Inteligência Artificial e Projetos Aplicados 1

Explorador de Fator de Ramificação

Ajuste b e d e veja o crescimento O(b^d) do número de nós na busca em largura.

Quebra-cabeça Deslizante

Resolva o 8-puzzle ou o 15-puzzle na mão e depois peça a solução a BFS, DLS, IDS, custo uniforme, gulosa ou A*, comparando nós expandidos, fronteira máxima e tempo.

Visualizador BFS / DFS

Explore BFS e DFS em grafos interativos: acompanhe a fronteira (fila ou pilha), os nós visitados e o caminho encontrado passo a passo.

Pathfinder A*

Desenhe obstáculos em uma grade e veja o A* encontrar o caminho ótimo com diferentes heurísticas (Manhattan, Euclidiana, Zero).

Perceptron contra o XOR

Mova os pesos e o limiar de um perceptron de camada única, ou deixe a regra de correção treinar sozinha: em AND e OR a reta fecha em 4/4, no XOR ela trava em 3/4 para sempre.

Sudoku com Backtracking

Observe o algoritmo de backtracking resolvendo um Sudoku passo a passo, colorindo células tentativas e exibindo o contador de retrocessos.

Coloração de Mapas

Pinte um mapa-grafo sem que regiões vizinhas compartilhem cor, no modo manual ou com resolução automática por backtracking.

AC-3: Propagação de Restrições

Fixe cores no mapa da Austrália e acompanhe o AC-3 arco a arco: a fila corrente, o valor que cai em cada revisão e o domínio que esvazia.

Jogo da Velha Minimax

Jogue contra uma IA imbatível e veja os valores Minimax calculados em tempo real para cada célula disponível do tabuleiro.

Visualizador Alfa-Beta

Explore a poda Alfa-Beta numa árvore de jogo pré-definida: acompanhe os valores α/β e veja quais ramos são eliminados a cada passo.

MCTS: Busca em Árvore Monte Carlo

Rode o MCTS no jogo da velha e veja a árvore crescer torta: visitas e taxa de vitória por jogada, o caminho de seleção de cada iteração e o efeito da constante C.

Gradiente Descendente

Uma bolinha desce a superfície de custo (curvas de nível elípticas) seguindo o gradiente negativo. Ajuste a taxa de aprendizado e veja convergência, zigue-zague e divergência.

Regressão Linear Interativa

Clique para adicionar pontos e veja a reta de mínimos quadrados se recalcular em tempo real, com resíduos, MSE e ajuste manual de inclinação/intercepto.

Overfitting e Regularização

Ajuste polinomial com regularização ridge: aumente o grau para ver a curva decorar o ruído (erro de teste dispara) e suba o λ para suavizá-la de volta.

KNN: Fronteira de Decisão

Classifique pontos por K vizinhos mais próximos em datasets gerados (moons, círculos, blobs, XOR, espiral). Fronteira de decisão pintada, votação animada, métricas e comparação K × distância.

Árvore de Decisão Interativa

Construção animada de uma árvore CART: cada divisão escolhe o corte que mais reduz a impureza de Gini, formando fronteiras em escada no plano e um fluxograma que cresce passo a passo.

Matriz de Confusão

Mova o limiar de decisão e veja as amostras cruzarem entre VP/FP/FN/VN, com precisão, revocação, F1, acurácia e curva ROC recalculados em tempo real.

Regressão Logística

Ajuste w₁, w₂ e b e veja a fronteira p = 0,5, o degradê de probabilidade e cada ponto projetado na sigmoide, com entropia cruzada e acurácia; ou deixe o gradiente descendente ajustar sozinho.

Composição de Sigmoides

Monte uma rede 1-N-1 com até quatro neurônios sigmoides: ajuste w₁, b₁ e w₂ de cada um e o viés de saída, veja o desenho da rede e cada contribuição se somarem nos dados em U, ou deixe o gradiente descendente ajustar sozinho.

Os Quatro Botões da Ativação

Gire w₁, b₁, w₂ e b₂ de ŷ = w₂·f(w₁x + b₁) + b₂ com sigmoide, tanh, softsign ou degrau e veja o S esticar, deslizar, inverter e subir, com centro, inclinação e faixa de saída marcados.

Explorador da Família ReLU

Compare ReLU, Leaky ReLU, PReLU (com a ajustável), Softplus, ELU e GELU: arraste x e veja f(x), a tangente e a derivada que volta no treino, inclusive o gradiente zero da ReLU morta.

Composição de ReLUs

A rede 1-N-1 com cotovelos em vez de degraus: some até quatro ReLUs, Leaky ReLUs ou PReLUs numa linha quebrada que encaixa o U, com o desenho da rede e os neurônios mortos destacados.

Backpropagation Passo a Passo

Avance a ida, a volta e a atualização um nó por vez em três redes (um peso de °C para °F, uma cadeia com sigmoide e uma rede 2-2-1), com os valores da ida, os δ de cada neurônio e as derivadas de cada peso calculados na tela.

Perda em Função de um Peso

Gire o peso da reta °C → °F e veja a parábola da perda nascer do rastro; encolha Δw até a secante virar tangente; treine com η de 0,001 a 0,11 e veja convergência lenta, ideal, ping-pong e divergência, ou um mínimo local numa perda com dois vales.

Gradiente que Some

Veja a derivada de sigmoide, tanh, softplus, ReLU e Leaky ReLU traçada pela tangente e, numa rede de até 20 camadas, o tamanho do gradiente que chega a cada camada em escala log: com sigmoide a primeira camada recebe um milionésimo do que recebe a última.

XOR com uma Camada Oculta

Uma rede 2-2-1 com sigmoide treina por backpropagation nos quatro pontos do XOR: a região de decisão se dobra a cada época até isolar os pontos certos, com os pesos desenhados na rede, a curva da perda e sorteios de pesos iniciais que às vezes caem num mínimo local.

Perdas de Regressão: MSE, MAE e Huber

Acrescente e arraste outliers sobre dados de y = 2x + 1 e veja as retas que minimizam a MSE, a MAE e a Huber se ajustarem ao vivo: a MSE se deixa puxar, a MAE resiste, e o δ da Huber escolhe entre as duas.

Explorador da Entropia Cruzada

Duas classes: arraste ŷ sobre −log ŷ e −log(1 − ŷ) e compare com a MSE no mesmo ponto. Três classes: mexa nos logits de cão, gato e pássaro, veja a softmax redistribuir as probabilidades e a perda olhar só para a classe certa.

SVM: Margem e Vetores de Suporte

Arraste pontos e veja o SVM refazer a fronteira de margem máxima, as calçadas da margem e os vetores de suporte. Ajuste C (margem suave) e troque o kernel linear pelo RBF.

Floresta Aleatória

Compare a fronteira de uma árvore sorteada com a de uma floresta de 1 a 100 árvores (bagging + sorteio de features), com acerto de teste e out-of-bag em função do número de árvores.

K-Means Animado

Agrupamento por K-Means com as fases de atribuição e atualização separadas, centroides animados, inércia decrescente, inicialização K-Means++ e pontos editáveis.

PCA Interativo

Análise de Componentes Principais em 2D: autovetores da covariância desenhados sobre a nuvem, projeção 1D no PC1, variância explicada por componente e erro de reconstrução.