O que é Deep Learning?

O aprendizado profundo é um dos campos mais influentes e de crescimento mais rápido da inteligência artificial. No entanto, obter uma compreensão intuitiva do aprendizado profundo pode ser difícil porque o termo aprendizado profundo abrange uma variedade de algoritmos e técnicas diferentes. O aprendizado profundo também é uma subdisciplina do aprendizado de máquina em geral, por isso é importante entender o que é aprendizado de máquina para entender o aprendizado profundo.

O que é a Aprendizagem de Máquinas?

Aprendizado profundo é uma extensão de alguns dos conceitos originários do aprendizado de máquina. Portanto, vamos dedicar um minuto para explicar o que é aprendizado de máquina.

Simplificando, o aprendizado de máquina é um método de permitir que os computadores executem tarefas específicas sem codificar explicitamente cada linha dos algoritmos usados ​​para realizar essas tarefas. Existem muitos algoritmos de aprendizado de máquina diferentes, mas um dos algoritmos mais usados ​​é um perceptron multicamadas. Um perceptron multicamada também é chamado de rede neural e é composto por uma série de nós/neurônios interligados. Existem três camadas diferentes em um perceptron multicamadas: a camada de entrada, a camada oculta e a camada de saída.

A camada de entrada leva os dados para a rede, onde são manipulados pelos nós na camada intermediária/oculta. Os nós da camada oculta são funções matemáticas que podem manipular os dados provenientes da camada de entrada, extraindo padrões relevantes dos dados de entrada. É assim que a rede neural “aprende”. As redes neurais recebem esse nome pelo fato de serem inspiradas na estrutura e função do cérebro humano.

As conexões entre os nós da rede possuem valores chamados de pesos. Esses valores são essencialmente suposições sobre como os dados em uma camada estão relacionados aos dados na próxima camada. À medida que a rede treina, os pesos são ajustados e o objetivo é que os pesos/suposições sobre os dados convergirão eventualmente para valores que representem com precisão os padrões significativos dentro dos dados.

As funções de ativação estão presentes nos nós da rede e essas funções de ativação transformam os dados de maneira não linear, permitindo que a rede aprenda representações complexas dos dados. As funções de ativação multiplicam os valores de entrada pelos valores de peso e adicionam um termo de viés.

O que é Deep Learning?

Aprendizado profundo é o termo dado a arquiteturas de aprendizado de máquina que unem muitos perceptrons multicamadas, de modo que não haja apenas uma camada oculta, mas muitas camadas ocultas. Quanto mais “profunda” for a rede neural profunda, mais sofisticados serão os padrões que a rede poderá aprender.

As redes de camadas profundas compostas por neurônios às vezes são chamadas de redes totalmente conectadas ou camadas totalmente conectadas, referindo-se ao fato de que um determinado neurônio mantém uma conexão com todos os neurônios ao seu redor. Redes totalmente conectadas podem ser combinadas com outras funções de aprendizado de máquina para criar diferentes arquiteturas de aprendizado profundo.

Diferentes tipos de aprendizado profundo

Há uma variedade de arquiteturas de aprendizado profundo usadas por pesquisadores e engenheiros, e cada uma das diferentes arquiteturas tem seu próprio caso de uso especializado.

Redes Neurais Convolucionais

Redes neurais convolucionais, ou CNNs, são a arquitetura de rede neural comumente usada na criação de sistemas de visão computacional. A estrutura das redes neurais convolucionais permite-lhes interpretar dados de imagens, convertendo-os em números que uma rede totalmente conectada pode interpretar. Uma CNN tem quatro componentes principais:

• Camadas convolucionais
• Camadas de subsampling/pooling
• funções de ativação
• Camadas totalmente conectadas

As camadas convolucionais são as que recebem as imagens como entradas na rede, analisando as imagens e obtendo os valores dos pixels. Subsampling ou pooling é onde os valores da imagem são convertidos/reduzidos para simplificar a representação das imagens e reduzir a sensibilidade dos filtros de imagem ao ruído. As funções de ativação controlam como os dados fluem de uma camada para a próxima, e as camadas totalmente conectadas são as que analisam os valores que representam a imagem e aprendem os padrões contidos nesses valores.

