09060b7955
|
||
|---|---|---|
| .. | ||
| 03-Perceptron | ||
| 04-OwnFramework | ||
| 05-Frameworks | ||
| README.md | ||
README.md
Introdução às Redes Neurais
Como discutimos na introdução, uma das formas de alcançar inteligência é treinar um modelo computacional ou um cérebro artificial. Desde meados do século XX, os investigadores experimentaram diferentes modelos matemáticos, até que, nos últimos anos, esta abordagem se revelou extremamente bem-sucedida. Esses modelos matemáticos do cérebro são chamados de redes neurais.
Às vezes, as redes neurais são chamadas de Redes Neurais Artificiais, ou ANNs, para indicar que estamos a falar de modelos, e não de redes reais de neurónios.
Aprendizagem Automática
As Redes Neurais fazem parte de uma disciplina mais ampla chamada Aprendizagem Automática (Machine Learning), cujo objetivo é usar dados para treinar modelos computacionais capazes de resolver problemas. A Aprendizagem Automática constitui uma grande parte da Inteligência Artificial, no entanto, não abordamos a aprendizagem automática clássica neste currículo.
Visite o nosso currículo separado Machine Learning for Beginners para aprender mais sobre a Aprendizagem Automática clássica.
Na Aprendizagem Automática, assumimos que temos um conjunto de dados de exemplos X e os valores de saída correspondentes Y. Os exemplos são frequentemente vetores N-dimensionais que consistem em características, e as saídas são chamadas de rótulos.
Vamos considerar os dois problemas mais comuns da aprendizagem automática:
- Classificação, onde precisamos classificar um objeto de entrada em duas ou mais classes.
- Regressão, onde precisamos prever um valor numérico para cada uma das amostras de entrada.
Ao representar entradas e saídas como tensores, o conjunto de dados de entrada é uma matriz de tamanho M×N, onde M é o número de amostras e N é o número de características. Os rótulos de saída Y são um vetor de tamanho M.
Neste currículo, focar-nos-emos apenas em modelos de redes neurais.
Um Modelo de Neurónio
Sabemos pela biologia que o nosso cérebro é composto por células neuronais, cada uma delas com múltiplas "entradas" (axónios) e uma saída (dendrito). Os axónios e dendritos podem conduzir sinais elétricos, e as conexões entre axónios e dendritos podem apresentar diferentes graus de condutividade (controlados por neuromediadores).
 |
 |
|---|---|
| Neurónio Real (Imagem da Wikipédia) | Neurónio Artificial (Imagem do Autor) |
Assim, o modelo matemático mais simples de um neurónio contém várias entradas X1, ..., XN e uma saída Y, além de uma série de pesos W1, ..., WN. A saída é calculada como:
onde f é uma função de ativação não linear.
Os primeiros modelos de neurónio foram descritos no artigo clássico A logical calculus of the ideas immanent in nervous activity por Warren McCullock e Walter Pitts em 1943. Donald Hebb, no seu livro "The Organization of Behavior: A Neuropsychological Theory", propôs uma forma de treinar essas redes.
Nesta Secção
Nesta secção, vamos aprender sobre:
- Perceptron, um dos primeiros modelos de redes neurais para classificação de duas classes
- Redes multicamadas com um notebook associado como construir o nosso próprio framework
- Frameworks de Redes Neurais, com os seguintes notebooks: PyTorch e Keras/Tensorflow
- Overfitting
Aviso Legal:
Este documento foi traduzido utilizando o serviço de tradução por IA Co-op Translator. Embora nos esforcemos para garantir a precisão, é importante notar que traduções automáticas podem conter erros ou imprecisões. O documento original na sua língua nativa deve ser considerado a fonte autoritária. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes do uso desta tradução.