Deep learning

O que é deep learning?

Deep learning é um subconjunto de machine learning relacionado a grandes quantidades de dados com algoritmos inspirados na estrutura e nas funções do cérebro humano, e é por isso que os modelos de deep learning costumam ser chamados de redes neurais profundas. Ele faz parte de uma família mais ampla de métodos de machine learning baseados em representações de dados de aprendizado, em oposição aos algoritmos tradicionais específicos de tarefas.

Como funciona o deep learning?

No deep learning, um modelo de computador aprende a realizar tarefas de classificação diretamente de imagens, textos ou sons. Ele executa uma tarefa repetidamente, fazendo um pequeno ajuste para melhorar o resultado. Os modelos de deep learning podem exceder o desempenho em nível humano. Os modelos são treinados usando um grande conjunto de dados rotulados e arquiteturas de redes neurais com muitas camadas. A parte mais importante de uma rede neural de deep learning é uma camada de nós computacionais chamada "neurônios". Cada neurônio se conecta a todos os neurônios da camada subjacente. Devido ao "deep learning", a rede neural utiliza pelo menos duas camadas ocultas. A adição das camadas ocultas permite que os pesquisadores façam cálculos mais detalhados. Afinal, como o algoritmo funciona? O fato é que cada conexão tem seu peso ou importância. Mas, com a ajuda das redes neurais profundas, podemos descobrir automaticamente os recursos mais importantes para classificação. Isso é feito com a ajuda da função de ativação que avalia o caminho que o sinal deve seguir para cada neurônio, exatamente como no caso de um cérebro humano

Tipos de camadas de deep learning:

• A camada de entrada de nós recebe as informações e as transfere para os nós subjacentes; aqui, a rede fixa-se em padrões de contraste local como importante.
• A camada de nós ocultos é onde ocorrem os cálculos. Essa é a camada que usa os padrões de contraste local para fixar em coisas que se assemelham
• Na camada de saída de nós, são exibidos os resultados dos cálculos. Nessa camada, os recursos são aplicados aos modelos.

Uma rede neural profunda pode criar recursos cada vez mais complexos em cada uma das camadas sucessivas.