fácil 
importá-las e utilizar os recursos. 

Uma de suas maiores vantagens é a possibilidade de utilizar os servidores do 
Google, permitindo habilitar e utilizar Unidades de Processamento Gráfico 
(GPUs) enquanto executa os códigos, principalmente durante o uso de 
bibliotecas para treinamento de modelos de Aprendizado de Máquina, análise 
de dados e simulações complexas, sem a necessidade de um hardware 
poderoso. 

A ferramenta funciona na maioria dos navegadores - como Chrome, Firefox e 
Safari - e está disponível para acesso em https://colab.research.google.com. 

Para iniciar e criar o seu primeiro código, basta clicar na opção “Arquivo” e 
criar “Novo Notebook” (Figura 190). O arquivo é criado com uma célula para 
escrever código ou texto e executá-la individualmente, apresentando o resultado 
da execução, logo abaixo da célula correspondente (Figura 191). 

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://colab.research.google.com
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

231

Figura 190: Ambiente inicial do Google Colab.

Fonte: adaptado de Google Colab.

Figura 191: Ambiente de projetos do Google Colab.

Fonte: adaptado de Google Colab.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://colab.research.google.com/
https://colab.research.google.com/
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

232

3.3.4.5. Conhecendo o PyCharm como 
ferramentas de programação em Python

O PyCharm é uma IDE projetada especificamente para a linguagem de 
programação Python. Foi desenvolvida pela pela JetBrains e oferece uma ampla 
gama de recursos que facilitam o processo de desenvolvimento.

Apresenta uma interface de usuário intuitiva e amigável, proporcionando 
uma experiência de desenvolvimento fluida. Seus menus intuitivos e a 
organização da barra de ferramentas facilita a navegação e o acesso rápido às 
funcionalidades essenciais.

A IDE do PyCharm é uma multiplataforma com versões para Windows, 
MacOS e Linux, que fornece análise de código, depurador gráfico, auto 
completação de código e capacidades de navegação que facilitam a escrita de 
código.



3.3.4.5.1. Instalando o PyCharm 

Para instalar esta ferramenta siga os passos apresentados a seguir.

Passo 1: Para a realização das atividades previstas neste e em alguns dos 
outros capítulos, será necessário baixar o Pycharm Community Edition. Utilize 
esta versão por ser gratuita e open source. 

Acesse o site https://www.jetbrains.com/pt-br/pycharm/download, localize a 
versão indicada para seu sistema operacional e clique em Baixar (Figura 192). 
Atente-se aos requisitos mínimos indicados para um melhor desempenho da 
IDE.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.jetbrains.com/pt-br/pycharm/download
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

233

Passo 2: O arquivo será baixado para a pasta de downloads do seu computador. 
Acesse-a e localize o arquivo pycharm-community-2023.X.X.exe (em que X 
representa a versão do programa). Inicie a instalação e siga os passos 
apresentados a seguir (Figura 193-197).

Figura 192: Área de download PyCharm.

Fonte: adaptado de PyCharm.

Figura 193: Instalando o PyCharm.

Fonte: adaptado de PyCharm.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.jetbrains.com/pt-br/pycharm/download/?section=windows
https://www.jetbrains.com/pt-br/pycharm/download/?section=windows
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

234

Figura 194: Instalando o PyCharm.

Fonte: adaptado de PyCharm.

Figura 195: Instalando o PyCharm.

Fonte: adaptado de PyCharm.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
roni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.jetbrains.com/pt-br/pycharm/download/?section=windows
https://www.jetbrains.com/pt-br/pycharm/download/?section=windows
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

235

Figura 196: Instalando o PyCharm.

Fonte: adaptado de PyCharm.

Figura 197: Instalando o PyCharm.

Fonte: adaptado de PyCharm.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.jetbrains.com/pt-br/pycharm/download/?section=windows
https://www.jetbrains.com/pt-br/pycharm/download/?section=windows
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

236

Ao abrir o PyCharm pela primeira vez, uma janela chamada Create Project 
aparecerá a tela apresentada a seguir (Figura 198), e nela, define-se as 
configurações necessárias para iniciar um novo projeto. 

É possível criar um novo projeto a qualquer momento, clicando em File e, 
em seguida, New Project no menu superior da janela principal do PyCharm. 
Primeiro, especifica-se o nome do projeto e o local padrão em que será salvo. 
Ao clicar em Create, o projeto é criado e direcionado para o ambiente de 
programação (Figura 199), contendo os recursos necessários.
Figura 198: Criando um novo projeto no PyCharm.

Fonte: adaptado de PyCharm.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.jetbrains.com/pt-br/pycharm/download/?section=windows
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

237

Figura 199: Ambiente de programação do PyCharm.

Fonte: adaptado de PyCharm.

