Aprendizado
O aprendizado profundo é uma forma avançada de aprendizado de
máquina que tenta emular a maneira como o cérebro humano
aprende. A chave para o aprendizado profundo é a criação de
uma rede neural artificial que simula a atividade eletroquímica em
neurônios biológicos utilizando funções matemáticas.
As redes neurais artificiais são compostas de várias camadas de neurônios -
essencialmente definindo uma função profundamente aninhada. Essa
arquitetura é o motivo pelo qual a técnica é chamada de aprendizado
profundo e os modelos produzidos por ela são frequentemente chamados
de redes neurais profundas (DNNs). Você pode utilizar redes neurais
profundas para muitos tipos de problemas de aprendizado de máquina,
incluindo regressão e classificação, bem como modelos mais especializados
para processamento de linguagem natural e pesquisa visual computacional.
Como uma rede neural aprende?
Os pesos em uma rede neural são fundamentais para a forma como
ela calcula os valores previstos para os rótulos. Durante o processo
de treinamento, o modelo aprende os pesos que resultarão nas
previsões mais precisas.
Embora seja mais fácil pensar em cada caso dos dados de
treinamento sendo passado pela rede um de cada vez, na realidade
os dados são colocados em lote em matrizes e processados utilizando
cálculos algébricos lineares. Por esse motivo, o treinamento da rede
neural é melhor executado nos computadores com unidades de
processamento gráfico (GPUs) otimizadas para a manipulação de
vetores e matrizes.
