§sas Software Aprendizado Suporte Sobre nó s Q S d EaT

SASlnsghts > Insg hts sobre Anál ise de Dados > Redes Neurais - Leia Mais

Redes Neurais
O que são e quaL sua import ância?

U Redes neurais s ão sistemas de computação com n ó s interconectados

quefuncionam como os neuronios do c érebro humano. Usando
algoritmos, eLas podem reconhecer padr õ es escondidos ecorrelaçõ es
em dados brutos, agrup á- Los e cLassific á- Los, e - com o tempo -
aprender e meLhorar continuamente.

Hist ó ria Import ância Quem est á usando ?

Como funciona? Pr ó ximos passos

 Hist ória das redes neurais

B A primeira rede neural foi concebida por Warren McCulloch e Walter Pitts em 1943 . Eles escreveram
um artigo seminal so breco mo os neurô nios devem funcionar e, ent ão, modelaram suas ideias criando
uma rede neural simples com circuitos elétricos.

Esse modelo inovador pavimentou o caminho para pesquisas de redes neurais em duas áreas :

(A 7 .

Processos bioló gicos no c érebro . A aplicação de redes neurais em inteligência

artificial (AI) .

Pesquisas em IA aceleraram rapidamente, com Kunihilco Fulcushima a primeira rede neural

muIticamada de verdade em 1975 .

C objetivo originai da abordagem de rede neural era criar um si stem a comput acionai cap az de resolver
problemas como um c érebro humano . No entanto, com o pass ar do tempo, os pesquisadores
mudaram o foco e passaram a usar redes neurais para resolver tarefas especificas, desviando - se de
uma abordagem estritamente biológica Desde ent ão, as redes neurais t êm oferecido suporte as mais
diversas tarefas, incluindo vis ão computacional, reconhecimento de fala, tradução de m áquina,
filtragem de redes sociais, jogos de tabuleiro ou video -game e diagnó sticos médicos .

Conforme o volume de dados estruturados e n ão -estruturados aumentou a niveis de big d at a, as

pessoas desenvolveram sistemas de deep learning que s ão, essencialmente, redes neurais com muitas
camadas . Deep learning permite a captura e a mineração de mais e maiores volumes de dados,
incluindo dados n ão -estruturados .

QuaL a. import ância das redes neurais?

As redes neurais também s ão idealmente desenvolvidas para ajudar as pessoas a resolver problemas
complexos em diversas situações da vida real. Elas podem aprender e modelar relações entre entradas
e said as de dados que s ão n ão - lineares e complexos; realizar generalizaçõ es e inferências; revelar
relacionamentos, padrões e predições ocultas e modelar dados altamente voláteis (como dados de
séries temporais financeiras ) e vari âncias necess árias para prever eventos raros (como detec ção de
fraudes ) . Como resultado, as redes neurais podem melhorar processos de decis ão em diversas áreas,
como:

Detec ç ão de fraude em c art ões de c réd ito e Previ s ãodecargaelétricaedemandade

assist ência médica; energia:

Otimização de iogistica para redes de Controledequalidadeedeprocessos;

transporte;
Identificação de compostos qu í micos;
Reconhecimento de caracteres e de voz ,
também conhecido como processamento de Avaliação do ecossistema;
iinguagem natural;
Vis ão computacional para interpretar fotos e

Diagnó sticos médicos;

videos n ão -tratados (porexempio, na
obtenção de imagens médicas, robótica e
Marketing direcionado; reconhecimento facial)

Predições financeiras de ações de mercado,

moeda, opções, futuros, falência e
classificaçãodetitulos;

Sistemas de controle robóticos;

8 tt
Nosso maior objetivo para redes neurais, ou para os
modeLos de redes neurais, é atingir a precisão máxima.
At é voc ê chegar nesse nível, voc ê sabe que sempre pode
fazer melhor.
Ivan Gomez * Cientista de Dados and ConsuLtor * Zencos
 Tipos de redes neurais