Todas as propostas de soluções relacionadas às atividades de 
experimentação sugeridos na etapa de conceitualização serão disponibilizadas 
via Google Colab, enquanto os exemplos apresentados ao longo deste capítulo 
serão executados utilizando o VSCode. 

Nos capítulos subsequentes, outras ferramentas serão empregadas.

Para complementar e otimizar seu aprendizado, será realizada uma seção 
de atividades de experimentação referentes aos temas abordados.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
https://www.jetbrains.com/pt-br/pycharm/download/?section=windows
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

238

3.3.5. Atividades de experimentação



































IMPORTANTE: Antes de iniciar as atividades de experimentação, é 
fundamental completar os passos anteriores relacionados à 
configuração da IDE escolhida. 

Recomenda-se estudar o conteúdo dos tópicos anteriores para se 
familiarizar com os temas que serão abordados nos atividades de 
experimentação. 

É importante esclarecer que estas atividades não compõem a 
avaliação e não haverá correção formal por parte dos instrutores; o 
objetivo é a autoaprendizagem e prática. As respostas e dicas de 
desenvolvimento para cada atividade estão disponíveis em arquivos 
específicos no Google Sala de Aula, na aba Etapa Conceitualizar. 

O nível de complexidade de cada atividade é indicado pelos 
seguintes símbolos:



 ● Complexidade Baixa

 ●● Complexidade Média

●●● Complexidade Alta



Encorajamos a criação de suas soluções antes de consultar o 
gabarito disponível, para maximizar o aprendizado.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

239

As atividades de experimentação a seguir foram elaborados para ajudá-lo a 
familiarizar-se com as funcionalidades básicas do comando print em Python, 
uma habilidade essencial para qualquer pessoa que está começando a 
programar nesta linguagem.



 Atividades de experimentação 1 ●

Escreva um programa que use o comando print para exibir a frase "Olá, 
Mundo!".



 Atividades de experimentação 2 ●

 Utilize o comando print para exibir seu nome completo.



 Atividades de experimentação 3 ●●

Crie um programa que combine duas strings e as exibe usando o comando 
print. Por exemplo, "Python" e "Programação" se tornam "PythonProgramação".



Atividades de experimentação 4 ●

Use o print para mostrar o resultado de uma operação matemática simples, 
como 5 + 3.



 Atividades de experimentação 5 ●●

Escreva um poema ou uma citação famosa usando o print, formatando-o em 
várias linhas.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

240

Atividades de experimentação 6 ●● 

Use o comando print com o parâmetro end para juntar a saída de dois 
comandos print em uma única linha.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

241

3.3.6. Tipos de dados e variáveis

Tipos de dados são categorias que determinam os valores que uma variável 
pode armazenar e as operações que podem ser realizadas sobre esses valores. 
Na linguagem Python, os tipos de dados são dinâmicos, ou seja, a linguagem 
permite que o tipo de dado de uma variável seja determinado em tempo de 
execução, adaptando-se conforme o necessário e eliminando assim a 
necessidade de declarar explicitamente o tipo de dado de uma variável. 

Mas afinal, o que é uma variável?

Em programação, uma variável é um espaço de armazenamento temporário 
na memória do computador, identificado por um nome, que contém um valor ou 
informação. Em essência, pode ser definida como um rótulo associado a um 
local na memória do computador em que os dados podem ser armazenados, 
acessados e recuperados durante a execução de um programa.

Figura 200: Exemplo da definição de variável como um espaço de armazenamento.

Fonte: as Autoras. 
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional242

Na figura 200 temos uma analogia simples com o contexto apresentado. 
Neste caso, uma variável foi definida com o rótulo NOME para armazenar a 
cadeia de caracteres "João". 

Mas afinal, o que é armazenado em uma variável?

É possível armazenar diferentes tipos de dados, como números, caracteres, 
valores booleanos entre outros, dependendo da linguagem de programação 
utilizada. Verifique a seguir cada um dos tipos de dados mais utilizados:

1. Inteiro (int): representa números inteiros 





2. Ponto Flutuante (float): representa os números decimais





3. String (str): representa a sequência de caracteres, como palavras ou frases.





4. Booleano (bool): representa os valores lógicos verdadeiro (True) ou falso 
(False). 





É importante ressaltar que os tipos de dados apresentados anteriormente 
referem-se a variáveis consideradas simples, ou seja, armazenam apenas uma 
única informação por vez.

variavel_inteira = 12
variavel_real = 3.1415926
variavel_caractere = "Olá, Mundo"
variavel_booleana = True
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

243

No item específico sobre estrutura de dados, iremos conhecer as variáveis 
compostas, como listas, tuplas, dicionários e conjuntos, que nos permitem 
organizar os dados de maneira mais complexa. 

Cada variável deve ter um identificador, que é um nome único que a 
identifica. O identificador é usado para localizar a variável na memória do 
computador, essa atribuição deve respeitar regras da linguagem de 
programação para ser válido.

