Teoria LDCAI Consulta · definições e exemplos
PT EN
📚 Preparação ← Avaliação

Conteúdos teóricos

Definições e exemplos dos temas avaliados: programação por blocos (Google Blockly), lógica algorítmica e dados / revisão de etiquetas e segmentação no contexto de deep learning (cão · gato · nenhum).

🎓 Pensado para o Ensino Secundário — Ciências e Tecnologias (10.º–12.º ano). Não precisas de experiência prévia de programação.

Programação por Blocos Lógica Algorítmica Dados / Segmentação IA
Como usar Lê a teoria, resolve as questões de preparação e usa as dicas quando bloqueares. Depois faz a avaliação — as dicas são indicações, não soluções.
Ligações curriculares Matemática (lógica, funções, estatística) · Biologia (análise de imagens, classificação de espécies) · Física/Química (tratamento de dados) · TIC (algoritmos e inteligência artificial).

1. Programação por Blocos (Google Blockly)

Relacionado com: Q3, Q4, Q6, Q11 da avaliação e com as questões de blocos da preparação.

Definição Programação por blocos é uma forma visual de escrever programas: em vez de texto, encaixam-se blocos que representam instruções e valores. Cada bloco tem uma forma que só encaixa no local correto, o que ajuda a evitar erros de sintaxe. O Google Blockly é a biblioteca usada no simulador.

Um programa em blocos tem três tipos de peças:

  • Blocos de instrução — fazem algo (definir uma variável, escrever, repetir, decidir).
  • Blocos de valor — produzem um valor (número, texto, variável, operação).
  • Blocos de conteúdo — encaixam dentro de um ciclo ou condição (o “corpo”).

Blocos principais

CategoriaBlocoO que faz
Variáveisdefinir x para … / xGuarda um valor numa variável / lê o valor.
Matemática+ − × ÷, resto de a ÷ bOperações aritméticas; o resto (mod) testa paridade.
Lógica= ≠ < ≤ > ≥, e, ou, nãoComparações e operações lógicas (verdadeiro/falso).
Condiçõesse … então … senão …Executa um caminho ou outro.
Ciclosrepetir N vezes, para i de … até …, enquanto …Repete instruções.
Listastamanho da lista, obter elemento #iPercorre e acede a elementos (índice começa em 1).
Textoescrever …Mostra o resultado na consola.

O bloco “se” encaixa uma condição e um corpo. O bloco “para” cria uma variável de ciclo que muda a cada repetição. Os valores entram nos encaixes e os corpos ficam dentro do bloco.

Índices das listas No Blockly, o primeiro elemento é o #1 (e não #0). Se a lista tem tamanho 5, os índices válidos vão de 1 a 5. Um índice fora deste intervalo gera erro.

Exemplo 1 — somar os números de 1 a 5

Como funciona soma começa em 0. O ciclo percorre i = 1, 2, 3, 4, 5 e em cada repetição faz soma ← soma + i. No fim imprime 15 (1 + 2 + 3 + 4 + 5). soma é um acumulador.

Exemplo 2 — contar os números pares de uma lista

Como funciona O ciclo percorre os índices da lista. A condição elemento mod 2 = 0 é verdadeira apenas para pares. Quando é verdadeira, o contador aumenta 1. No fim, imprime a contagem.

Exemplo 3 — encontrar o maior valor

Como funciona maior começa com o primeiro elemento. O ciclo compara cada elemento com maior; se encontrar um valor superior, atualiza a variável. No fim, imprime o máximo.

Exemplo 4 — somar os valores acima de um limiar

Como funciona Para cada valor da lista, a condição valor > limiar decide se o valor entra no acumulador. Os valores iguais ou inferiores ao limiar são ignorados. Este padrão é usado em análise de dados (ex.: somar apenas deteções com confiança acima de um limiar).

Erros comuns

ErroExemploComo corrigir
Condição invertidaQuerer pares e testar mod 2 = 1Testar mod 2 = 0.
Acumulador não inicializadoSomar sem soma ← 0Inicializar antes do ciclo.
Ciclo infinitoenquanto i > 0 sem alterar iAtualizar a variável dentro do ciclo.
Erro “off-by-one”para i de 0 até 4 = 5 iteraçõesContar os extremos.
Índice fora dos limitesUsar #0 ou #6 numa lista de 5Usar 1…tamanho.
Entrada vazia / bloco soltoCondição sem valor ligadoLigar um bloco de valor ao encaixe.

Exemplo de erro — condição invertida

O que está errado? O objetivo era somar os pares, mas i mod 2 = 1 seleciona os ímpares. Com 1…10, o programa imprime 25 (1+3+5+7+9) em vez de 30 (2+4+6+8+10). Para corrigir, usar i mod 2 = 0.
Antes de submeter Usa Executar, o passo a passo e Analisar erros. Confirma que o programa escreve o resultado com o bloco escrever e testa os dois casos de teste.

2. Lógica Algorítmica

Relacionado com: Q1, Q2, Q5, Q10 da avaliação e com as questões de lógica da preparação.

Definição Um algoritmo é uma sequência finita e ordenada de instruções que resolve um problema. Uma variável é uma “caixa” com nome que guarda um valor; uma atribuição (x ← 5) guarda um valor e x ← x + 1 usa o valor atual e atualiza-o.

Operadores

TipoOperadoresResultado
Aritméticos+ − × ÷, mod (resto)Um número.
Comparação= ≠ < ≤ > ≥Verdadeiro ou falso.
Lógicose (AND), ou (OR), não (NOT)Verdadeiro ou falso.

7 mod 2 = 1 (7 é ímpar); 8 mod 2 = 0 (8 é par). O mod é a forma típica de testar paridade.

Estruturas de controlo

  • Sequência — as instruções executam pela ordem escrita.
  • Decisão — se condição então … senão ….
  • Repetição — para (número conhecido de vezes), enquanto (enquanto a condição for verdadeira) e repetir N vezes.

Acumuladores e contadores

Acumulador Variável que soma valores. Inicia-se a 0 e faz acumulador ← acumulador + valor. Ex.: soma de uma lista.
Contador Variável que conta ocorrências. Inicia-se a 0 e faz contador ← contador + 1 quando a condição é verdadeira.

Rastreio (trace)

Para prever o resultado, acompanha os valores numa tabela. Exemplo do ciclo que soma 1 a 5:

isoma antessoma depois
101
213
336
4610
51015

Terminação de ciclos

Garantir que termina Num ciclo enquanto, a variável usada na condição tem de ser atualizada. Se a condição for sempre verdadeira (ex.: i = i), o ciclo nunca termina. Para contar de 10 até 1, usa enquanto i > 0 e i ← i − 1.

Exemplo — trocar duas variáveis

a ← 3
b ← 5
a ← b   # a passa a 5
b ← a   # b passa a 5 (o 3 perdeu-se!)
Resultado a = 5, b = 5. Para trocar corretamente é preciso uma variável temporária: temp ← a; a ← b; b ← temp → a = 5, b = 3.
Boas práticas Inicializa acumuladores/contadores; usa nomes claros; garante a terminação; testa com valores concretos; verifica se a condição corresponde ao objetivo (par/ímpar, maior/menor).

3. Dados e Segmentação IA

Relacionado com: Q7, Q8, Q9 da avaliação e com as questões de dados da preparação.

Definição No deep learning, um modelo aprende a partir de exemplos anotados (imagens + etiquetas). A etiqueta (label) é a “verdade” de referência (ground truth). A sua qualidade determina a qualidade do modelo.

Conceitos base de imagem

Definição Píxel (ou pixel) é a menor unidade de uma imagem digital: um ponto com um valor de cor. Numa imagem a cores, cada píxel combina três canais — vermelho (R), verde (G) e azul (B). Numa máscara de segmentação, cada píxel tem uma classe (ex.: cão, gato ou fundo).
um píxel
Definição Imagem digital é uma grelha retangular de píxeis (largura × altura). A resolução indica o número de píxeis; mais resolução significa mais detalhe e mais custo computacional.
Definição Máscara de segmentação é uma imagem do mesmo tamanho da original em que cada píxel indica a classe/objeto. É a saída típica de um modelo de segmentação.
Definição Caixa delimitadora (bounding box) é um retângulo (x, y, largura, altura) que envolve o objeto; é usada em deteção. A segmentação usa máscaras, mais precisas do que a caixa.

Tarefas

TarefaSaídaExemplo
ClassificaçãoUma classe para a imagem toda“cão”, “gato” ou “nenhum”
DeteçãoCaixas + classeUma caixa à volta do cão
SegmentaçãoUma máscara por objeto/classe (píxel a píxel)Contorno exato do gato

Segments.ai é uma plataforma de anotação e revisão de imagens usada para criar datasets de treino (classificação, deteção e segmentação).

Probabilidades e limiar de decisão

Um classificador devolve probabilidades (saída softmax) que somam 1. Exemplo:

🐶 cão
0.62
🐱 gato
0.31
🚫 nenhum
0.07
Regra de decisão Escolhe a classe com maior probabilidade (argmax). Se essa probabilidade for ≥ limiar (ex.: 0.50), aceita a classe. Caso contrário, o modelo deve abster-se (“nenhum” ou enviar para revisão). Aqui: 0.62 ≥ 0.50 → cão.

Falsos positivos e falsos negativos

Quando comparamos a previsão com a realidade, cada caso é TP, TN, FP ou FN. Os dois erros são:

Definição Falso positivo (FP) — o modelo diz que o objeto existe (positivo), mas na realidade não existe. É um alarme falso.
  • Classificação: numa imagem sem cão, o modelo prevê «cão».
  • Deteção: aparece uma caixa onde não há objeto (ou uma caixa a mais).
  • Segmentação: a máscara inclui píxeis de fundo (over-segmentation) → píxeis falsos positivos.
Definição Falso negativo (FN) — o modelo diz que o objeto não existe (negativo), mas na realidade existe. É um objeto deixado passar.
  • Classificação: numa imagem com cão, o modelo prevê «nenhum».
  • Deteção: um cão real não recebe nenhuma caixa.
  • Segmentação: a máscara é demasiado pequena (under-segmentation) e deixa píxeis do objeto de fora.
erro objeto real
Como não trocar Falso Positivo = disse Positivo (sim), mas era Negativo (não) → alarme falso.
Falso Negativo = disse Negativo (não), mas era Positivo (sim) → deixou passar.
RealidadePrevisãoResultado
Sem cão«cão»FP — alarme falso
Com cão«nenhum»FN — deixou passar
Com cão«cão»TP — correto
Sem cão«nenhum»TN — correto
Com gato«cão»FP para «cão» e FN para «gato» (classe errada)
Ligação às métricas FP baixa a Precision (o modelo “inventa” deteções); FN baixa o Recall (o modelo “perde” objetos).
Precision = TP / (TP + FP)  ·  Recall = TP / (TP + FN)
Por isso o limiar importa: baixá-lo aumenta os FP; subi-lo aumenta os FN.
Limiar Um limiar alto reduz falsos positivos (mais exigente), mas pode aumentar falsos negativos. Um limiar baixo faz o contrário. O limiar certo depende do custo de cada erro.

Métricas

Compara as previsões com a referência. A matriz de confusão tem quatro casos:

Previsão: positivoPrevisão: negativo
Real: positivoTP (verdadeiro positivo)FN (falso negativo)
Real: negativoFP (falso positivo)TN (verdadeiro negativo)

Precision

TP / (TP + FP)

Das deteções que o modelo disse “positivo”, quantas eram corretas. Penaliza falsos positivos.

Recall

TP / (TP + FN)

Dos objetos reais, quantos foram encontrados. Penaliza falsos negativos.

IoU

interseção / união

Sobreposição entre a máscara prevista e a referência (segmentação). 1 = perfeito.

F1

2 · P · R / (P + R)

Equilíbrio entre Precision e Recall.

Definição — IoU IoU (Intersection over Union) mede a sobreposição entre duas máscaras: a área da interseção dividida pela área da união.
IoU = área da interseção ÷ área da união
Varia de 0 (sem sobreposição) a 1 (máscaras idênticas). É a métrica central da segmentação: um IoU baixo indica contornos desalinhados, máscara maior/menor que o objeto ou classes mal anotadas.
referência (ground truth) previsão interseção
Exemplo numérico Um modelo fez 10 deteções: 6 corretas (TP), 4 falsas (FP) e falhou 2 objetos (FN).
Precision = 6 / (6 + 4) = 0.60 · Recall = 6 / (6 + 2) = 0.75 · F1 ≈ 0.67.
Exemplo de IoU Interseção = 60 píxeis e união = 100 píxeis → IoU = 0.60.

Erros de etiquetas / segmentação

ErroO que aconteceMétrica afetadaDecisão
Over-segmentationMáscara maior que o objeto; inclui fundoPrecision ↓, IoU ↓ (FP)Corrigir o contorno
Under-segmentationMáscara menor; deixa partes de foraRecall ↓, IoU ↓ (FN)Expandir a máscara
Classe erradaGato rotulado como cãoAprende associação erradaCorrigir a classe
Contorno imprecisoBordas irregulares / deslocadasIoU ↓Refinar o contorno
Objeto em faltaObjeto não anotadoRecall ↓ (FN)Anotar o objeto
Validar, corrigir ou rejeitar?
  • Validar — a anotação está correta e pode ir para treino.
  • Corrigir — há pequenos erros (classe, contorno, objeto em falta) que podem ser reparados.
  • Rejeitar — a amostra é ambígua, irrecuperável ou inconsistente com o critério do dataset.
Impacto no modelo Rótulos errados corrompem o sinal de treino: o modelo aprende associações erradas e o desempenho em dados reais piora. Qualidade dos dados é tão importante como a quantidade. Por isso se revêem, corrigem e validam etiquetas antes do treino.

Checklist de revisão

  1. Confirmar a classe do objeto.
  2. Verificar se a máscara cobre o objeto sem incluir fundo.
  3. Procurar objetos não anotados.
  4. Ser consistente nas bordas entre imagens.
  5. Registar a decisão: validar, corrigir ou rejeitar.

4. Glossário

Algoritmo
Sequência finita de instruções para resolver um problema.
Variável
Nome que guarda um valor que pode mudar.
Acumulador
Variável que soma valores; inicia-se a 0.
Contador
Variável que conta ocorrências; inicia-se a 0 e aumenta 1.
Condição
Expressão que resulta em verdadeiro ou falso.
Ciclo
Estrutura que repete instruções (para, enquanto, repetir).
Terminação
Garantia de que um ciclo acaba.
Blockly
Biblioteca de programação visual por blocos.
Lista
Sequência de valores; no Blockly os índices começam em 1.
Rastreio (trace)
Acompanhar os valores passo a passo.
Píxel
Menor unidade de uma imagem digital; ponto com um valor de cor.
Imagem digital
Grelha retangular de píxeis.
Resolução
Número de píxeis (largura × altura) de uma imagem.
Máscara
Imagem em que cada píxel indica a classe/objeto (segmentação).
Caixa delimitadora
Retângulo (x, y, largura, altura) que envolve um objeto (deteção).
Canal RGB
Componente de cor (vermelho, verde, azul) de um píxel.
Classificação
Atribuir uma classe à imagem inteira.
Deteção
Localizar objetos com caixas e classe.
Segmentação
Classificar cada píxel e produzir máscaras.
Etiqueta / label
Anotação de referência (ground truth).
Softmax
Função que transforma pontuações em probabilidades que somam 1.
Limiar
Valor mínimo de confiança para aceitar uma decisão.
Falso positivo (FP)
O modelo previu positivo onde não havia objeto (alarme falso); baixa a Precision.
Falso negativo (FN)
O modelo previu negativo onde havia objeto (deixou passar); baixa o Recall.
TP / TN / FP / FN
Verdadeiros/falsos positivos e negativos na matriz de confusão.
Precision
TP / (TP + FP): qualidade das deteções positivas.
Recall
TP / (TP + FN): cobertura dos positivos reais.
IoU
Interseção / união entre máscaras.
Over-segmentation
Máscara maior que o objeto (falsos positivos).
Under-segmentation
Máscara menor que o objeto (falsos negativos).
Ground truth
Anotação de referência considerada correta.
Loss
Erro do modelo durante o treino; valores altos indicam dificuldade.

Continuar a estudar

Consulta a teoria, treina com feedback imediato e depois realiza a avaliação.

📚 Ir para a preparação Ir para a avaliação →
Projeto Erasmus+ LEARN DEEP CODE AI (LDCAI) · Conteúdos teóricos · Blocos · Lógica · Dados/Segmentação
Fotografias: Joselodos (CC0), Trougnouf (CC BY 4.0), Tim Evanson (CC BY-SA 2.0) — Wikimedia Commons.