facf1de88c
|
||
|---|---|---|
| .. | ||
| 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, pesquisadores experimentaram 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, redes neurais são chamadas de Redes Neurais Artificiais, ou ANNs, para indicar que estamos falando de modelos, e não de redes reais de neurônios.
Aprendizado de Máquina
Redes Neurais fazem parte de uma disciplina maior chamada Aprendizado de Máquina, cujo objetivo é usar dados para treinar modelos computacionais capazes de resolver problemas. O Aprendizado de Máquina constitui uma grande parte da Inteligência Artificial, porém, não abordamos o aprendizado de máquina clássico neste currículo.
Visite nosso currículo separado Aprendizado de Máquina para Iniciantes para aprender mais sobre Aprendizado de Máquina clássico.
No Aprendizado de Máquina, assumimos que temos algum conjunto de dados de exemplos X e valores de saída correspondentes Y. Os exemplos geralmente são 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
Na biologia, sabemos que nosso cérebro é composto por células neurais (neurônios), cada uma delas tendo múltiplas "entradas" (dendritos) e uma única "saída" (axônio). Tanto os dendritos quanto os axônios podem conduzir sinais elétricos, e as conexões entre eles — conhecidas como sinapses — podem apresentar diferentes graus de condutividade, que são regulados por neurotransmissores.
 |
 |
|---|---|
| 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, e uma série de pesos W1, ..., WN. A saída é calculada como:
onde f é alguma função de ativação não linear.
Os primeiros modelos de neurônio 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, em seu livro "The Organization of Behavior: A Neuropsychological Theory", propôs uma forma de treinar essas redes.
Nesta Seção
Nesta seção, aprenderemos sobre:
- Perceptron, um dos primeiros modelos de redes neurais para classificação de duas classes
- Redes multicamadas com um notebook associado como construir nosso próprio framework
- Frameworks de Redes Neurais, com estes 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, esteja ciente de que traduções automáticas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte oficial. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.