64 lines
5.1 KiB
Markdown
64 lines
5.1 KiB
Markdown
|
---
|
||
|
title: Neural Networks
|
||
|
localeTitle: Redes neurais
|
||
|
---
|
||
|
## Redes neurais
|
||
|
|
||
|
![Rede neural feed-forward](http://ufldl.stanford.edu/tutorial/images/SingleNeuron.png)
|
||
|
|
||
|
Uma rede neural artificial é um sistema de computação. Eles são como redes neurais biológicas que constituem cérebros de animais. Para treinar uma rede neural, precisamos de um vetor de entrada e um vetor de saída correspondente. O treinamento funciona minimizando um termo de erro. Esse erro pode ser a diferença quadrática entre a saída prevista e a saída original.
|
||
|
|
||
|
O princípio básico subjacente ao notável sucesso das redes neurais é "o Teorema da Aproximação Universal". Está matematicamente provado que as redes neurais são máquinas de aproximação universais que são capazes de aproximar qualquer função matemática entre a entrada e a saída dadas.
|
||
|
|
||
|
As redes neurais inicialmente se tornaram populares nos anos 80, mas as limitações no poder computacional proibiram sua ampla aceitação até a última década. As inovações no tamanho e na potência do CPU permitem a implementação da rede neural em escala, embora outros paradigmas de aprendizado de máquina ainda superem as redes neurais em termos de eficiência.
|
||
|
|
||
|
O elemento mais básico de uma rede neural é um neurônio. Sua entrada é um vetor, digamos `x` , e sua saída é uma variável de valor real, digamos `y` . Assim, podemos concluir que o neurônio atua como um mapeamento entre o vetor `x` e um número real `y` .
|
||
|
|
||
|
As redes neurais realizam a regressão iterativamente em várias camadas, resultando em um modelo de previsão com mais nuances. Um único nó em uma rede neural calcula exatamente a mesma função que [a regressão logística](../logistic-regression/index.md) . Todas essas camadas, além da entrada e saída, estão ocultas, ou seja, as características específicas representadas por essas camadas não são escolhidas ou modificadas pelo programador.
|
||
|
|
||
|
![Quatro redes neurais em camadas](http://cs231n.github.io/assets/nn1/neural_net2.jpeg)
|
||
|
|
||
|
Em qualquer camada, cada nó recebe todos os valores armazenados na camada anterior como entrada e faz previsões sobre eles com base em uma análise de regressão logística. O poder das redes neurais reside na sua capacidade de "descobrir" padrões e características não vistas pelos programadores. Como mencionado anteriormente, as camadas intermediárias estão "ocultas", significando que os pesos dados às transições são determinados exclusivamente pelo treinamento do algoritmo.
|
||
|
|
||
|
As redes neurais são usadas em várias tarefas. Estes incluem visão computacional, reconhecimento de voz, tradução, filtragem de redes sociais, jogos de vídeo e diagnóstico médico, entre outras coisas.
|
||
|
|
||
|
### Visualização
|
||
|
|
||
|
Há uma ferramenta incrível para ajudá-lo a entender a ideia de redes neurais sem qualquer [cálculo](http://playground.tensorflow.org) : o [TensorFlow Playground](http://playground.tensorflow.org) , um aplicativo da web que permite que você jogue com uma rede neural real em execução no navegador e clique em botões e parâmetros para ver como funciona.
|
||
|
|
||
|
### Problemas resolvidos usando redes neurais
|
||
|
|
||
|
* Classificação
|
||
|
* Clustering
|
||
|
* Regressão
|
||
|
* Detecção de anomalia
|
||
|
* Regras de associação
|
||
|
* Aprendizagem por reforço
|
||
|
* Previsão estruturada
|
||
|
* Engenharia de recursos
|
||
|
* Aprendizagem de recursos
|
||
|
* Aprendendo a classificar
|
||
|
* Indução de gramática
|
||
|
* Previsão do tempo
|
||
|
* Gerando imagens
|
||
|
|
||
|
### Sistemas de Rede Neural Comum
|
||
|
|
||
|
As redes neurais mais comuns usadas hoje se enquadram na categoria de [aprendizagem profunda](https://github.com/freeCodeCamp/guides/blob/master/src/pages/machine-learning/deep-learning/index.md) . A aprendizagem profunda é o processo de encadear múltiplas camadas de neurônios para permitir que uma rede crie mapeamentos cada vez mais abstratos entre vetores de entrada e saída. As redes neurais profundas geralmente usarão a [propogação reversa](https://github.com/freeCodeCamp/guides/blob/master/src/pages/machine-learning/backpropagation/index.md) para convergir com o mapeamento mais preciso.
|
||
|
|
||
|
A segunda forma mais comum de redes neurais é a nueroevolução. Neste sistema, várias redes neurais são geradas aleatoriamente como estimativas iniciais. Em seguida, várias gerações de combinação das redes mais precisas e permutações aleatórias são usadas para convergir para um mapeamento mais preciso.
|
||
|
|
||
|
### Tipos de redes neurais
|
||
|
|
||
|
* Rede Neural Recorrente (RNN)
|
||
|
* Memória de longo e curto prazo (LSTM), um tipo de RNN
|
||
|
* Rede Neural de Convolução (CNN)
|
||
|
|
||
|
### Mais Informações:
|
||
|
|
||
|
* [Redes Neurais - Wikipedia](https://en.wikipedia.org/wiki/Artificial_neural_network#Components_of_an_artificial_neural_network)
|
||
|
* [A natureza do código de Daniel Shiffman](http://natureofcode.com/book/chapter-10-neural-networks/)
|
||
|
* [Universidade de Stanford, Redes Neurais Multicamadas](http://ufldl.stanford.edu/tutorial/supervised/MultiLayerNeuralNetworks/)
|
||
|
* [3Blue1Brown, canal do Youtube com conteúdo de rede neural](https://youtu.be/aircAruvnKk)
|
||
|
* [Siraj Raval, canal do Youtube com conteúdo de rede neural](https://youtu.be/h3l4qz76JhQ)
|
||
|
* [Neuroevolução - Wikipedia](https://en.wikipedia.org/wiki/Neuroevolution)
|