7bc18240e3
|
||
|---|---|---|
| .. | ||
| 03-Perceptron | ||
| 04-OwnFramework | ||
| 05-Frameworks | ||
| README.md | ||
README.md
Introdução às Redes Neuronais
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 provou ser extremamente bem-sucedida. Esses modelos matemáticos do cérebro são chamados de redes neuronais.
Às vezes, as redes neuronais são chamadas de Redes Neuronais Artificiais (Artificial Neural Networks, ANNs), para indicar que estamos a falar de modelos, e não de redes reais de neurónios.
Aprendizagem Automática
As Redes Neuronais 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 Aprendizagem Automática para Iniciantes 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.
Consideraremos 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 neuronais.
Um Modelo de Neurónio
Na biologia, sabemos que o nosso cérebro é composto por células neuronais (neurónios), cada uma delas com múltiplas "entradas" (dendritos) e uma única "saída" (axónio). Tanto os dendritos como os axónios podem conduzir sinais elétricos, e as conexões entre eles — conhecidas como sinapses — podem apresentar diferentes graus de condutividade, que são regulados por neurotransmissores.
 |
 |
|---|---|
| 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, e 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, aprenderemos sobre:
- Perceptron, um dos primeiros modelos de redes neuronais para classificação binária
- Redes com múltiplas camadas com um notebook associado como construir o nosso próprio framework
- Frameworks de Redes Neuronais, com estes notebooks: PyTorch e Keras/Tensorflow
- Overfitting
Aviso:
Este documento foi traduzido utilizando o serviço de tradução por IA Co-op Translator. Embora nos esforcemos pela 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 da utilização desta tradução.