Aprendizagem profunda (DL)

Como funciona a aprendizagem profunda

Os principais componentes da aprendizagem profunda são as redes neuronais profundas, que consistem numa camada de entrada, várias camadas ocultas e uma camada de saída. Cada camada contém nós interligados ou "neurónios" que processam a informação. Ao contrário das redes mais superficiais, a profundidade destes modelos permite-lhes aprender caraterísticas hierarquicamente. Por exemplo, no reconhecimento de imagens, as camadas iniciais podem detetar arestas simples, as camadas subsequentes combinam-nas em formas e as camadas mais profundas reconhecem objectos complexos. Este processo de extração automática de caraterísticas elimina a necessidade de engenharia manual de caraterísticas, uma vantagem significativa em relação a muitas abordagens tradicionais de ML. O treino destas redes envolve normalmente a alimentação de grandes quantidades de dados rotulados(Aprendizagem Supervisionada) e a utilização de algoritmos como a retropropagação e a descida do gradiente para ajustar os pesos do modelo e minimizar os erros(função de perda). Este processo computacionalmente intensivo depende fortemente de hardware potente, particularmente GPUs, para um treino eficiente do modelo.

Importância na IA e na visão computacional

A aprendizagem profunda é um dos principais factores de progresso na IA, em particular na visão computacional (CV). A sua capacidade de aprender representações significativas a partir de vastos conjuntos de dados, como o conjunto de dados COCO ou ImageNet, levou a avanços em áreas anteriormente consideradas difíceis para as máquinas. Modelos como o Ultralytics YOLO tiram partido da DL para a deteção de objectos de elevado desempenho, a segmentação de imagens e a classificação de imagens. Técnicas como a aprendizagem por transferência permitem tirar partido de modelos pré-treinados (modelos já treinados em grandes conjuntos de dados) para acelerar o desenvolvimento de novas tarefas relacionadas, mesmo com menos dados. O campo deve muito a pioneiros como Geoffrey Hinton, Yann LeCun e Yoshua Bengio, muitas vezes referidos como os "padrinhos da IA". Organizações como a DeepLearning.AI e a Associação para o Avanço da Inteligência Artificial (AAAI) continuam a promover a investigação e o ensino neste domínio em rápida evolução.

Distingue os termos relacionados

• Aprendizagem automática (ML): A aprendizagem automática é um subconjunto da aprendizagem automática. Embora todo o DL seja ML, nem todo ML é DL. O ML engloba uma gama mais vasta de algoritmos, incluindo métodos de rede não neurais, como as máquinas de vectores de apoio (SVM), as árvores de decisão e a regressão linear, que exigem frequentemente uma engenharia manual das caraterísticas. A DL destaca-se em tarefas que envolvem dados não estruturados e aprendizagem automática de caraterísticas através de arquitecturas profundas.
• Inteligência Artificial (IA): A IA é o campo abrangente centrado na criação de sistemas que exibem um comportamento inteligente. O ML é uma abordagem para alcançar a IA, permitindo que os sistemas aprendam com os dados. A DL é um conjunto específico de técnicas no âmbito do ML que utiliza redes neuronais profundas. Pensa nisto como conceitos aninhados: IA > ML > DL.

Aplicações no mundo real

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

• Veículos autónomos: Os modelos DL processam dados de sensores (câmaras, LiDAR) para deteção de objectos em tempo real, manutenção da faixa de rodagem e navegação, permitindo capacidades de condução autónoma observadas em sistemas desenvolvidos por empresas como a Waymo. Sabe mais sobre a IA em carros autónomos.
• Análise de imagens médicas: Os algoritmos de DL analisam exames médicos (como ressonâncias magnéticas ou tomografias computorizadas) para ajudar os radiologistas a identificar tumores, detetar doenças precocemente e segmentar órgãos. Iniciativas como o programa Bridge2AI do NIH visam alavancar a IA para avanços biomédicos. Exploraas soluções de IA nos cuidados de saúde Ultralytics .
• Processamento de linguagem natural (PNL): Tarefas como a tradução automática, a análise de sentimentos e a alimentação de chatbots avançados, como o ChatGPT da OpenAI, dependem fortemente de modelos de DL, em particular dos Transformers.
• Sistemas de recomendação: Plataformas como a Netflix utilizam a DL para analisar o comportamento e as preferências dos utilizadores para sugerir conteúdos relevantes.
• Reconhecimento de fala: Os assistentes virtuais e o software de ditado utilizam o DL para converter a linguagem falada em texto.

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: Conhecido pela sua flexibilidade e pela sua abordagem PythonPyTorch página inicial doPyTorch ). Os modelos Ultralytics são construídos com PyTorch..,
• TensorFlow: Desenvolvido pela Google, oferece um ecossistema abrangenteTensorFlow página inicial doTensorFlow ).
• Keras: Uma API de alto nível que pode ser executada em cima do TensorFlow, conhecida pela facilidade de utilização(página inicial do Keras).

Plataformas como o Ultralytics HUB fornecem ambientes integrados para treinar modelos personalizados, implementar e gerir modelos DL, especialmente para tarefas de visão por computador que utilizam modelos como YOLO11. O desenvolvimento eficaz envolve frequentemente práticas como a afinação rigorosa dos hiperparâmetros, a compreensão das métricas de desempenho e a utilização da aceleraçãoGPU para um treino eficiente do modelo.