Você sabe o que são redes neurais e Deep Learning? Nesta aula vou explicar esses conceitos e sua importância hoje para o mercado!
Caso prefira esse conteúdo no formato de vídeo-aula, assista ao vídeo abaixo ou acesse o nosso canal do YouTube!
Para receber por e-mail o(s) arquivo(s) utilizados na aula, preencha:
Fala Impressionadores! Você já deve ter ouvido falar nos termos Redes Neurais e Deep Learning não é mesmo?
Na aula de hoje eu quero te mostrar o que são redes neurais, como elas funcionam e como isso se assemelha ao corpo humano.
Além disso, vou te explicar também o que é o deep learning, que nada mais é do que rede neural com várias camadas.
Você já deve ter visto no YouTube alguns canais que utilizam da inteligência artificial para fazer com que se jogue um jogo da melhor forma possível ou que se aprenda a jogar.
Isso é um exemplo do uso de redes neurais que vou explicar nessa aula!
Curioso para aprender? Então vem comigo que eu vou te mostrar o que são redes neurais e deep learning.
Quando falamos de redes neurais e Deep learning, estamos basicamente querendo que as máquinas aprendam como o nosso cérebro. Este é um tema recorrente em entrevistas de emprego hoje, por isso fiz esta aula específica para você aprender.
Nós temos uma capacidade enorme de reconhecer objetos e aprendemos com os erros, um exemplo disso é que se você tocar no fogo a primeira vez, da segunda vez seu cérebro já vai associar aquele ato a dor e te impedir.
O que foi pensado a partir dessa observação é, por que não fazer com que as máquinas aprendam a partir do modo que o nosso cérebro já faz isso?
Certo, mas o que faz o cérebro tão especial?
Temos uma estrutura chamada neurônios, os neurônios são estruturas relativamente simples, eles têm a opção de passar ou não uma informação para frente, não vamos entrar a fundo na parte biológica, o mais importante aqui é saber que ele tem duas principais funções:
Mas se é assim tão simples, como ele consegue aprender tanta coisa?
Na verdade, a quantidade de neurônios é muito grande e esse volume tomando decisões e gerando estímulos aumenta a capacidade de aprender.
Baseados neste modelo foi criado a rede neural com várias camadas:
O que é passado para esta rede neural são os dados de entrada e os dados de saída, toda a parte central espera-se se ela aprenda por si mesma com sua lógica.
Essa capacidade de aprender por experiência pode ser maior ou menor dependendo do volume de camadas, isso vai depender da capacidade de processamento que houver disponível.
Um exemplo de Deep learning é quando reconhecemos uma imagem, é um processo complexo, mas não pensamos muito nele porque nosso cérebro o faz sozinho, da mesma forma essa rede neural cuida de diversos processos e aprende sozinha enquanto nos preocupamos com outras fazes do processo.
Então, hoje já conseguimos usar o Deep Learning porque temos um poder computacional maior do que na época em que esse estudo começou.
Quanto mais próximo do Deep Learning mais abstração temos no processo, isso porque sabemos a informação que entrou e a que saiu, mas não entendemos muito o meio, como se chegou na conclusão.
Em certo ponto não precisamos necessariamente entender tudo, mas temos que tomar cuidado para que isso não gere ou favoreça decisões preconceituosas, ou traga algum viés errado para o modelo.
Temos uma aula que explica isso melhor “A Ciência Além dos Dados”, recomendo que leiam com atenção, pois o tema é essencial para quem quer ser cientista de dados.
O que é uma rede neural?
Uma rede neural é formada por pequenas estruturas que funcionam de forma muito parecida com o neurônio, basicamente ela possui seus nós e conexões:
Para cada conexão vamos pensar em qual é o peso dela, o seu viés e sua função de ativação:
O peso é sobre a importância daquela informação do nó para o processo, o viés é um valor fixo para cada nó que vamos adicionar para fazer ajustes, e a função de ativação é um tipo de adequação que vamos usar para corrigir a forma que esperamos que os “nós” recebam os dados.
Nas próximas aulas vamos falar mais sobre as funções de ativação, os tipos que existem e o objetivo de cada uma.
O aprendizado será exatamente o cálculo de todos os pesos e vieses. Podemos resolver de diversos modos a leitura do modelo.
Modo simples:
Neste caso, estamos partindo de uma imagem de uma banana, em seguida podemos fazer perguntas que levem a conclusão de que o que está sendo observado é uma banana, então vamos perguntar:
Existe um caule? A cor é amarela?
As respostas, sim ou não vão fazendo com que seja provável uma resposta específica e os dados mais importantes vão receber um peso maior na análise.
Observe que dizer que a cor é amarela é uma resposta válida para identificar a banana, mas também pode ser um maracujá, ou um melão, portanto, várias camadas com vários nós e vários pesos vão identificar mais fácil um objeto, por isso temos também as camadas ocultas.
Por fim, quando temos diversas camadas com diversos nós e vieses então temos um aprendizado profundo denominado Deep Learning.
Essas redes neurais ficaram paradas por muito tempo porque demandavam muitos dados, custo computacional e alto tempo de processamento, mas hoje, com a tecnologia mais avançada, esse assunto retornou com tudo e está presente inclusive em entrevistas de emprego.
Hoje este conhecimento é usado no reconhecimento de imagem, tradução de textos e até reconhecimento de escritas a mão.
Você já sabia o que é Deep Learning? Nesta aula fiz um resumo sobre os principais pontos sobre deep learning, este é um primeiro passo para as próximas aulas.
Nas próximas aulas vamos nos aprofundar mais neste assunto. Por ser um assunto que está em alta e que está sendo cobrado em processos seletivos recomento que leiam o texto e baixem o material da aula.
Eu fico por aqui! Até mais!
Para acessar outras publicações de Ciência de Dados, clique aqui!
Expert em conteúdos da Hashtag Treinamentos. Auxilia na criação de conteúdos de variados temas voltados para aqueles que acompanham nossos canais.
Quer sair do zero no Python e virar uma referência na sua empresa? Inscreva-se agora mesmo no Python Impressionador