Quais as regras necessárias para a definição 
de identificadores?

• Nunca devem iniciar com números

• Nunca devem ter caracteres especiais

• Podem ter qualquer comprimento

• Podem mesclar letras e números

• Podem iniciar com sublinhado (_)

• Letras maiúsculas são diferentes de minúsculas

• Não podem corresponder a palavras reservadas

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

244

3.3.7. O que é um comando de entrada?

Um comando de entrada é uma instrução capaz de receber dados fornecidos 
por meio do teclado. Em Python, este comando é o input(). A função input() é 
utilizada para que o usuário possa interagir com o programa, fornecendo 
informações como cadeias de caracteres e valores. 

A sintaxe do comando input é dada a seguir:





É necessário que o comando esteja vinculado a uma variável, pois é nela que 
os dados fornecidos serão armazenados. A sintaxe de tal linha de comando pode 
ser observada abaixo:





Analisando a sintaxe apresentada, pode-se perceber que a função input está 
vinculada a uma saída de texto, ou seja, ela permite ao programador exibir 
informações na tela para o usuário, a fim de orientá-lo em relação aos dados 
que serão inseridos. Verifique um exemplo de aplicação abaixo.

input('') 
var = input('Texto que será exibido na tela de saída')
1. nome = input('Qual o seu nome? ')
2. idade = input('Qual a sua idade? ')
3. altura = input('Qual a sua altura? ')
4. print('Seu nome é: ', nome,'.')
5. print('Sua idade é: ', idade,'anos.')
6. print('Sua altura é: ',altura,'m.')
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

245

No exemplo anterior, pode-se observar a criação de três variáveis destinadas 
a armazenar informações obtidas por meio da função input. Um exemplo é o 
identificador 'nome' vinculado à função por meio do operador de atribuição4, 
ou seja, o dado que será armazenado na variável será uma informação de 
entrada. 

É importante destacar que, ao ser utilizado na forma apresentada, o 
comando atribui automaticamente o tipo de dado str à variável associada. 
Abaixo, pode ser observada a saída de tela final, gerada pelo código anterior 
quando compilado, executado e com os dados de entrada fornecidos pelo 
usuário (Figura 201).

4O operador de atribuição em programação é utilizado para atribuir um valor a uma variável. Ele é representado pelo sinal de igual 
(=). Ao utilizá-lo, você estará essencialmente dizendo ao programa para armazenar o valor à direita do sinal de igual na variável à 
esquerda do sinal de igual.
Figura 201: Terminal do VSCode exibindo as saídas geradas pelo código apresentado. 

Fonte: captura de tela da IDE. 

1. num1 = input('Forneça um valor inteiro:')
2. num2 = input('Forneça um segundo valor inteiro:')
3. num3 = input('Forneça um terceiro valor inteiro:')
4. print('A soma dos valores fornecidos é:', 
num1+num2+num3)
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

No exemplo acima, o código solicita três valores inteiros ao usuário por 
meio do comando de entrada. Note que esses valores são armazenados nas 
variáveis denominadas num1, num2 e num3, e ao final é esperado que seja 
exibido na tela a soma dos três valores fornecidos (Figura 202).















Na saída exibida acima, é possível perceber que o resultado esperado não 
ocorre. Em vez de realizar a soma, o programa está realizando a concatenação 
das variáveis, ou seja, agrupando os dados de num1, num2 e num3. Isso 
ocorre porque, como informado anteriormente, os dados obtidos por meio do 
comando de entrada são armazenados como strings e não como os valores 
inteiros desejados.

Para garantir o correto funcionamento do código apresentado é essencial 
realizar a conversão dos tipos de dados, ou seja, efetuar a transformação das 
variáveis de string para o tipo numérico.

246

Figura 202: Terminal do VSCode exibindo as saídas geradas pelo código apresentado. 

Fonte: captura de tela da IDE. 

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

247

3.3.7.1. Como converter os dados do 
comando input para o tipo necessário?

Abaixo são apresentadas possibilidades de sintaxe para a conversão das 
variáveis de acordo com o tipo de dado (Tabela 1): 















O código apresentado anteriormente foi adequado para que atenda ao 
objetivo desejado.













As formas de conversão dos dados apresentadas (linha 2 e 4) são diferentes, 
porém equivalentes.

int(variavel) Converte o conteúdo da variável para o tipo numérico 
inteiro.

float(variavel) Converte o conteúdo da variável para o tipo numérico 
real.

str(variavel) Converte o conteúdo da variável para o tipocadeia de 
caracteres.

1. num1 = input('Forneça um valor inteiro: ')
2. num1 = int(num1)
3.
4. num2 = int(input('Forneça um segundo valor inteiro: '))
Tabela 1: Conversão de dados.

