5d34bc4eb8
|
||
|---|---|---|
| .. | ||
| 03-Perceptron | ||
| 04-OwnFramework | ||
| 05-Frameworks | ||
| README.md | ||
README.md
Introdução às Redes Neurais
Como discutimos na introdução, uma das maneiras de alcançar a inteligência é treinar um modelo de computador ou um cérebro artificial. Desde meados do século XX, pesquisadores tentaram diferentes modelos matemáticos, até que, nos últimos anos, essa abordagem se mostrou extremamente bem-sucedida. Esses modelos matemáticos do cérebro são chamados de redes neurais.
Às vezes, as redes neurais são chamadas de Redes Neurais Artificiais, ANNs, para indicar que estamos falando de modelos, e não de redes reais de neurônios.
Aprendizado de Máquina
As Redes Neurais são parte de uma disciplina maior chamada Aprendizado de Máquina, cujo objetivo é usar dados para treinar modelos de computador capazes de resolver problemas. O Aprendizado de Máquina constitui uma grande parte da Inteligência Artificial; no entanto, não abordamos o ML clássico neste currículo.
Visite nosso currículo separado Aprendizado de Máquina para Iniciantes para saber mais sobre o Aprendizado de Máquina clássico.
No Aprendizado de Máquina, 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.
Consideraremos os dois problemas mais comuns de aprendizado de máquina:
- Classificação, onde precisamos classificar um objeto de entrada em duas ou mais classes.
- Regressão, onde precisamos prever um número 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 o vetor de tamanho M.
Neste currículo, focaremos apenas em modelos de redes neurais.
Um Modelo de Neurônio
Da biologia, sabemos que nosso cérebro consiste em células neurais, cada uma delas tendo múltiplas "entradas" (axônios) e uma saída (dendrito). Axônios e dendritos podem conduzir sinais elétricos, e as conexões entre axônios e dendritos podem exibir diferentes graus de condutividade (controlados por neuromediadores).
 |
 |
|---|---|
| Neurônio Real (Imagem da Wikipedia) | Neurônio Artificial (Imagem do Autor) |
Assim, o modelo matemático mais simples de um neurônio 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 alguma função de ativação não linear.
Modelos iniciais de neurônios foram descritos no artigo clássico A logical calculus of the ideas immanent in nervous activity de Warren McCullock e Walter Pitts em 1943. Donald Hebb, em seu livro "The Organization of Behavior: A Neuropsychological Theory", propôs a maneira como essas redes podem ser treinadas.
Nesta Seção
Nesta seção, aprenderemos sobre:
- Perceptron, um dos primeiros modelos de rede neural para classificação em duas classes
- Redes de múltiplas camadas com um caderno associado como construir nossa própria estrutura
- Estruturas de Redes Neurais, com estes cadernos: PyTorch e Keras/Tensorflow
- Overfitting
Aviso Legal:
Este documento foi traduzido utilizando serviços de tradução automática baseados em IA. Embora nos esforcemos pela precisão, esteja ciente de que traduções automatizadas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte autoritativa. Para informações críticas, recomenda-se a tradução profissional feita por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações errôneas decorrentes do uso desta tradução.