Aprendizagem profunda (DL)

Conceitos fundamentais

A ideia fundamental por trás da Aprendizagem Profunda é a aprendizagem hierárquica de caraterísticas. Ao contrário das abordagens tradicionais de ML que muitas vezes dependem da engenharia manual de caraterísticas, os modelos DL aprendem caraterísticas progressivamente mais complexas camada por camada. Por exemplo, no reconhecimento de imagens, as camadas iniciais podem detetar arestas simples, as camadas subsequentes podem combinar arestas para reconhecer formas e as camadas mais profundas podem identificar objectos complexos. Esta extração automática de caraterísticas é uma vantagem fundamental, especialmente para dados não estruturados. Os principais componentes incluem funções de ativação, funções de perda e algoritmos de otimização, como a descida de gradiente, que ajustam os parâmetros da rede durante o treino. Podes aprender mais sobre os conceitos básicos em recursos como o artigo da Wikipedia sobre Redes Neuronais Artificiais.

Aprendizagem profunda vs. aprendizagem automática

Embora o Deep Learning seja um subconjunto do Machine Learning (ML), a principal distinção está na arquitetura e no tratamento de dados. Os algoritmos tradicionais de ML geralmente funcionam melhor com dados estruturados e rotulados e podem exigir uma engenharia de recursos significativa. A Aprendizagem Profunda destaca-se com grandes volumes de dados não estruturados (como imagens, áudio e texto) e aprende automaticamente caraterísticas relevantes através da sua estrutura profunda e em camadas(Redes Neuronais (NN)). O DL geralmente requer mais dados e poder computacional (muitas vezes GPUs) para treinamento em comparação com os métodos tradicionais de ML, mas pode alcançar um desempenho mais alto em tarefas complexas como Visão Computacional (CV) e Processamento de Linguagem Natural.

Arquitecturas chave

Várias arquitecturas de redes neuronais são fundamentais para a Aprendizagem Profunda:

• Redes neurais convolucionais (CNNs): Altamente eficazes para dados em forma de grelha, particularmente imagens, utilizadas extensivamente na classificação de imagens e deteção de objectos.
• Redes neurais recorrentes (RNNs): Concebidas para dados sequenciais, como texto ou séries temporais, capazes de processar entradas de diferentes comprimentos. Variantes como a LSTM e a GRU abordam desafios com sequências longas.
• Transformadores: Inicialmente desenvolvidos para a PNL, estes modelos utilizam mecanismos de auto-atenção e têm demonstrado um sucesso notável em vários domínios, incluindo a visão. O conceito original é detalhado no documento "Attention Is All You Need".

Aplicações no mundo real

A aprendizagem profunda está na base de muitas aplicações modernas de IA:

1. Sistemas autónomos: Nos carros autónomos, os modelos DL como Ultralytics YOLO efectuam a deteção de objectos e a segmentação de imagens em tempo real, identificando veículos, peões e sinais de trânsito para permitir a navegação.
2. Cuidados de saúde: A DL está a revolucionar a análise de imagens médicas, ajudando os radiologistas a detetar anomalias subtis em exames, como a identificação de tumores, o que leva a diagnósticos mais precoces e a melhores resultados para os doentes, tal como salientado por iniciativas de investigação como o programa Bridge2AI do NIH.

Ferramentas e estruturas

O desenvolvimento de modelos de DL é facilitado por várias bibliotecas e plataformas de software. As estruturas populares de código aberto incluem PyTorch (visita a página inicialPyTorch ) e TensorFlow (visita a página inicialTensorFlow ). Plataformas como o Ultralytics HUB fornecem ambientes integrados para treinar, implantar e gerenciar modelos de DL, especialmente para tarefas de visão computacional.

Importância na IA e na visão computacional

A Aprendizagem Profunda é um dos principais factores de progresso na Inteligência Artificial (IA), em particular na Visão por Computador (CV). A sua capacidade de aprender com vastos conjuntos de dados levou a avanços em áreas anteriormente consideradas difíceis para as máquinas. O campo deve muito a pioneiros como Geoffrey Hinton, Yann LeCun e Yoshua Bengio. Organizações como a DeepLearning.AI e a Associação para o Avanço da Inteligência Artificial (AAAI) continuam a promover a investigação e a educação neste domínio em rápida evolução.