Existem tipcs diferentes de redes neurais profundas - e cada um deLes possui vantagens e
desvantagens, dependendo do uso . Exemplos incluem:

Redes neur-ais convolucionais ( RNCs) cont êm cinco tipos de camadas : de entradas, de

convoluçãc, de agrupamento, as completamente conectadas e as de saida. Cada camada
tem um prop ó sito especifico, como de resumo, conex ão ou ativação . As redes neurais
convolucionais popularizaram a classificação de imagens e adetecção de objetos .
Entretanto, RNCs também foram aplicadas em outras áreas como previs ão e
processamento de linguagem natural.

Redes neur-ais recorrente ( RNRs) usam informações sequenciais, como dados de

registro de data e hora de um sensor o LI uma frase dita. Essas informações s ão
compostas por uma sequência de termos . Diferentemente d as redes neurais
tradicionais, as entradas de uma rede neural recorrente n ão s ão independentes umas das
outras, eos resultados para cada elemento dependem da computação dos elementos
precedentes . RNRs s ão utilizadas na previs ão e aplicação de séries temporais, an alise de
sent i mento e o ut ras ap lie ações de texto .

Redes neurais feedforward, nas quais cada perceptron em uma camada é conectado a
todo percept ron da camada seguinte. A informação è entregue de maneira antecipada de
uma camada ã seguinte seguindo sempre em frente. N ão h á loops de feedback.

Redes neurais autoencoder s ão utilizadas para criar abstrações chamadas encoders,

criados a partir de um conjunto estipulado de entradas . Apesar de similares ás redes
neurais mais tradicionais, autoencoders procuram modelar as entradas por si só e,
portanto, o método é considerado n ão supervisionado . A premissa dos autoencoders é
diminuir a sensibilidade ao que é irrelevante e aumentar ao que é. Conforme camadas s ão
adicionadas, outras abstrações s ão formuladas em camadas mais altas (camadas mais
pró ximas ao ponto onde uma camada decod if ic adora é introduzida) Essas abstrações
podem, ent ão, ser usadas por classificadores lineares ou n ão lineares

Redes neurais na atualidade

As redes neurais est ão transformando o modo como pessoas eempresas interagem com os sistemas,
resolvem problemas e tomam decisões melhores e fazem previsões melhores . Leia mais sobre o
impacto das redes neurais .

3=
©
— rn ; G ,

Redes neurais Aprendendo a Deep Learning com

para a saú de do modelar uma rede SAS *
rebanho neu ral
Precisa de um panorama

Uma dentist a de dados Aprenda a escolher uma geral mais técnico de

utiliza redes neurais para
detectartuberculoseem
elefantes . Descubra como
a pesquisa dela pode
ajudar a prevenir a
propagação de
tuberculose.
Leia a hist ó ria £ personalizadas usando o
arquitetura de redes
neurais apropriada,
determinaro método de
treinamento mais
relevante, implementar
modelos de redes neurais
em um ambiente de
computação distribu í da e
construir rede neurais
técnicas e aplicações de
deep learning? Leia esse
artigo e descubra como o
SAS oferece suporte à
criação de modelos de
redes neurais profundas
Baixe o white paper Q

4
procedimento NEURAL .

Inscreva - se no curso Q
f
Quern est á usando redes neurais?
in Sistemas de deep Learning - e as redes neurais que os habilitam - s ão
utUizados estrategicamente em muitas ind ú strias e Linhas de
negó cios.

Life Sciences Manufatura

Organizações de saúde e life sciences E m p res as de energi a e f ab ric antes usam

utilizam redes neurais para obter redes neurais para otimizar cadeias de
diagnó sticos preditivos, produção de fornecimento, automatizar adetec ção de
imagens biomèdicas e o monitoramento da defeitos e prever necessidades energéticas .
saúde.

