Rede Neuronal (NN)

Como funcionam as redes neurais?

Uma rede neuronal é constituída por três tipos principais de camadas: uma camada de entrada, uma ou mais camadas ocultas e uma camada de saída. Cada camada contém neurónios que estão ligados aos neurónios da camada seguinte.

1. Camada de entrada: Esta camada recebe os dados iniciais, tais como os pixéis de uma imagem ou as palavras de uma frase.
2. Camadas ocultas: Estas são as camadas intermédias entre a entrada e a saída. É aqui que ocorre a maior parte da computação. Cada neurónio aplica uma transformação matemática às suas entradas, o que envolve a aprendizagem dos pesos do modelo e uma função de ativação como ReLU ou Sigmoid para determinar a sua saída. As redes com várias camadas ocultas são conhecidas como redes neuronais "profundas".
3. Camada de saída: Esta camada final produz o resultado, tal como uma etiqueta de classificação ou um valor previsto.

O processo de aprendizagem, conhecido como treino, envolve alimentar a rede com grandes conjuntos de dados. A rede faz uma previsão, compara-a com o resultado real e calcula um erro utilizando uma função de perda. Em seguida, utiliza um algoritmo denominado retropropagação para ajustar os pesos das suas ligações de forma a minimizar este erro ao longo de muitas iterações, ou épocas. Este processo é orientado por um algoritmo de otimização como o Adam.

Redes Neuronais vs. Conceitos Relacionados

É importante distinguir as NNs de outros termos relacionados:

• Aprendizagem automática vs. redes neuronais: A aprendizagem automática (AM) é um vasto domínio da IA e as NN são apenas um tipo de modelo de AM. Outros modelos de aprendizagem automática incluem árvores de decisão e máquinas de vectores de suporte (SVM), que não utilizam a arquitetura de neurónios em camadas.
• Aprendizagem profunda vs. redes neurais: A aprendizagem profunda é um subcampo do ML que usa especificamente redes neurais profundas - NNs com muitas camadas ocultas. Portanto, todos os sistemas de aprendizagem profunda são baseados em NNs, mas um NN simples com apenas uma camada oculta pode não ser considerado "profundo".

Tipos e aplicações de redes neurais

As redes neuronais são incrivelmente versáteis e foram adaptadas a várias arquitecturas especializadas. Eis dois exemplos importantes:

1. Visão computacional (CV): As Redes Neuronais Convolucionais (CNN) são a força dominante na visão computacional.

   • Deteção de objectos: Modelos como o Ultralytics YOLO11 utilizam CNNs para identificar e localizar objectos dentro de uma imagem utilizando caixas delimitadoras. Isto é fundamental para aplicações como a IA em carros autónomos e a gestão de inventário orientada por IA.
   • Segmentação de imagens: As NNs podem classificar cada pixel de uma imagem para permitir uma compreensão detalhada da cena em tarefas como a análise de imagens médicas. Pode explorar as tarefas de segmentação com a documentação do Ultralytics.

2. Processamento de linguagem natural (PNL): As NNs, incluindo as Redes Neuronais Recorrentes (RNNs) e os Transformers, revolucionaram a forma como as máquinas processam a linguagem.

   • Tradução automática: Serviços como o Google Translate baseiam-se em NNs complexas para traduzir automaticamente texto entre línguas com uma precisão notável.
   • Análise do sentimento: As empresas utilizam NNs para analisar as críticas dos clientes e os comentários nas redes sociais para determinar o tom emocional (positivo, negativo ou neutro), conforme explicado nesta visão geral da análise de sentimentos da IBM.

Ferramentas e estruturas

O desenvolvimento de NNs torna-se acessível graças a ferramentas e quadros poderosos.

• Bibliotecas: Estruturas como PyTorch e TensorFlow fornecem os blocos de construção essenciais para criar e treinar NNs. Pode obter mais informações nos sítios Web oficiais do PyTorch e do TensorFlow.
• Plataformas: O Ultralytics HUB oferece uma plataforma integrada para treinar modelos YOLO, gerir conjuntos de dados e simplificar o processo de implementação de modelos.
• Modelos pré-treinados: Muitos investigadores e programadores começam com modelos pré-treinados disponíveis em hubs como o Hugging Face ou no ecossistema Ultralytics. Esses modelos geralmente exigem apenas um ajuste fino em um conjunto de dados específico, economizando tempo e recursos computacionais significativos. Pode encontrar comparações entre diferentes modelos YOLO na nossa documentação.