UNIVERSIDADE FEDERAL DO AMAZONAS

INSTITUTO DE CIÊNCIAS EXATAS E TECNOLOGIA

ENGENHARIA DE SOFTWARE

RESMUO:
REDES NEURAIS DE APRENDIZAGEM PROFUNDA: MÉTODOS, SISTEMAS E
APLICATIVOS.

Itacoatiara – AM
2019
 Discentes: Raimundo José Vieira

RESMUO:
REDES NEURAIS DE APRENDIZAGEM PROFUNDA: MÉTODOS, SISTEMAS E
APLICATIVOS.

Trabalho apresentado ao Instituto de

Ciências Exatas e Tecnologia – UFAM
como crédito para obtenção da nota final na
disciplina de Engenharia de Software
ministrada pelo prof. Adilson Tavares

Itacoatiara – AM
2019
Resumo

Redes Neurais de Aprendizagem Profunda: Métodos, Sistemas e Aplicativos.

A inteligência artificial já não é enredo para filmes de ficção. As pesquisas neste campo
aumentam a cada dia e proporcionam novas descobertas sobre o aprendizado das máquinas
(Machine Learning). Os Métodos de Aprendizado Profundo, também conhecidos como Deep
Learning são atualmente utilizados em muitas frentes como o reconhecimento facial nas redes
sociais, nos carros automatizados e até mesmo em alguns diagnósticos no campo da Medicina.
O Deep Learning permite que modelos computacionais compostos de inúmeras camadas de
processamento possam “aprender” representações de dados com diversos níveis de abstração.
Esses métodos melhoraram o reconhecimento de fala, de objetos visuais, detecção de
objetos, dentre possibilidades. Contudo, essa tecnologia ainda é pouco conhecida e, o propósito
desse estudo é esclarecer como funciona o Deep Learning e demonstrar suas aplicações atuais.
De certo, com a disseminação desses conhecimentos, o aprendizado profundo pode, num futuro
próximo, apresentar outras aplicações, ainda mais importantes para toda a humanidade.

1. Introdução

Para entendermos o que é Deep Learning, precisamos remontar a uma das tendências
tecnológicas do momento: o aprendizado de máquina, ou aprendizado automático, do
inglês Machine Learning. Ela diz respeito ao fato de os computadores e dispositivos conectados
desempenharem suas funções sem que pareçam programados e, mais propriamente, que
“aprendam” conforme são utilizados.

Talvez já tenha ouvido falar sobre as redes neurais. Elas também têm a ver com o
aprendizado de máquina. No passado, as redes neurais proporcionaram o aprendizado
automático utilizado para a criação de carros autônomos e melhoraram significativamente as
buscas na web, apenas para citar alguns exemplos práticos. Agora, uma técnica que vem
ganhando força dentro deste universo é o Deep Learning. Assim vamos entender o que é Deep
Learning, como ele funciona na prática, em que situações já está sendo aplicado e por que é
importante conhecer melhor essa abordagem tecnológica.
2. Objetivo

Em geral, ela já está sendo utilizada dentro do conceito de aprendizado de máquina para
as seguintes finalidades:

 melhorar a experiência dos usuários em resultados de pesquisas online;

 otimizar campanhas de anúncios online em tempo real (sites e aplicativos móveis);
 analisar sentimentos por meio de textos (redes sociais, sobretudo);
 prever falhas em equipamentos diversos;
 melhorar a precificação por meio da análise do comportamento do consumidor nas lojas
virtuais;
 detectar fraudes;
 detectar invasões de rede (inclusive aquelas orquestradas em massa);
 reconhecer padrões e imagens.

3. Resultados

A edição especial começa com o grupo de artigos e com o contribuição de Soroor

Malekmohamadi Faradonbe: Uma estrutura é desenvolvido denominado PSO-NTM, que
melhora o desempenho de NTM (Neural Turing Machine) usando a rede neural profunda LSTM
como um controlador e usa a meta-otimização de enxame de partículas algoritmo heurístico, a
fim de treinar e controlar os pesos em NTM, que é aplicado em várias tarefas disponíveis, bem
como uma nova tarefa de classificador.
No trabalho de Zhang et al., o método de controle da rede neural (NN) é desenvolvido
para sistemas não-lineares. Sistemas de suspensão ativos de veículos de um quarto (VASSs)
que características de incertezas de parâmetros, saturação de entrada e turbance, cujo objetivo
é garantir a condução segura e melhorar o passeio conforto. Para resolver o problema de
rastreamento de saída ideal, Zhang et al. propõe um novo algoritmo de controle de
aprendizagem de iteração para conduzir a saída de um sistema com restrição de tempo discreto
com para rastrear uma saída de referência desejada, projetando novos redes neurais críticas.
Nas obras de Shi, um reforço integral algoritmo de iteração de valor baseado na aprendizagem
(IRL) é desenvolvido para o controle ótimo do controle de rastreamento do horizonte infinito
de sistemas lineares de tempo contínuo com atraso de tempo. Para o rastreamento problema de
controle de uma classe de sistemas não lineares de feedback não com dinâmicas não modeladas
e tempo de atraso, Wang et al. de- assinar um sinal dinâmico para lidar com a dinâmica não
modelada e as funções de Lyapunov-Krasovskii são aplicadas para compensar a
efeito do atraso de tempo.
O segundo grupo que começa com o artigo de Majd et al., onde uma versão estendida
do unidades LSTM denominadas C2LSTM nas quais os dados de movimento são bem como as
características espaciais e dependências temporais. Além disso, uma rede profunda é projetada
para reconhecimento de ação humana.
O terceiro grupo da edição especial começa com o artigo de Serrano et al., que discute
a aplicação da aprendizagem profunda em busca inteligente. O trabalho propõe um aplicativo
que reordena os resultados da Web obtidos de diferentes mecanismos de pesquisa da Web, a
maneira como o nosso cérebro toma decisões, que é baseado no Rede Neural Aleatória com
Clusters de Aprendizagem Profunda que avaliam e adapta a relevância dos resultados da Web
ao associar cada Deep Learning Cluster para um mecanismo de pesquisa da Web específico. Em
anúncio, um Cluster de Aprendizado Profundo para atuar como Cluster que decide a relevância
do resultado com base nas entradas de cada cluster independente de aprendizagem profunda
que é apresentado por Serrano et al.

4. Conclusão

A pesquisa nesta área tenta fazer representações melhores e criar modelos para aprender
essas representações a partir de dados não rotulados em grande escala. Algumas das
representações são inspiradas pelos avanços da neurociência e são vagamente baseadas na
interpretação do processamento de informações e padrões de comunicação em um sistema
nervoso, tais como codificação neural que tenta definir uma relação entre vários estímulos e as
respostas neuronais associados no cérebro.

Por tanto várias arquiteturas de aprendizagem profunda, tais como redes neurais
profundas, redes convolucionais, redes de crenças profundas e redes neurais recorrentes têm
sido aplicadas em áreas como visão computacional, reconhecimento automático de
fala, processamento de linguagem natural, reconhecimento de áudio e bioinformática, onde elas
têm se mostrado capazes de produzir resultados do estado-da-arte em várias tarefas.