Você sabia que a SBIA tem uma revista científica? Submeta já o seu trabalho!

Sobre a SBIA

A Sociedade Brasileira de Inteligência Artificial (SBIA) é uma organização sem fins lucrativos, que tem como sua missão promover a ciência e a tecnologia nos mais diversos ramos da Inteligência Artificial, destacando-se (mas não restrito a) os listados abaixo

1. Aprendizado Estatístico e Modelos de Kernel

Focam na extração de padrões e na inferência probabilística sobre os dados.

• Máquinas de Kernel (Kernel Machines): Incluem as Support Vector Machines (SVM), que utilizam funções de mapeamento para operar em espaços de alta dimensionalidade (reproducing kernel Hilbert space).
• Processos Gaussianos (Gaussian Processes): Modelos probabilísticos poderosos que definem uma distribuição sobre funções. São fundamentais para a Otimização Bayesiana e para tarefas de regressão/classificação onde a quantificação da incerteza é crucial.
• Aprendizado Não Supervisionado: Métodos de agrupamento (clustering) e redução de dimensionalidade, como Análise de Componentes Principais (PCA) e suas variantes não lineares (kernel PCA) e Mapas Auto-organizáveis (SOM).

 

2. Modelos de Conexões e Aprendizado Profundo

Modelos baseados na arquitetura de processamento paralelo e distribuído.

• Redes Neurais Artificiais (ANNs): Abrangem desde modelos clássicos como o Multilayer Perceptron (MLP) e Redes de Base Radial (RBF) até arquiteturas modernas de Deep Learning.
• Redes Neurais Baseadas em Grafos (Graph Neural Networks): Uma subárea em ascensão que aplica aprendizado profundo a dados estruturados em grafos, permitindo modelar relações complexas entre entidades (como redes sociais, moléculas químicas ou sistemas de transporte).

 

3. Aprendizado por Reforço e Teoria de Controle

Focada em agentes que aprendem através da interação com um ambiente.

• Aprendizado por Reforço (Reinforcement Learning): Baseado em recompensas e punições, utilizando processos de decisão de Markov para otimizar políticas de ação.
• Controle Inteligente: Integração de Redes Neurais e Sistemas Fuzzy em malhas de controle para sistemas dinâmicos não lineares.

 

4. Inteligência Computacional e Bio-inspirada

Áreas que lidam com a incerteza, a imprecisão e a busca em espaços de soluções globais.

• Otimização Metaheurística: Algoritmos de busca estocástica que evitam mínimos locais, como Algoritmos Genéticos (GA), Otimização por Enxame de Partículas (PSO) e Simulated Annealing.
• Sistemas Fuzzy (Lógica Difusa): Modelagem do raciocínio aproximado, essencial para sistemas de controle e tomada de decisão onde as fronteiras entre categorias são imprecisas.
• Computação Evolucionária: Subconjunto da otimização que utiliza mecanismos inspirados na evolução biológica (mutação, recombinação e seleção) para o desenvolvimento de algoritmos.

 

5. Modelos Gráficos Probabilísticos e Estruturais

Focam na representação de dependências e causalidade.

• Modelos Baseados em Grafos (Probabilistic Graphical Models): Incluem Redes Bayesianas e Campos Aleatórios de Markov, que utilizam a estrutura de grafos para representar dependências condicionais entre variáveis aleatórias.
• Aprendizado em Grafos: Técnicas para detecção de comunidades, predição de links e análise de centralidade em redes complexas.

 

6. Áreas Transversais e de Aplicação Científica

• Processamento de Linguagem Natural (PLN): Modelagem estatística e neural da linguagem humana.
• Visão Computacional: Extração de informação estruturada de imagens e vídeos através de filtros e redes neurais profundas.
• Sistemas de Recomendação: Algoritmos de filtragem colaborativa e baseada em conteúdo para predição de preferências.

[Saiba mais sobre Inteligência Artifical]

[participe da Escola Brasileira de Inteligência Artificial]

Siga a SBIA nas redes sociais: