Introdução
Deep learning é uma forma avançada de aprendizagem automática que tenta emular a forma como o cérebro humano aprende.
No cérebro, temos células nervosas chamadas neurónios, que estão ligadas entre si por extensões nervosas que passam sinais eletroquímicos através da rede.
Quando o primeiro neurônio da rede é estimulado, o sinal de entrada é processado e, se exceder um determinado limiar, o neurônio é ativado e passa o sinal para os neurônios aos quais está conectado. Estes neurónios, por sua vez, podem ser ativados e passar o sinal através do resto da rede. Ao longo do tempo, as conexões entre os neurônios são fortalecidas pelo uso frequente à medida que você aprende a responder de forma eficaz. Por exemplo, se alguém atirar uma bola na sua direção, as suas ligações neuronais permitem-lhe processar a informação visual e coordenar os seus movimentos para apanhar a bola. Se você executar essa ação repetidamente, a rede de neurônios envolvidos na captura de uma bola ficará mais forte à medida que você aprender a ser melhor em pegar uma bola.
A aprendizagem profunda emula esse processo biológico usando redes neurais artificiais que processam entradas numéricas em vez de estímulos eletroquímicos.
As conexões nervosas de entrada são substituídas por entradas numéricas que são tipicamente identificadas como x. Quando há mais de um valor de entrada, x é considerado um vetor com elementos chamados x1, x2e assim por diante.
Associado a cada valor x está um de peso (w), que é usado para fortalecer ou enfraquecer o efeito do valor x para simular a aprendizagem. Além disso, uma entrada de viés (b) é adicionada para permitir um controle refinado sobre a rede. Durante o processo de treinamento, os valores de w e b serão ajustados para sintonizar a rede para que ela "aprenda" a produzir saídas corretas.
O neurônio em si encapsula uma função que calcula uma soma ponderada de x, we b. Esta função, por sua vez, é encerrada em uma função de ativação que restringe o resultado (muitas vezes a um valor entre 0 e 1) para determinar se o neurônio passa ou não uma saída para a próxima camada de neurônios na rede.