Análise de dados para

Mais soluções para Life f ábricas 0
sciences O

Bancos Governo

Bancos usam redes neurais para detect ar Organizações do setor p ú blico usam redes
fraudes, realizar an álises de crédito e neurais para oferecer apoio a cidades
automatizar serviç os de consultoria inteligentes, seguranç a e reconhecimento
financeira. facial.

Soluções anal í ticas para Soluções para setor publico 0

bancos O

TeLecomunicaçõ es e varejo Saiba como diferentes

As indú strias de telecomunicaçõ es e varejo ind ú strias est ão
utilizam redes neurais para acionar
chatbots online, aprimorar e aprofundar utilizando esta
inteligência do cliente e realizar an álises de tecnologia
desempenho .

Selecione a
Tome decis ões para satisfazer indústria Q
clientes 0
 «
Redes neurais t ê m a capacidade de identificar anomalias.
No futuro, poderemos usá- Las para oferecer aos médicos
uma segunda opini ão - por exemplo, confirmar um
diagnó stico de c âncer ou dizer qual é o problema do
paciente. E seremos capazes de fornecer essas segundas
opini ões mais rápido e com maior precisão.
Leigh Ann HerhoLd * Cientista de Dados e ConsuLtora * Zencos
 How Neural Networks Work
M uma camada de entrada, outra de
sa í da ( ou aLvo) e, entre eLas, uma
camada oculta. As camadas s âo
conectadas através de n ó s e
essas conexõ es formam uma
"rede" - a rede neuraL - de n ó s
interconectados.
rr 6 r \
Um nó é modelado conforme o
comportamento de um neurô nio
humano . Os nó s s ão ativados
quando h á est í mulos ou entradas
suficientes . Essa ativação se espalha através da
rede, criando uma resposta ao estimulo
(resultado ) . As conexões entre esses neurô nios
artificiais agem como sin apses simples, fazendo
os sinais serem transmitidos de um para o outro .
H á sinalização entre camadas conforme eles
viajam da primeira (deentrada) at é a última (de
resultado ) - e s ão processados ao longo do
caminho .
Quando confrontados com uma requisição ou
problema para resolver os neurô nios executam
,
c álculos matem á ticos para decidir se h á
informações suficientes a serem enviadas para o
pró ximo neurô nio . Resumidamente, eles leem
todos os dados e dec idem onde as relações mais
fortes est ão. No tipo mais simples de rede, as
entradas de dados recebidas s ão somadas e, se a
soma for maior que um valor lim í trofe, o
neurô nio 'dispara' e ativa os neurô nios
conectados a ele.
Coi%r>ecttani
Hwow
\
vi
ÕMpuHJpftf
4
- -
ir r I. TJ í I
Conforme o número de camadas ocultas dentro
de uma rede neural aumenta, r&d-es neurais
profundas s ão formadas . Arquiteturas de deep
learning learning levam redes neurais simples a
outro n í vel. Usando essas camadas, cientistas
de dados podem construir suas pró prias redes
de deep learning que possibilitam o machine
learning, no qual o computador pode ser
treinado para emular tarefas h LI manas com
precis ão, como reconhecer fala, identificar
imagens ou realizar previsões . Igualmente, o
computador pode aprender por si só a
reconhecer padrõ es em muitas camadas de
processamento.
Ent ão, vamos colocar essa definição em ação .
Dados s ão inseridos em uma rede neural através
da camada de entrada, que se comunica com as
camadas ocultas . O processamento acontece
nessas camadas através de um sistema de
conexões ponderadas . Os nó s nas camadas
ocultas combinam os dados dacamadade
entrada com um conjunto de coeficientes e
atribui diferentes pesos para as entradas . Os
resultados dessas entradas avaliadas s ão, ent ão,
somados . A. soma passa pela função de ativação
de um nó, que determina a extens ão em que um
sinal deve progredir na rede para afetar o
resultado final. Finalmente, as camadas ocultas
ligam - se a camada de saí da - de onde os
resultados s ão obtidos.