Fonte: as Autoras.
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

É possível que ambas as variáveis deixem de ser strings (str) e se tornem 
números inteiros (int) no momento da inserção dos dados. Assim, o exemplo 
anterior terá a seguinte estrutura: 

























Observe que o objetivo da implementação foi atingido com sucesso, mas se 
um dado do tipo float for fornecido pelo usuário haverá uma indicação de erro 
no terminal.

Outro ponto relevante é que, para apresentar como resultado a soma dos 
três valores inteiros fornecidos, foi utilizado o operador aritmético de adição 
(+). Além do operador de adição e do operador de atribuição que já foram 
mencionados, existem outros operadores aritméticos, que serão apresentados 
a seguir. 

248



 



1. num1 = int(input('Forneça um valor inteiro: '))
2. num2 = int(input('Forneça um segundo valor inteiro: '))
3. num3 = int(input('Forneça um terceiro valor inteiro: 
'))
4. print('A soma dos valores fornecidos é:', 
num1+num2+num3)
Figura 203: Terminal do VSCode exibindo as saídas geradas pelo código apresentado. 

Fonte: captura de tela da IDE. 
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

249

3.3.8. Operadores aritméticos

Em Python, os operadores aritméticos englobam aqueles empregados em 
instruções aritméticas básicas e tradicionais. A Tabela 2 destaca os operadores, 
suas funcionalidades e sintaxes.





























Com base nos operadores apresentados, será possível a construção de 
expressões, uma vez que estas podem ser formadas por combinações de 
variáveis, operadores aritméticos, constantes e o operador de atribuição. A 
seguir, podemos analisar um trecho de código em Python que representa uma 
expressão.

Operador
 Significado
 Sintaxe em 
Python 

Operação realizada

=
 Atribuição
 A = B
 Atribui B a variável A

+
 Adição
 A = B + C
 Atribui à A a soma entre B e C

-
 Subtração
 A = B - C
 Atribui à A a subtração entre B 
e C

*
 Multiplicação
 A = B * C
 Atribui à A a multiplicação 
entre B e C

/
 Divisão
 A = B / C
 Atribui à A a divisão entre B e C

//
 Divisão exata
 A = B // C
 Atribui à A a parte inteira do 
quociente da divisão entre B e 
C 

**
 Potenciação
 A = B ** C
 Atribui à A o valor de BC

%
 Resto da 
divisão

A = B % C
 Atribui a A o resto da divisão 
entre B e C

Tabela 2: Operadores aritméticos.

Fonte: as Autoras.
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional







 











No código acima, observe que são inseridas diversas operações aritméticas. 
No entanto, qual é a ordem em que elas são executadas? Quem define essa 
sequência é a ordem de precedência dos operadores, que pode ser analisada 
na Tabela 3. 













Assim como as regras matemáticas exigem, o cálculo de expressões 
inicia-se respeitando parênteses, seguido por multiplicações, divisões e resto da 
divisão, mantendo a ordem da esquerda para a direita. Posteriormente, são 
resolvidas as adições e subtrações.

250

1. '''Esse programa irá exibir para o usuário o cálculo da 
seguinte expressão matemática resultado = x2 + 3.5 y
2. + z/3 -4 '''
3.
4. x = float(input('Forneça um valor para a variável x: '))
5. y = float(input('Forneça um valor para a variável y: '))
6. z = float(input('Forneça um valor para a variável z: '))
7.
8. resultado = x ** 2 + 3.5 * y + z/3 - 4
9.
10. print('x2 + 3.5 y + z/3 - 4 =',resultado)
1
 2
 3
 4

()
 **
 /
 +


 
 *
 -


 
 //
 


 
 %
 

Tabela 3: Precedência dos operadores.

Fonte: as Autoras.
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

251

No trecho do código anterior, as variáveis que aparecem à direita do 
comando de atribuição (x, y e z) serão substituídas pelos valores que 
armazenam no momento em que o computador executa a linha que contém 
esta expressão.

A saída de tela abaixo (Figura 204) foi gerada após a execução do código, 
note que três valores reais foram atribuídos às variáveis x, y e z. E o cálculo foi 
realizado seguindo as normas definidas pela precedência de operadores.













 

Assim foram realizadas as seguintes operações: 

= (2.5)² + (3.5 * 3.2) + (7.8 / 3) - 4 

= 6.25 + 11.2 + 2.6 - 4 

=16.05



Se desejar alterar a ordem em que o cálculo é realizado, é necessário inserir 
parênteses para evidenciá-la nas linhas de código.

Figura 204: Terminal do VSCode exibindo as saídas geradas pelo código apresentado. 

Fonte: captura de tela da IDE. 

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional























Com a inserção dos parênteses na expressão aritmética, os cálculos serão 
iniciados sempre por eles, considerando sempre o parêntese mais interno e 
avançando para os parênteses mais externos. Abaixo é possível verificar a 
sequência de passos para a realização de tal operação. 

