{"id":328197,"date":"2021-12-08T21:29:00","date_gmt":"2021-12-08T18:29:00","guid":{"rendered":"https:\/\/inform.com.de\/?p=328197"},"modified":"2021-12-07T19:36:48","modified_gmt":"2021-12-07T16:36:48","slug":"em-palavras-simples-sobre-o-complexo-o-que-sao-redes-neurais-escrevendo-uma-rede-neural-feedforward-do-zero","status":"publish","type":"post","link":"https:\/\/inform.com.de\/pt-pt\/em-palavras-simples-sobre-o-complexo-o-que-sao-redes-neurais-escrevendo-uma-rede-neural-feedforward-do-zero\/","title":{"rendered":"Em palavras simples sobre o complexo: o que s\u00e3o redes neurais? Escrevendo uma rede neural feedforward do zero."},"content":{"rendered":"

O que \u00e9 uma rede neural?<\/h2>\n

Como voc\u00ea sabe, nosso c\u00e9rebro \u00e9 uma coisa complexa. A coordena\u00e7\u00e3o de seu trabalho ocorre por meio de neur\u00f4nios – c\u00e9lulas nervosas com ramos que se estendem a partir deles. Entrela\u00e7ando-se entre si, os neur\u00f4nios formam uma rede neural – um mecanismo intrincado que determina toda a diversidade da psique humana. Esta \u00e9 a raiz de nossa autoconsci\u00eancia, o sentimento de n\u00f3s como indiv\u00edduos, guiados por nossos desejos e aspira\u00e7\u00f5es interiores.<\/p>\n

Se algum tipo de mau funcionamento ocorre no trabalho dos neur\u00f4nios, a pessoa muda irreconhec\u00edvel. Dependendo da gravidade da les\u00e3o, as mudan\u00e7as variam de sinais leves de comportamento desviante \u00e0 cessa\u00e7\u00e3o do funcionamento normal do corpo. Os danos cerebrais costumam ser fatais.<\/p>\n

Mas hoje n\u00e3o vamos falar sobre biologia, porque n\u00e3o apenas o sistema do nosso c\u00e9rebro \u00e9 chamado de redes neurais, mas tamb\u00e9m um programa de computador complexo com princ\u00edpios operacionais semelhantes. Como a massa cinzenta, \u00e9 fractal, ou seja, consiste em muitos programas mais simples que formam uma esp\u00e9cie de simbiose.<\/p>\n

Enquanto funciona, a rede neural aprende, ganha experi\u00eancia e se torna mais perfeita. Trata-se, assim, de um verdadeiro organismo digital, que um dia dever\u00e1 ultrapassar o seu criador.<\/p>\n

Como as redes neurais apareceram<\/h2>\n

O surgimento do conceito de redes neurais artificiais remonta \u00e0 d\u00e9cada de 40 do s\u00e9culo anterior. Em particular, est\u00e1 associado aos cientistas McCulloch e Pitts, que tentaram simular os processos do c\u00e9rebro. Eles tamb\u00e9m propuseram a ideia de criar um sistema de autoaprendizagem projetado para realizar v\u00e1rias opera\u00e7\u00f5es l\u00f3gicas. O problema era que as tecnologias da \u00e9poca estavam longe das de hoje e os inventores n\u00e3o conseguiram concretizar totalmente suas id\u00e9ias.<\/p>\n

(Warren McCulloch e Walter Pitts)<\/p>\n

Seu trabalho foi continuado pelo fisiologista canadense Donald Hebb, e em 1949 o primeiro algoritmo para calcular ANN foi apresentado ao mundo. Pelos pr\u00f3ximos 10 anos, serviu de base para o desenvolvimento de outros cientistas, at\u00e9 que, finalmente, em 1958, Frank Rosenblatt criou o parceptron, uma tecnologia que imita o trabalho de nossos c\u00e9rebros. Para a \u00e9poca, essa novidade era incr\u00edvel. Cientistas sovi\u00e9ticos e americanos se juntaram ao trabalho, que tamb\u00e9m deram uma contribui\u00e7\u00e3o consider\u00e1vel para a pesquisa.<\/p>\n

No final do s\u00e9culo XX – in\u00edcio do s\u00e9culo XXI, a tecnologia deu um salto brusco, que serviu como um bom incentivo para atividades cient\u00edficas mais intensas, e em 2007 o cientista da computa\u00e7\u00e3o Jeffrey Hinton desenvolveu um algoritmo de aprendizado profundo para redes neurais, que agora \u00e9 amplamente utilizado em carros aut\u00f4nomos.<\/p>\n

