Redes Neurais

"Redes neurais são modelos matemáticos que foram

inspirados pelo funcionamento do cérebro e, em particular, pelo

comportamento dos neurônios. Em sua forma mais simples, uma

rede neural é composta por um conjunto de neurônios

interconectados, que recebem entradas, realizam cálculos em

seus sinais de entrada e produzem saídas." (YOSHUA BENGIO,

Livro Deeplearning, página 25)

Segundo Yoshua Bengio sobre as redes neurais no seu livro “Deep

Learning “é uma introdução sucinta e precisa sobre o que são redes neurais.

Ele explica que as redes neurais são inspiradas no funcionamento do cérebro e

consistem em um conjunto de neurônios interconectados que recebem

entradas, realizam cálculos e produzem saídas. É um conceito fundamental em

aprendizado profundo e essa citação é um bom ponto de partida para entender

o que as redes neurais são e como funcionam.

Yoshua Bengio cita que as redes neurais são modelos computacionais

inspirados no funcionamento do cérebro humano. Eles são compostos por unidades
de processamento chamadas de neurônios artificiais, mas também conhecidos
como nós interconectados uma rede neural é formada por várias camadas de
neurônios, sendo a primeira camada, chamada de camada de entrada, a última
camada, é camada de saída e as camadas intermediárias chamadas de camadas
ocultas.
Cada neurônio recebe entradas, realiza uma combinação linear dessas

entradas, aplica uma função de ativação não-linear ao resultado e envia o

resultado para os neurônios da camada seguinte.

Durante o treinamento, a rede neural ajusta os pesos das conexões entre os

neurônios para aprender padrões e relacionar nos dados de entrada,

isso é feito usando um algoritmo de aprendizado, como o backpropagation, que

propaga o erro entre a saída prevista da rede e a saída desejada, ajustando

gradualmente os pesos para minimizar o erro.

As redes neurais têm sido aplicadas em uma variedade de tarefas, incluindo

reconhecimento de padrões, classificações, regressões, processamento de
linguagem natural, visão computacional

8linguagem natural, visão computacional, entre outros. Elas têm mostrado

resultados impressionantes em muitos domínios, especialmente quando

combinadas com conjuntos de dados grandes e técnicas avançadas de

treinamento, como o deep learning.

Segundo Yoshua Bengio existem diversos tipos de arquiteturas de redes

neurais, como redes neurais convolucionais ( CNNs) para tarefas de visão
computacional, redes neurais recorrentes ( RNNs) para tarefas de processamento
de linguagem natural e memória de curto prazo, e redes neurais generativas
adversariais (GANs) para geração de conteúdo original, entre outras.

As redes neurais têm impulsionado avanços significativos em muitas áreas da

ciência e da tecnologia, e continuam sendo objeto de pesquisa e
desenvolvimento ativo, sua capacidade de generalização é outra característica
importante das redes neurais, uma vez treinadas, as redes neurais são capazes de
fazer previsões ou tomar decisões com base em novos dados de entrada que não
foram vistos durante o treinamento. Isso é possível devido à capacidade das redes
neurais de extrair características relevantes dos dados e capturar padrões
subjacentes, permitindo uma generalização eficaz.

Ao combinar aprendizado e generalização, as redes neurais têm sido

aplicadas com sucesso em uma ampla variedade de campos. Por exemplo, em

reconhecimento de padrões, as redes neurais são usadas para classificar

imagens, identificar objetos, reconhecer fala, entre outras tarefas. Na área de

processamento de linguagem natural, as redes neurais têm sido aplicadas para

tradução automática, análise de sentimentos, geração de texto, entre outros.