= (( 2.1(5.5) ) * 3.2) + ((5/3) - 4)

= (59.18 * 3.2) + (1.66 - 4)

= 189.38 - 2.34

= 187.04



A saída de tela apresentada na figura 205 destaca o resultado obtido após a 
inserção de três novos valores reais nas variáveis x, y e z, juntamente com a 
adição de parênteses à estrutura da expressão aritmética.

252

1. '''Esse programa irá exibir para o usuário o cálculo
2. da seguinte expressão matemática
3. resultado = (x(2+3.5)y) + ((z/3) - 4 )'''
4.
5. x = float(input('Forneça um valor para a variável x:'))
6. y = float(input('Forneça um valor para a variável y:'))
7. z = float(input('Forneça um valor para a variável z:'))
8.
9. resultado = ((x ** (2 + 3.5)) * y) +( (z/3) - 4)
10.
11. print('x2 + 3.5 y + z/3 - 4 =',resultado)
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional253

É de extrema importância compreender que as constantes em expressões 
numéricas são definidas pelos tipos de dados int e float. 























Para complementar e otimizar seu aprendizado, será realizada uma seção 
de atividades de experimentação referentes aos temas abordados.

Figura 205: Terminal do VSCode exibindo as saídas geradas pelo código apresentado. 

Fonte: captura de tela da IDE. 

Mas o que é uma constante?

Uma constante representa um valor numérico que pode 
ser atribuído a variáveis, as quais não terão seus valores 
alterados ao longo da execução do programa. As constantes 
inteiras podem assumir valores positivos ou negativos, 
sendo números inteiros que não possuem casas decimais. 
Por outro lado, as constantes reais podem apresentar 
precisão decimal, incluindo casas decimais em sua 
representação.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

254

3.3.9. Atividades de experimentação



IMPORTANTE: Antes de iniciar as atividades de experimentação 
propostas, é fundamental completar os passos anteriores relacionados 
à configuração da IDE escolhida. 

Recomenda-se estudar o conteúdo dos tópicos anteriores para se 
familiarizar com os temas que serão abordados nas atividades. 

É importante esclarecer que estas atividades de experimentação 
não compõem a avaliação e não haverá correção formal por parte dos 
instrutores; o objetivo é a autoaprendizagem e prática. As respostas e 
dicas de desenvolvimento para cada atividade estão disponíveis em 
arquivos específicos no Google Sala de Aula, na aba “Etapa 
Conceitualizar”. 

O nível de complexidade de cada atividade é indicado pelos 
seguintes símbolos:



 ● Complexidade Baixa

 ●● Complexidade Média

●●● Complexidade Alta



Encorajamos a criação de suas soluções antes de consultar o 
gabarito disponível, para maximizar o aprendizado.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

255

As atividades de experimentação a seguir permitem a prática dos 
operadores aritméticos em Python enquanto trabalham com cenários da vida 
real, aprimorando as habilidades de resolução de problemas e programação.



Atividades de experimentação 7 ● 

Faça um código utilizando a linguagem Python capaz de calcular o valor de 
f(x), sendo x uma variável real fornecida como entrada (input) pelo usuário.





Atividades de experimentação 8 ●● 

Imagine que você está trabalhando em um projeto de física e precisa 
calcular a velocidade final de um objeto em movimento. Você sabe a velocidade 
inicial, a aceleração constante do objeto, e a distância percorrida. Para isso 
escreva um programa em Python que peça ao usuário para inserir a velocidade 
inicial (em metros por segundo), a aceleração constante (em metros por 
segundo ao quadrado), e a distância percorrida (em metros).





Calcule e exiba a velocidade final do objeto.



Atividades de experimentação 9 ●● 

Desenvolva um programa que converta a temperatura de Celsius para 
Fahrenheit. A temperatura em Celsius deve ser fornecida pelo usuário. A fórmula 
de conversão foi disponibilizada na página a seguir. 

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

256







Atividades de experimentação 10 ●● 

Elabore um programa em Python que seja capaz de calcular o valor final de 
uma compra, considerando a aplicação de descontos. O programa deve 
primeiramente pedir ao usuário para inserir o montante total da compra e a 
porcentagem de desconto e exibir o valor final da compra na tela. 

 





 

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

257

3.3.10. Estruturas de controle de fluxo

Estruturas de controle de fluxo são conjuntos de códigos que possibilitam a 
modificação da sequência padrão de execução do programa. Essas estruturas 
gerenciam a ordem na qual as instruções são realizadas, permitindo que o 
programa faça escolhas e itere sobre ações.

Existem três categorias principais de estruturas de controle de fluxo:

● Sequencial: as instruções são executadas em ordem, uma após a outra, 
conforme aparecem no código.

