Deep Learning (Aprendizado Profundo)
Deep Learning (Aprendizado Profundo) é uma subárea do Machine
Learning que utiliza redes neurais artificiais com múltiplas camadas (camadas
profundas) para modelar e entender padrões complexos em grandes volumes
de dados. Inspirado na estrutura do cérebro humano, o Deep Learning é
especialmente eficaz em tarefas como reconhecimento de imagem e fala,
processamento de linguagem natural e jogos complexos. As redes neurais
profundas podem aprender representações de dados de forma hierárquica,
onde camadas inferiores capturam características básicas e camadas
superiores capturam características mais abstratas. Essa abordagem tem sido
impulsionada por avanços em poder computacional e grandes conjuntos de
dados.
1. **O que é Deep Learning?**
Deep Learning é uma subárea do Machine Learning que utiliza redes
neurais artificiais com múltiplas camadas para modelar padrões complexos em
grandes volumes de dados.
2. **Como o Deep Learning difere do Machine Learning tradicional?**
Deep Learning utiliza redes neurais profundas com muitas camadas,
enquanto o Machine Learning tradicional geralmente usa algoritmos mais
simples com menos camadas.
3. **O que é uma rede neural artificial?**
Uma rede neural artificial é um modelo computacional inspirado na
estrutura do cérebro humano, composta por neurônios artificiais (nós)
conectados por sinapses (pesos).
4. **O que são camadas em uma rede neural?**
Camadas são conjuntos de neurônios em uma rede neural; incluem
camadas de entrada, camadas ocultas e camadas de saída.
5. **O que é uma camada de entrada?**
A camada de entrada é a primeira camada de uma rede neural, onde
os dados brutos são alimentados no modelo.
6. **O que é uma camada oculta?**
Uma camada oculta é uma camada intermediária em uma rede neural
que processa entradas da camada anterior e passa a saída para a próxima
camada.
7. **O que é uma camada de saída?**
A camada de saída é a última camada de uma rede neural, que produz
a previsão ou classificação final do modelo.
8. **O que é uma função de ativação?**
Uma função de ativação é uma função matemática usada em
neurônios de redes neurais para introduzir não-linearidade, permitindo que o
modelo aprenda padrões complexos.
9. **Quais são exemplos de funções de ativação?**
Exemplos incluem ReLU (Rectified Linear Unit), sigmoid e tanh.
10. **O que é backpropagation?**
Backpropagation é um algoritmo para treinar redes neurais, onde os
erros são propagados para trás através da rede para atualizar os pesos.
11. **O que é overfitting em Deep Learning?**
Overfitting ocorre quando uma rede neural se ajusta muito bem aos
dados de treinamento, mas falha em generalizar para novos dados.
12. **O que é dropout?**
Dropout é uma técnica de regularização que desativa aleatoriamente
neurônios durante o treinamento para prevenir overfitting.
13. **O que é uma rede neural convolucional (CNN)?**
CNN é um tipo de rede neural projetada para processar dados
estruturados em grades, como imagens, utilizando camadas convolucionais
para detectar características locais.
14. **O que é uma rede neural recorrente (RNN)?**
RNN é um tipo de rede neural projetada para processar dados
sequenciais, utilizando conexões cíclicas entre neurônios para manter
informações de estados anteriores.
15. **O que é LSTM?**
LSTM (Long Short-Term Memory) é um tipo de RNN que pode
aprender dependências de longo prazo, solucionando problemas de
desvanecimento de gradientes.
16. **O que é uma rede adversarial generativa (GAN)?**
GAN é um tipo de rede neural composta de duas redes, um gerador e
um discriminador, que competem entre si para gerar dados realistas.
17. **O que é pré-treinamento de rede neural?**
Pré-treinamento é o processo de treinar uma rede neural em uma
grande quantidade de dados genéricos antes de refiná-la em um conjunto de
dados específico.
18. **O que é fine-tuning?**
Fine-tuning é o ajuste fino de uma rede neural pré-treinada em um
conjunto de dados específico para melhorar a performance em uma tarefa
particular.
19. **O que é um autoencoder?**
Um autoencoder é uma rede neural usada para aprendizado não
supervisionado, onde a rede é treinada para reconstruir suas entradas,
aprendendo uma representação comprimida dos dados.
20. **O que é um transformador?**
Um transformador é um tipo de modelo de Deep Learning usado
principalmente em processamento de linguagem natural, que utiliza
mecanismos de atenção para processar dados sequenciais sem depender de
RNNs.
