Espanha - Biblioteca Nacional de España

 Acesse o conteúdo aqui

Portugal-PT Biblioteca Nacional

 

acesse o conteúdo aqui 

Brasilia - Brasil -

Galeria dos ex-presidentes 

acesse o conteúdo aqui

 

Brasilia - Brasil - Câmara dos deputados federais

 acesse conteúdo aqui

Brasilia - Brasil - como e composto o senado Brasileiro

acesse a matéria completa aqui 

Após as eleições de 2026, a Câmara dos Deputados terá 531 deputados federais, 18 a mais que os atuais 513. É o que determina projeto de lei complementar aprovado pelos senadores no Plenário, nesta quarta-feira (25), com 41 votos favoráveis e 33 contrários (PLP 177/2023). Ele também estabelece que a criação e a manutenção dos novos mandatos não poderão aumentar as despesas totais da Câmara entre 2027 e 2030. O projeto volta agora para análise da Câmara, pois o Senado votou por retirar parte do texto que já havia sido aprovado pelos deputados.

A correção periódica do número de deputados em relação à população de cada estado e do Distrito Federal é um mandamento da Constituição. Ela não fixa número total máximo de deputados, mas determina que uma lei futura regule o assunto. A Constituição também estabelece que nenhuma unidade da federação pode ter menos de 8 representantes e que o estado mais populoso (São Paulo, atualmente) deve ter, no máximo, 70 cadeiras.

Fonte: Agência Senado

Vídeo de apresentação da aeronave SoftBank Sceye | HAPS

Tóquio – A SoftBank Corp. quer lançar, em 2026, a rede 6G utilizando o serviço da Estação de Plataforma de Alta Altitude (HAPS, na sigla em inglês), que ficará a 20 quilômetros da superfície. A tecnologia visa manter a conectividade e as telecomunicações estáveis, especialmente durante desastres de grande escala.

Foto: Reprodução/Softbank

creditos: https://portaljapao.com/softbank-quer-lancar-rede-6g-nos-ceus-do-japao-em-2026/

Brasil - America do Sul -

 

praça da matriz em Porto Alegre - Rs - BR - ano de 1979

filme analógico 126mm Preto & Branco

 

Imagem colorizada digitalmente IA

7/2025

 

COMO USAR o GOOGLE VEO3 | A IA mais ABSURDA de todas DE GRAÇA | TUTORIAL...

I A - inteligência artificial

Visão Geral da Criação de uma Inteligência Artificial

A criação de uma IA geralmente envolve as seguintes etapas e conceitos:

1. Definição do Problema:

   • Qual é a tarefa que a IA deve resolver? (Ex: Classificar e-mails como spam ou não spam, prever preços de casas, gerar texto criativo, etc.)
   • Quais são os dados de entrada e as saídas esperadas?

2. Coleta e Preparação de Dados:

   • Dados são o "combustível" para a IA. A maioria das IAs modernas (especialmente as baseadas em Machine Learning) aprende a partir de dados.
   • Coleta: Obter dados relevantes para o problema. Isso pode envolver web scraping, bancos de dados, APIs, etc.
   • Limpeza: Remover ruídos, inconsistências e valores ausentes dos dados.
   • Transformação: Converter os dados para um formato que o algoritmo de IA possa entender (Ex: Vetorização de texto, normalização de números).
   • Divisão: Separar os dados em conjuntos de treino, validação e teste.

3. Escolha do Modelo/Algoritmo:

   • Machine Learning (Aprendizado de Máquina): A base da maioria das IAs modernas. Envolve algoritmos que permitem que computadores aprendam a partir de dados sem serem explicitamente programados para cada tarefa.
     • Aprendizado Supervisionado: Treinar um modelo com dados que têm "respostas" corretas (rótulos). (Ex: Classificação, Regressão)
     • Aprendizado Não Supervisionado: Treinar um modelo com dados sem rótulos, buscando padrões ou estruturas nos dados. (Ex: Agrupamento/Clustering, Redução de Dimensionalidade)
     • Aprendizado por Reforço: Uma IA aprende através de tentativa e erro, interagindo com um ambiente e recebendo recompensas ou punições. (Ex: Jogos, robótica)
   • Deep Learning (Aprendizado Profundo): Um subcampo do Machine Learning que utiliza Redes Neurais Artificiais com múltiplas camadas (profundas) para aprender representações complexas de dados. É a tecnologia por trás de muitos avanços recentes em IA (reconhecimento de voz e imagem, processamento de linguagem natural).
   • Outras Abordagens: Lógica simbólica, sistemas especialistas, algoritmos genéticos, etc., dependendo da complexidade e natureza do problema.

4. Treinamento do Modelo:

   • Alimentar o algoritmo com os dados de treinamento para que ele aprenda os padrões e relações.
   • Ajustar os parâmetros do modelo para otimizar seu desempenho.

5. Avaliação do Modelo:

   • Testar o modelo com dados que ele nunca viu antes (conjunto de teste) para verificar sua capacidade de generalização e evitar o "overfitting" (quando o modelo memoriza os dados de treinamento em vez de aprender os padrões).
   • Utilizar métricas de avaliação apropriadas para o problema (Ex: Acurácia, Precisão, Recall, F1-score para classificação; MSE, R-squared para regressão).

6. Otimização e Ajuste Fino (Hyperparameter Tuning):

   • Ajustar os hiperparâmetros do modelo (configurações que não são aprendidas diretamente dos dados) para melhorar o desempenho. Isso pode ser feito manualmente ou usando técnicas automatizadas (Ex: Grid Search, Random Search, Otimização Bayesiana).

7. Implantação:

   • Integrar o modelo treinado em um sistema ou aplicativo para que ele possa ser usado na prática. (Ex: API, web app, dispositivo embarcado).

8. Monitoramento e Manutenção:

   • A IA precisa ser monitorada para garantir que seu desempenho não degrade ao longo do tempo (devido a mudanças nos dados ou no ambiente).
   • Retreinar o modelo periodicamente com novos dados, se necessário.

---

Ferramentas e Linguagens Comuns:

• Linguagens de Programação:
  • Python: De longe a linguagem mais popular para IA e Machine Learning, devido à sua simplicidade e vasta biblioteca de ferramentas.
  • R, Java, C++, Julia também são usadas.
• Bibliotecas e Frameworks (Python):
  • NumPy: Para computação numérica e arrays.
  • Pandas: Para manipulação e análise de dados.
  • Scikit-learn: Para Machine Learning clássico (classificação, regressão, clustering).
  • TensorFlow, Keras, PyTorch: Para Deep Learning.
  • NLTK, spaCy: Para Processamento de Linguagem Natural (NLP).
  • OpenCV: Para Visão Computacional.

---

Exemplo Simples (se você tiver algum conhecimento em Python):

Imagine que você quer criar uma IA que preveja se um e-mail é spam ou não.

1. Dados: Você precisaria de um dataset de e-mails, com cada e-mail rotulado como "spam" ou "não spam".
2. Pré-processamento: Converter o texto dos e-mails em números (vetores).
3. Modelo: Usar um algoritmo de classificação como "Support Vector Machine" (SVM) ou "Naive Bayes".
4. Treinamento: Alimentar o modelo com os e-mails e seus rótulos.
5. Previsão: Quando um novo e-mail chega, o modelo o analisa e prediz se é spam.







- vai além de criar simples imagens -