Pablo Ramon

As redes neurais são um dos

principais componentes da
inteligência artificial, inspiradas no
funcionamento do cérebro
humano. Elas são compostas por
um conjunto de algoritmos que
tentam simular a maneira como os
neurônios trabalham em nosso
cérebro, permitindo que as
máquinas possam aprender com
dados, reconhecer padrões e
realizar tarefas complexas.
As redes neurais podem ser
divididas em camadas, sendo que a
primeira camada é responsável por
receber os dados de entrada, e as
camadas seguintes processam as
informações recebidas, ajustando
pesos e conexões até que se
chegue a uma saída desejada.
Através do processo de
treinamento, a rede neural ajusta
esses pesos e conexões para que
possa prever com maior precisão os
resultados esperados.
As redes neurais humanas são compostas por
bilhões de neurônios interconectados, que
formam a base do sistema nervoso humano.
Essas conexões neuronais permitem que o
cérebro humano processe informações,
aprenda, tome decisões e execute ações. Cada
neurônio humano é capaz de se comunicar com
vários outros neurônios, o que permite que o
cérebro humano seja altamente adaptável e
flexível. A complexidade e a plasticidade das
redes neurais humanas têm sido objeto de
estudo em diversas áreas, como a neurociência,
a psicologia e a inteligência artificial.
Um neurônio é a unidade básica do sistema
nervoso e é responsável pela transmissão de
informações no cérebro. Ele é composto por
três partes principais: o corpo celular, os
dendritos e o axônio.

Os dendritos são as extensões do neurônio

que recebem sinais de outros neurônios ou
de células sensoriais. Quando um sinal é
recebido, ele é processado pelo corpo celular
do neurônio e, se for forte o suficiente, é
transmitido ao longo do axônio, que é uma
extensão longa e fina que se estende até a
próxima célula com a qual o neurônio irá se
comunicar.
A transmissão de sinais ao longo do axônio é realizada por meio de
impulsos elétricos e químicos. Quando um impulso elétrico chega ao fim
do axônio, ele libera neurotransmissores, que são os sinais químicos que
transmitem a informação para o próximo neurônio ou célula alvo.
O funcionamento do neurônio é fundamental para a compreensão do
funcionamento do cérebro e do sistema nervoso em geral.
As redes neurais podem ser divididas em três categorias principais: redes
feedforward, redes recorrentes e redes convolucionais. Cada tipo de rede neural
tem sua própria arquitetura e é adequado para diferentes tipos de tarefas

Feedforward Recorrentes Convolucionais

As redes feedforward são as mais simples
das três e consistem em uma série de
camadas de neurônios conectados em
um único sentido, ou seja, a informação
flui da entrada para a saída sem retornar
às camadas anteriores. Essas redes são
adequadas para tarefas de classificação e
regressão, como reconhecimento de
dígitos escritos à mão e detecção de
fraudes em cartões de crédito.
São projetadas para lidar com sequências
de dados e podem processar entradas de
comprimentos variáveis. Elas contêm
loops internos, permitindo que a
informação flua de volta através das
camadas anteriores, o que as torna úteis
para tarefas como análise de texto e
reconhecimento de fala.
Já as redes convolucionais são amplamente utilizadas em tarefas de visão
computacional, como reconhecimento de imagens. Elas usam filtros
convolucionais para extrair características da imagem, permitindo que a rede
aprenda a identificar padrões, como bordas e formas, em diferentes partes
da imagem.
Perceptron de uma camada é um tipo de rede neural feedforward composta por apenas uma
camada de neurônios. Ele é usado principalmente para problemas de classificação binária, onde a
saída da rede é uma resposta sim ou não para uma determinada entrada. Cada neurônio na camada
única recebe a entrada e produz uma saída, que é passada para a camada de saída. Os pesos e
vieses das conexões são atualizados usando um algoritmo de aprendizado supervisionado, como o
algoritmo de treinamento de backpropagation. Embora seja limitado em sua capacidade de resolver
problemas mais complexos, o perceptron de uma camada ainda é usado em aplicações simples de
classificação, como detecção de spam e reconhecimento de padrões em imagens.
Entradas(x) n

1
Pesos(w) Soma = ∑ xi *wi
i=1
0.8
Soma = (1*0.8)+(7*0.1)+(5*0)
7 0.1 ∑ f SAÍDA(y)

0 FUNÇÃO STEP Step Function (função degrau)

SOMA FUNCION
5 Soma > 0 = 1
Else = 0
Entradas(x) n

-1
Pesos(w) Soma = ∑ xi *wi
i=1
0.8

7 0.1 ∑ f SAÍDA(y)

0 FUNÇÃO STEP Step Function (função degrau)

SOMA FUNCION
5 Soma > 0 = 1
Else = 0
X1 X2 Classe

0 0 0

0 1 0

1 0 0

1 1 1
 X1 X2 Classe
X1 0 0
0 0 0
∑ f
0 1 0
X2 0
0 1 0 0
1 1 1

X1 0 0 C P

∑ f 0-0=0
X2 1 0-0=0
0
0-0=0
1-0=1
X1 1 0
∑ f
X2 0
0

Cálculo do novo peso

X1 1 0
peso(n+1) = peso(n) + taxaAprendizagem * entrada * erro
∑ f
X2 1
peso(n+1) = 0 + (0.1 * 1 * 1) = 0.1
0
X1 0 0.5
∑ f
X2 0
0.5

X1 0 0.5
∑ f
X2 1
0.5

X1 1 0.5
∑ f
X2 0
0.5

X1 1 0.5 Step Function (função degrau)

∑ f Soma > 0 = 1
X2 1 Else = 0
0.5
 AND
XOR
1 0 1 1 1 0

0 0 0
0 1 0 0 1
0 1

OR
1 1 1

0 0 1
0 1
São projetadas para lidar com sequências
de dados e podem processar entradas de
comprimentos variáveis. Elas contêm
loops internos, permitindo que a
informação flua de volta através das
camadas anteriores, o que as torna úteis
para tarefas como análise de texto e
reconhecimento de fala.