● Condicional: capacita o programa a tomar decisões com base em condições. 
Se uma condição for verdadeira, o programa executa um bloco de código 
específico; caso contrário, pode executar outro bloco ou prosseguir para a 
próxima instrução.

● Repetição: conhecida como loops, essa estrutura permite que um bloco de 
código seja repetido várias vezes enquanto uma condição específica 
permanecer verdadeira. Isso é útil para automatizar tarefas que requerem 
repetição.

A primeiro momento iremos abordar as estruturas condicionais, também 
conhecidas como estruturas de tomada de decisão. 



3.3.10.1. Estrutura condicional 

Estruturas condicionais são elementos essenciais em um programa, pois 
determinam quais ações serão tomadas com base em condições específicas. A 
inclusão dessas estruturas confere aos programas uma maior flexibilidade, 
permitindo que se adaptem às complexidades do mundo real.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

258

A presença de estruturas condicionais representa uma distinção significativa 
entre os computadores modernos e as simples máquinas de calcular. É por meio 
dessas estruturas que os programadores têm a capacidade de definir diferentes 
fluxos de execução ao longo de um programa. 

Na abordagem que será adotada, as estruturas condicionais levam em 
consideração comparações entre valores, valores e variáveis, variáveis e 
variáveis, e até mesmo expressões mais complexas. Essas comparações sempre 
resultam em um valor booleano, podendo ser verdadeiro ou falso, 
proporcionando a base para as decisões lógicas dentro do programa.



3.3.10.2. Operadores relacionais

Como mencionado anteriormente, ao combinar operadores com valores 
constantes, variáveis ou expressões, obtém-se como resposta um valor 
booleano verdadeiro. Para que tal comparação seja possível, serão utilizados os 
operadores relacionais apresentados a seguir (Tabela 4):

Símbolo do Operador
 Significado

==
 Igual a

!=
 Diferente de

>
 Maior que

<
 Menor que 

>=
 Maior ou igual a 

<=
 Menor ou igual a 

Tabela 4: Operadores relacionais.

Fonte:as Autoras.
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

259

Combinação 
 Significado
 Valor booleano de 
retorno 

15 == 15
 O valor constante 15 é igual ao 
valor constante 15.

1 - Verdade

8 > 5
 O valor constante 8 é maior que o 
valor constante 5.

1 - Verdade

9 < 13
 O valor constante 9 é menor que o 
valor constante 13.

1 - Verdade

7 >= 13
 O valor constante 7 é maior ou 
igual ao valor constante 13.

0 - Falso

variavel == 9
 O valor contido na variável 
“variavel” é igual a constante 9.

1 – Verdade (se “variavel” 
conter o valor nove). 

0 – Falso (se “variavel” 
conter valor diferente de 
nove)

variavel >= 50
 O valor contido na variável 
“variavel” é maior ou igual a 50 

1 – Verdade (se “variavel” 
conter um valor maior 
ou igual a 50). 

0 – Falso (se “variavel” 
conter valor menor que 
50)

Na Tabela 5 está representado exemplos de operadores relacionais 
combinados com constantes, variáveis ou expressões, juntamente aos valores 
resultantes.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

260

Combinação 
 Significado
 Valor booleano de retorno 

variavel != 13
 O valor contido na variável 

“ variavel” é diferente de 13. 

1 – Verdade (se “variavel” 
conter um valor diferente de 
13). 

0 – Falso (se “variavel” conter 
valor igual a 13)

3.3.10.3. Estruturas condicionais if / if - else

3.3.10.3.1. Estrutura condicional simples - if 

Operadores relacionais são frequentemente utilizados em estruturas 
condicionais ou em processos de tomada de decisão. No contexto do Python, 
essas estruturas condicionais são representadas pelo comando if (se). O 
comando if possui algumas particularidades que devem ser observadas, 
conforme será demonstrado a seguir. Adicionalmente, é crucial enfatizar a 
importância de manter a indentação adequada no bloco do comando if.

Indentação, em termos gerais, refere-se aos recuos utilizados no código ou 
script com o propósito de destacar ou definir a estrutura do algoritmo. Esses 
recuos discernem quais comandos fazem parte da estrutura condicional, 
delineando como os comandos estão agrupados em blocos. A indentação 
consiste em uma tabulação (espaço) à direita na linha subsequente à linha de 
comando if. 

Tabela 5: Operações com operadores relacionais.

Fonte: as Autoras.
D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

261

Um exemplo claro desse recuo pode ser observado no trecho de código a 
seguir.









