Rede neural (NN)

Compreender as redes neuronais

Uma rede neuronal é constituída por camadas de nós interligados, ou neurónios. Normalmente, estas camadas incluem uma camada de entrada que recebe dados brutos (como valores de pixéis numa imagem ou palavras numa frase), uma ou mais camadas ocultas que processam os dados através de cálculos e uma camada de saída que produz o resultado final, como uma etiqueta de classificação ou um valor previsto. Cada ligação entre neurónios tem um 'peso', um valor numérico que significa a importância da ligação nos cálculos da rede.

Os neurónios processam as suas entradas combinadas utilizando uma função de ativação, como a ReLU ou a Sigmoide, que determina o sinal de saída que transmitem à camada seguinte. A rede 'aprende' ajustando esses pesos durante um processo de treinamento, geralmente usando exemplos rotulados em um cenário de aprendizado supervisionado. Algoritmos como o gradiente desc endente e o algoritmo de retropropagação são normalmente usados para ajustar iterativamente os pesos para minimizar uma função de perda, que mede a diferença entre as previsões da rede e os valores-alvo reais. O treinamento eficaz de modelos geralmente requer um ajuste cuidadoso dos hiperparâmetros e estratégias descritas em guias como Dicas de treinamento de modelos.

Os modelos que utilizam a aprendizagem profunda (DL) são essencialmente NNs com várias camadas ocultas (daí o termo "profunda"). Esta profundidade permite-lhes aprender padrões altamente complexos e caraterísticas hierárquicas a partir de grandes conjuntos de dados, tornando-os excecionalmente eficazes para tarefas como a deteção de objectos e a segmentação de instâncias. Ao contrário dos modelos de ML mais simples, como a Regressão Linear ou as Máquinas de Vectores de Suporte (SVM), que podem exigir uma engenharia manual das caraterísticas, as NNs são excelentes na execução automática da extração de caraterísticas a partir de dados brutos e não estruturados, como imagens e texto.

Tipos de redes neurais e distinções

Embora a estrutura básica descrita acima se aplique em geral, existem várias arquitecturas especializadas de NN:

• Redes neurais convolucionais (CNNs): Particularmente eficazes para dados em forma de grelha, como imagens. Utiliza camadas de convolução para aprender hierarquias espaciais de caraterísticas. Muitas arquitecturas de deteção de objectos utilizam as CNNs como espinha dorsal.
• Redes neurais recorrentes (RNNs): Concebidas para dados sequenciais como texto ou séries temporais, apresentam ligações que formam ciclos dirigidos, permitindo a persistência da informação. Variantes como LSTM são comuns.
• Transformadores: Inicialmente desenvolvidos para tarefas de PNL, baseiam-se fortemente em mecanismos de auto-atenção e têm demonstrado um desempenho notável em vários domínios, incluindo a visão(Vision Transformer (ViT)).

As NNs diferem significativamente dos algoritmos tradicionais, como as Árvores de Decisão ou os k-Nearest Neighbors (KNN), que funcionam com base em princípios diferentes e são muitas vezes menos adequados para dados complexos e de elevada dimensão, como as imagens, sem um pré-processamento extensivo.

Aplicações das redes neuronais

As redes neuronais são incrivelmente versáteis e têm sido aplicadas em vários domínios. Eis dois exemplos importantes:

1. Visão por computador (CV): As NNs, especialmente as CNNs, são a força motriz por detrás dos principais avanços na CV. São utilizadas para:

   • Classificação de imagens: Atribui uma etiqueta a uma imagem inteira (por exemplo, identificar um gato ou um cão).
   • Deteção de objectos: Identificar e localizar objectos numa imagem utilizando caixas delimitadoras, como demonstrado por Ultralytics YOLO como o YOLO11. Isto é crucial para aplicações como a IA em carros autónomos e a gestão de inventários baseada em IA.
   • Segmentação de imagens: Classifica cada pixel de uma imagem, permitindo uma compreensão detalhada da cena para tarefas como a análise de imagens médicas. Explora as tarefas de segmentação com a documentaçãoUltralytics .

2. Processamento de linguagem natural (PNL): As NNs, incluindo RNNs e Transformers, revolucionaram a forma como as máquinas compreendem e geram a linguagem humana. As aplicações incluem:

   • Tradução automática: Traduz automaticamente texto de um idioma para outro (por exemplo, Google Translate).
   • Análise de sentimento: Determina o tom emocional por trás do texto (positivo, negativo, neutro).
   • Geração de texto: Cria texto semelhante ao humano, alimentando chatbots e ferramentas de criação de conteúdos com base em modelos como os modelos BERT e GPT.

Ferramentas e estruturas

O desenvolvimento e a implementação de NNs são facilitados por várias ferramentas e estruturas poderosas de aprendizagem profunda:

• Bibliotecas: Frameworks como PyTorch e TensorFlow fornecem os blocos de construção essenciais e as capacidades de diferenciação automática necessárias para treinar NNs. O Keras oferece uma API de alto nível frequentemente utilizada com o TensorFlow.
• Plataformas: OUltralytics HUB oferece uma plataforma para treinar modelos YOLO , gerir conjuntos de dados e simplificar o processo de implementação de modelos.
• Modelos: Modelos pré-treinados, como os do Ultralytics YOLO da Ultralytics fornecem um ponto de partida sólido para várias tarefas de CV, muitas vezes exigindo apenas um ajuste fino em conjuntos de dados específicos. Podes encontrar comparações entre diferentes modelos YOLO na nossa documentação.

Compreender os NNs é crucial para quem trabalha em IA ou ML, uma vez que constituem a base de muitas soluções de ponta em diversos sectores, desde a IA nos cuidados de saúde à IA na agricultura.