A inteligência artificial é a base de toda a aprendizagem automática e o futuro de todos os processos complexos de tomada de decisões. A Inteligência Artificial combina algoritmos matemáticos e técnicas de Aprendizagem Automática, Aprendizagem Profunda e Big Data para extrair o conhecimento contido nos dados e apresentá-lo de forma compreensível e automática. Este livro aborda a utilização de redes neuronais para a aprendizagem supervisionada e não supervisionada. No que diz respeito à aprendizagem supervisionada, são consideradas as arquitecturas mais comuns, como o Perceptron Multicamada, a Rede de Base Radial, as Redes ADALINE, as Redes HOPFIELD, as Redes Probabilísticas, as Redes Lineares, as Redes de Regressão Generalizada, as Redes LVQ, as Redes Lineares e as Redes para Otimização de Modelos de Regressão. Nesta secção de análise supervisionada, deve ser dada especial atenção às Redes Neuronais de Previsão de Séries Temporais, tais como a Rede LSTM, as Redes GRU, as Redes Neuronais Recorrentes RNN, as Redes NARX, as Redes NNAR e, em geral, as Redes Neuronais Dinâmicas. A aprendizagem não supervisionada desenvolve Redes de Reconhecimento de Padrões e Análise de Agrupamentos, tais como Redes KOHONEN (Mapas Auto-Organizáveis SOM), Redes de Reconhecimento de Padrões, Redes Neuronais Autoencodificadoras, Redes de Aprendizagem por Transferência, Redes de Deteção de Anomalias e Redes Neuronais Convolucionais. Os tópicos seguintes descrevem metodologicamente as arquitecturas dos diferentes tipos de redes neuronais e a sua utilidade em aplicações práticas. Além disso, para cada tipo de rede neural, são apresentados exemplos com uma sintaxe óptima nas linguagens R e Python.