RNNs/LSTMs

Redes neurais recorrentes, ou RNNs, são populares para tarefas onde a ordem dos dados é importante, onde a rede deve aprender sobre uma sequência de dados. RNNs são comumente aplicados a problemas como processamento de linguagem natural, pois a ordem das palavras é importante na decodificação do significado de uma frase. A parte “recorrente” do termo Rede Neural Recorrente vem do fato de que a saída para um determinado elemento em uma sequência depende do cálculo anterior, bem como do cálculo atual. Ao contrário de outras formas de redes neurais profundas, as RNNs possuem “memórias”, e as informações calculadas nos diferentes intervalos de tempo da sequência são usadas para calcular os valores finais.

Existem vários tipos de RNNs, incluindo RNNs bidirecionais, que levam em consideração itens futuros na sequência, além dos itens anteriores, ao calcular o valor de um item. Outro tipo de RNN é um Memória de longo prazo ou LSTM, rede. LSTMs são tipos de RNN que podem lidar com longas cadeias de dados. RNNs regulares podem ser vítimas de algo chamado “problema de gradiente explosivo”. Esse problema ocorre quando a cadeia de dados de entrada se torna extremamente longa, mas os LSTMs possuem técnicas para combater esse problema.

Codificadores automáticos

A maioria das arquiteturas de aprendizagem profunda mencionadas até agora são aplicadas a problemas de aprendizagem supervisionada, em vez de tarefas de aprendizagem não supervisionadas. Os autoencoders são capazes de transformar dados não supervisionados em um formato supervisionado, permitindo que redes neurais sejam utilizadas no problema.

Codificadores automáticos são freqüentemente usados ​​para detectar anomalias em conjuntos de dados, um exemplo de aprendizado não supervisionado, pois a natureza da anomalia não é conhecida. Tais exemplos de detecção de anomalias incluem detecção de fraude para instituições financeiras. Nesse contexto, o objetivo de um autoencoder é determinar uma linha de base de padrões regulares nos dados e identificar anomalias ou outliers.

A estrutura de um autoencoder geralmente é simétrica, com camadas ocultas organizadas de forma que a saída da rede se assemelhe à entrada. Os quatro tipos de codificadores automáticos que são usados ​​com frequência são:

• Autoencoders regulares/simples
• Codificadores multicamadas
• Codificadores convolucionais
• Codificadores regularizados

Os autoencoders regulares/simples são apenas redes neurais com uma única camada oculta, enquanto os autoencoders multicamadas são redes profundas com mais de uma camada oculta. Autoencoders convolucionais usam camadas convolucionais em vez de, ou além de, camadas totalmente conectadas. Os autoencoders regularizados usam um tipo específico de função de perda que permite que a rede neural execute funções mais complexas, além de apenas copiar entradas para saídas.

Redes Adversariais Generativas

Redes Adversárias Generativas (GANs) são, na verdade, várias redes neurais profundas em vez de apenas uma rede. Dois modelos de aprendizado profundo são treinados ao mesmo tempo e suas saídas são alimentadas para a outra rede. As redes estão competindo entre si e, uma vez que obtêm acesso aos dados de saída umas das outras, ambas aprendem com esses dados e melhoram. As duas redes estão essencialmente jogando um jogo de falsificação e detecção, onde o modelo generativo tenta criar novas instâncias que enganarão o modelo detetive/o discriminador. As GANs se tornaram populares no campo da visão computacional.

Resumo da Aprendizagem Profunda

O aprendizado profundo estende os princípios das redes neurais para criar modelos sofisticados que podem aprender padrões complexos e generalizar esses padrões para conjuntos de dados futuros. Redes neurais convolucionais são usadas para interpretar imagens, enquanto RNNs/LSTMs são usadas para interpretar dados sequenciais. Autoencoders podem transformar tarefas de aprendizagem não supervisionadas em tarefas de aprendizagem supervisionadas. Por fim, as GANs são várias redes colocadas umas contra as outras que são especialmente úteis para tarefas de visão computacional.