O comando if possui sintaxe simples, a qual é mostrada a seguir: 

if condição:
print("O espaço à esquerda desta linha é a indentação")
#mais comandos podem pertencer a essa condicional
if condição:
#Seu bloco de comando se inicia aqui
A estrutura tem início no comando if, indicando o começo da sintaxe da 
estrutura condicional. Em seguida, temos a condição, formada pelos 
operadores relacionais, seguidos por "dois pontos", marcando o início do bloco 
de comandos. A execução desse comando ocorre apenas se a condição inserida 
for avaliada como verdadeira. Em caso contrário, o bloco de comandos não é 
executado. Em outras palavras, para a instrução acima, a linha é interpretada 
como "se a condição for verdadeira, execute o bloco de códigos abaixo". Assim,

• Se a condição for VERDADEIRA:

Os comandos abaixo e indentados após os dois pontos ":" são 
executados.

• Se a condição for FALSA:

Os comandos abaixo e indentados após os dois pontos ":" não são 
executados.

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

262

Um exemplo de seu funcionamento é o programa deve verificar se um 
usuário do programa é maior de idade. Nessa situação, caso a idade seja maior 
ou igual a 18 anos, o programa exibe na tela a mensagem “Bem-vindo, usuário”. 













Analisando o código acima, podemos verificar a execução da estrutura 
condicional simples. Note que na linha 4, temos o comando if indicando o início 
da estrutura, acompanhado pela condição de a variável ser maior ou igual a 18 
anos. A estrutura é seguida pelo comando print, que só será executado se a 
variável possuir um valor maior ou igual a 18, ou seja, se a resposta da condição 
booleana for 1. Caso contrário nada será executado e o programa será 
finalizado, ambos os casos podem ser vistos nos terminais a seguir (Figura 206 
e 207). 
1. print('Olá usuário, informe seu nome: ')
2. nome = input()
3. idade = int(input('Qual a sua idade: '))
4. if idade >= 18:
5. print('Bem vindo(a),',nome)
Figura 206: Terminal do VSCode exibindo as saídas geradas pelo código apresentado. 

Fonte: captura de tela da IDE. 

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

263









3.3.10.3.2. Estrutura condicional composta 
- if/else

Após compreender como lidar com a condição quando é verdadeira (por 
meio do if), torna-se crucial saber como instruir o programa a agir caso a 
condição não seja verdadeira. Nesse cenário, o else (senão) entra em cena. É 
importante ressaltar que o comando else só pode existir se houver, e apenas se 
houver, um comando if associado a ele. Em outras palavras, ele representa a 
alternativa à condição indicada pelo if.


if condição:
'''Seu bloco de código se inicia aqui e será 
executado se a condição do if for verdadeira'''
else:
'''Seu bloco de código se inicia aqui e será 
executado se a condição do if for falsa'''
Figura 207: Terminal do VSCode exibindo as saídas geradas pelo código apresentado. 

Fonte: captura de tela da IDE. 

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

264

Como seria interpretado o código?

Se a condição for verdadeira, o bloco de comandos imediatamente abaixo, 
corretamente indentado, será executado. Caso contrário (se a condição 
associada ao if for falsa), o bloco de comandos correspondente, também 
devidamente indentado, será executado. Para ilustrar a aplicação serárefeito o 
exemplo anterior. Nessa situação, caso a idade seja maior ou igual a 18 anos, o 
programa exibe na tela a mensagem “Bem-vindo, usuário”. Caso contrário, 
exibe “Proibida a entrada”.

1. print('Olá usuário, informe seu nome:')
2. nome = input()
3. idade = int(input('Qual a sua idade: '))
4. if idade > 18:
5. print('Bem vindo(a),',nome,'.')
6. else:
7. print(nome,'infelizmente a sua entrada não é 
permitida.')
Analisando o código acima, podemos verificar a execução da estrutura 
condicional composta. Note que na linha 4, temos o comando if indicando o 
início da estrutura, acompanhado pela condição de a variável ser maior ou igual 
a 18 anos. A estrutura é seguida pelo comando print, que só será executado se 
a variável possuir um valor maior ou igual a 18, ou seja, se a resposta da 
condição booleana for 1. Caso contrário, isto é, se a condição que acompanha o 
if for falsa (booleano for 0), o programa se remete para a linha 6, executando o 
bloco de comandos que a acompanha. Ambos os casos podem ser vistos nos 
exemplos a seguir (Figura 208).

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

265













Observe que o terminal acima exibe uma possível saída, considerando que 
o usuário forneceu a idade de 45 anos. Nesse cenário, o valor fornecido é 
analisado na condição do if (45 > 18), a qual é avaliada como verdadeira. 
Portanto, o bloco de comandos associado ao if é executado, e a mensagem 
"Bem-vindo, José Eduardo Santos" é exibida na tela. O bloco de comandos 
vinculado ao else será ignorado.













Observe que o segundo terminal (Figura 209) apresenta uma segunda 
possível saída, levando em consideração que o usuário forneceu a idade de 15 
anos. Nesse contexto, o valor fornecido é analisado na condição do if (15 > 18), 
a qual é avaliada como falsa.

