O desenvolvimento de técnicas de aprendizado de máquina é considerado uma das áreas de estudo que vem revolucionando a sociedade nas últimas décadas. O aprendizado de máquina é uma subárea do desenvolvimento da inteligência artificial que visa capacitar computadores a realizar tarefas de forma autônoma por meio de processos de aprendizado baseados em análise de dados. Desse modo, o desenvolvimento das técnicas de aprendizado de máquina tem proporcionado grandes transformações na sociedade ao possibilitar que computadores aprendam a realizar tarefas e funções que até pouco tempo só eram possíveis de serem realizadas por seres humanos. Além disso, o uso de técnicas de aprendizado de máquina tem se tornado uma tendência em diversas áreas científicas pelo fato de possibilitar o treinamento por meio do uso de dados de modelos capazes de realizar predições para sistemas e fenômenos difíceis de serem modelados analiticamente. Entre os diversos tipos de modelos de aprendizado de máquina existentes, as redes neurais artificiais são modelos que recentemente voltaram a ganhar grande destaque na comunidade científica. As redes neurais artificiais são os modelos de aprendizado de máquina reconhecidos por sua capacidade de extrair padrões abstratos e profundos presentes em conjunto de dados, e que recentemente, sob o contexto do desenvolvimento das técnicas de aprendizado profundo (deep learning), têm ganhado notoriedade pelo seu sucesso na solução de problemas complexos de diversas áreas científicas. Apesar desse sucesso, os modelos de redes neurais artificiais ainda apresentam alguns problemas que necessitam ser solucionados. Críticas comumente realizadas às redes neurais artificiais são a tendência desses modelos sofrerem sobreajuste e a incapacidade de fornecerem suas predições junto de seus respectivos valores de incerteza. Esses problemas prejudicam a capacidade de generalização desses modelos e podem gerar problemas de segurança durante a utilização de suas predições. Nesse contexto, o desenvolvimento de modelos de rede neurais artificiais bayesianas tem se estabelecido como uma solução promissora para esses problemas. Modelos de rede neurais artificiais bayesianas sao modelos de redes neurais estocásticos que possuem mecanismos naturais de regularização dos modelos que evitam o problema de sobreajuste e que são capazes de diretamente representar valores de incerteza de suas predições. Estudos sobre aplicações de redes neurais bayesianas para solução de problemas reais, no entanto, ainda são bem escassos na literatura comparado ao número de estudos sobre aplicações de redes neurais tradicionais. Sendo assim, esse trabalho tem como objetivo provar a aplicabilidade de modelos de redes neurais bayesianas para solução de problemas reais referentes a dois estudos de caso. O primeiro caso consiste no estudo da aplicação de um modelo de rede neural bayesiana para a solução de um problema de calibração de sensores de poluição do ar de baixo-custo. Já o segundo caso consiste no estudo da aplicação de um modelo de rede neural bayesiana para a solução de um problema de detecção de falhas em um processo químico real. Para cada estudo de caso, o desempenho da solução baseada em rede neural bayesiana é avaliado, assim como é realizada uma análise das vantagens e limitações do uso de rede neural bayesiana para solução do problema.

The development of machine learning techniques is considered one of the study areas that has revolutionized society in recent decades. Machine learning is a subarea of the artificial intelligence development area that aims to enable computers to perform tasks autonomously through learning processes based on data analysis. In this way, the development of machine learning techniques has provided great transformations in society by enabling computers to learn how to perform tasks and functions that until recently were only possible to be performed by humans. In addition, the use of machine learning techniques has become a trend in several scientific areas since it enables the training of data-driven models capable of making predictions for systems and phenomena that are difficult to model analytically. Among the various types of existing machine learning models, artificial neural networks are models that have recently gained great prominence in the scientific community. Artificial neural networks are machine learning models recognized for their ability to extract abstract and deep patterns present in data sets, and that recently, under the context of the development of deep learning techniques, have gained notoriety for their success in the solution of complex problems from different scientific areas. Despite this success, the models of artificial neural networks still have some problems that need to be solved. Commonly held criticisms of artificial neural networks are the tendency of these models to overfit and the inability to provide their predictions along with their respective uncertainty values. These problems impair the generalizability of these models and can generate security problems when using their predictions. In this context, the development of Bayesian artificial neural network models has established itself as a promising solution to these problems. Bayesian artificial neural network models are stochastic neural network models that have natural mechanisms of model regularization that avoid the problem of overfitting and that can directly represent the uncertainty values of their predictions. Studies on applications of Bayesian neural networks for solving real problems, however, are still very scarce in the literature compared to the number of studies on applications of traditional neural networks. Therefore, this work aims to prove the applicability of Bayesian neural network models to solve real problems addressed in two case studies. The first case is a study of the application of a Bayesian neural network model for the solution of a problem of calibration of low-cost air pollution sensors. The second case is a study of the application of a Bayesian neural network model for the solution of a problem of fault detection in a real chemical process. For each case study, the performance of the solution based on a Bayesian neural network is evaluated, as well as an analysis of the advantages and limitations of using a Bayesian neural network to solve the problem is performed.