\"Em<\/a><\/p>\n

(Geoffrey Hinton)<\/p>\n

Um pouco de historia<\/h3>\n

Pela primeira vez, o conceito de redes neurais artificiais (RNA) surgiu ao tentar simular os processos do c\u00e9rebro. O primeiro grande avan\u00e7o nesta \u00e1rea pode ser considerado a cria\u00e7\u00e3o do modelo de rede neural McCulloch-Pitts em 1943. Os cientistas desenvolveram primeiro um modelo de neur\u00f4nio artificial. Eles tamb\u00e9m propuseram a constru\u00e7\u00e3o de uma rede desses elementos para realizar opera\u00e7\u00f5es l\u00f3gicas. Mas o mais importante \u00e9 que os cientistas provaram que essa rede \u00e9 capaz de aprender.<\/p>\n

\"Em<\/a><\/p>\n

O pr\u00f3ximo passo importante foi o desenvolvimento por Donald Hebb do primeiro algoritmo para calcular ANN em 1949, que se tornou fundamental para as d\u00e9cadas seguintes. Em 1958, Frank Rosenblatt desenvolveu o parceptron, um sistema que imita os processos do c\u00e9rebro. Ao mesmo tempo, a tecnologia n\u00e3o tinha an\u00e1logos e ainda \u00e9 fundamental nas redes neurais. Em 1986, quase simultaneamente, independentemente um do outro, os cientistas americanos e sovi\u00e9ticos melhoraram significativamente o m\u00e9todo fundamental de ensino do perceptron multicamadas<\/a>. Em 2007, as redes neurais renasceram. Cientista da computa\u00e7\u00e3o brit\u00e2nico Jeffrey Hinton<\/a> desenvolveu pela primeira vez um algoritmo de aprendizado profundo para redes neurais multicamadas, que agora \u00e9, por exemplo, usado para operar ve\u00edculos n\u00e3o tripulados.<\/p>\n

Resumidamente sobre o principal<\/h3>\n

No sentido geral da palavra, as redes neurais s\u00e3o modelos matem\u00e1ticos que funcionam com base no princ\u00edpio das redes de c\u00e9lulas nervosas em um organismo animal. ANNs podem ser implementadas em solu\u00e7\u00f5es program\u00e1veis \u200b\u200be de hardware. Para facilitar a percep\u00e7\u00e3o, um neur\u00f4nio pode ser imaginado como um tipo de c\u00e9lula, que tem muitos orif\u00edcios de entrada e uma sa\u00edda. Quantos sinais de entrada s\u00e3o formados no de sa\u00edda determina o algoritmo de c\u00e1lculo. Os valores efetivos s\u00e3o alimentados para cada entrada de neur\u00f4nio, que s\u00e3o ent\u00e3o propagados ao longo de conex\u00f5es interneuronais (sinopse). As sinapses t\u00eam um par\u00e2metro – peso, devido ao qual as informa\u00e7\u00f5es de entrada mudam quando se movem de um neur\u00f4nio para outro. A maneira mais f\u00e1cil de imaginar como as redes neurais funcionam pode ser representada pelo exemplo de mistura de cores. Os neur\u00f4nios azuis, verdes e vermelhos t\u00eam pesos diferentes.<\/p>\n

\"Em<\/a><\/p>\n

A pr\u00f3pria rede neural \u00e9 um sistema de muitos desses neur\u00f4nios (processadores). Individualmente, esses processadores s\u00e3o bastante simples (muito mais simples do que um processador de computador pessoal), mas quando conectados a um grande sistema, os neur\u00f4nios s\u00e3o capazes de realizar tarefas muito complexas.<\/p>\n

Dependendo da \u00e1rea de aplica\u00e7\u00e3o, uma rede neural pode ser interpretada de diferentes maneiras. Por exemplo, do ponto de vista do aprendizado de m\u00e1quina, uma RNA \u00e9 um m\u00e9todo de reconhecimento de padr\u00f5es. Do ponto de vista matem\u00e1tico, este \u00e9 um problema multipar\u00e2metro. Do ponto de vista da cibern\u00e9tica, \u00e9 um modelo de controle adaptativo da rob\u00f3tica. Para a intelig\u00eancia artificial, a RNA \u00e9 um componente fundamental para modelar a intelig\u00eancia natural usando algoritmos computacionais.<\/p>\n

A principal vantagem das redes neurais sobre os algoritmos de computa\u00e7\u00e3o convencionais \u00e9 sua capacidade de aprender. No sentido geral da palavra, a aprendizagem consiste em encontrar os coeficientes de acoplamento corretos entre os neur\u00f4nios, bem como em generalizar dados e identificar rela\u00e7\u00f5es complexas entre sinais de entrada e sa\u00edda. Na verdade, o treinamento bem-sucedido de uma rede neural significa que o sistema ser\u00e1 capaz de identificar o resultado correto com base em dados n\u00e3o presentes no conjunto de treinamento.<\/p>\n

Aplica\u00e7\u00e3o de redes neurais<\/h2>\n

A gama de aplica\u00e7\u00e3o das redes neurais \u00e9 incrivelmente ampla e \u00e9 limitada apenas pela nossa imagina\u00e7\u00e3o. Vamos listar alguns deles:<\/p>\n