Figura 208: Terminal do VSCode exibindo as saídas geradas pelo código apresentado. 

Fonte: captura de tela da IDE. 

Figura 209: Terminal do VSCode exibindo as saídas geradas pelo código apresentado. 

Fonte: captura de tela da IDE. 

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

266

Dessa forma, o bloco de comandos associado ao if é ignorado, e o bloco de 
comandos vinculado ao else será executado, exibindo a mensagem "Clara 
Nascimento, infelizmente, a sua entrada não é permitida" na tela.

No exemplo a seguir, o uso de if-else é destinado para verificar uma 
condição aritmética. É conhecido que não existe divisão por valor zero na 
matemática. Nesse caso, o valor do denominador é testado e somente é 
realizada a divisão se esse valor for diferente de zero (!=). Deve ser exibida na 
tela o valor da divisão exata (//) e o resto da divisão (%).

























Analisando o código acima, podemos verificar a execução da estrutura 
condicional composta. Observe que na linha 4, temos o comando if indicando 
o início da estrutura, acompanhado pela condição de a variável "denominador" 
ser diferente de 0.



1. numerador = int(input('Forneça o numerador para a 
divisão: '))
2. denominador = int(input("Forneça o denominador para a 
divisão: "))
3.
4. if denominador != 0 :
5. divisao_exata = numerador // denominador
6. resto = numerador % denominador
7. print('Quociente = ', divisao_exata)
8. print('Resto da divisão = ', resto)
9. else :
10. print('Impossível realizar a divisão.') D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

267

A estrutura é seguida pelas operações aritméticas para calcular a divisão 
exata e o resto da divisão entre as variáveis inteiras obtidas no input. Em 
seguida, temos o comando print nas linhas 5, 6, 7 e 8, os quais só serão 
executados se a variável possuir um valor diferente de 0, ou seja, se a resposta 
da condição booleana for 1.

Caso contrário, isto é, se a condição que acompanha o if for falsa (booleano 
for 0), o programa se direciona para a linha 9, executando o bloco de comandos 
que a acompanha. Ambos os casos podem ser vistos nos terminais a seguir 
(Figura 210).













Observe que o terminal acima exibe uma possível saída, considerando que 
o usuário forneceu um denominador diferente de zero. Nesse contexto, o valor 
fornecido é analisado na condição do if (3 != 0), a qual é avaliada como 
verdadeira.

Portanto, o bloco de comandos associado ao if é executado, efetuando os 
cálculos relacionados à divisão exata e ao resto da divisão, os quais são então 
exibidos na tela. O bloco de comandos vinculado ao else será ignorado. 

Figura 210: Terminal do VSCode exibindo as saídas geradas pelo código apresentado. 

Fonte: captura de tela da IDE. 

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional

268













Observe que o segundo terminal (Figura 211) apresenta uma segunda 
possível saída, levando em consideração que o usuário forneceu um 
denominador igual a 0. Nesse contexto, o valor fornecido é analisado na 
condição do if (0 != 0), a qual é avaliada como falsa. Dessa forma, o bloco de 
comandos associado ao if é ignorado, e o bloco de comandos vinculado ao else 
será executado, exibindo a mensagem "Impossível realizar a divisão" na tela.

Para que seja possível aprimorar os seus conhecimentos será apresentado 
mais um exemplo em que será abordada as estruturas condicionais aninhadas. 



3.3.10.3.3. Estrutura condicional aninhada

A estrutura condicional aninhada refere-se à inclusão de uma estrutura 
condicional dentro de outra. Isso significa que dentro do bloco de código de 
uma estrutura condicional (como um if ou else), você pode ter outra estrutura.

Esse aninhamento permite criar lógicas mais complexas, em que a 
execução de certos blocos de código depende de várias condições. Para 
evidenciar o funcionamento desta estrutura, observe a implementação abaixo. 

Figura 211: Terminal do VSCode exibindo as saídas geradas pelo código apresentado. 

Fonte: captura de tela da IDE. 

D
oc
um
en
to
 a
ss
in
ad
o 
el
et
ro
ni
ca
m
en
te
. V
er
ifi
ca
çã
o 
no
 s
ite
 h
ttp
s:
//p
91
.fa
ct
i.c
om
.b
r/
pa
e/
va
lid
ac
ao
.h
tm
l, 
in
fo
rm
an
do
 o
 c
ód
ig
o 
ve
rif
ic
ad
or
 P
A
E
5-
48
55
-8
34
1-
71
56
-3
86
8-
31
11
 
e 
o 
có
di
go
 C
R
C
 U
Z
D
IG
M
X
2.
Trilha de Aprendizagem: Inteligência Artificial aplicada à Visão Computacional





























Neste exemplo, ocorre uma estrutura condicional aninhada, em que um 
bloco de código condicional (if) está incorporado dentro de outro. O código 
dentro do primeiro if será executado