Coletânea Python do ZERO às Redes Neurais Artificiais
Teoria e Prática em Ciência de Dados
TEORIA E PRÁTICA EM CIÊNCIA DE
DADOS
O que são Redes Neurais Artificiais
Desde os primeiros estudos por parte biológico e psicológico dos
mecanismos que temos de aprendizado, descobrindo nossa própria biologia (no sentido literal da palavra), criamos modelos lógicos estruturados buscando abstrair tais mecanismos para que pudéssemos fazer ciência sobre os mesmos.
À medida que a neurociência evoluía, assim como áreas abstratas como psicologia também, pudemos cada vez melhor entender o funcionamento de nosso cérebro, desde os mecanismos físicos e biológicos até os que nos tornam autoconscientes e cientes de como aprendemos a medida que experenciamos esse mundo.
Não por acaso, as primeiras tentativas de abstrairmos tais mecanismos de
forma lógico-computacional se deram literalmente, recriando tais estruturas anatômicas e mecanismos de aprendizado de forma artificial, por meio das chamadas redes neurais artificiais, com seu sistema de neuronal sináptico..
Existe uma grande variedade de tipos/modelos de redes neurais
artificiais de acordo com sua estrutura e propósito, em comum a todas elas estão por exemplo conceitos de perceptrons, onde literalmente criamos neurônios artificiais e interação entre os mesmos para que possam encontrar padrões em dados, usando de poder computacional como vantagem no que diz respeito ao número de informações a serem processadas e o tempo de processamento muito superior aos limites humanos.
Dessa forma, partindo de preceitos de problemas computacionais a
serem resolvidos (ou problemas reais abstraídos de forma computacional), temos modelos de redes neurais artificiais que conseguem ler e interpretar dados a partir de praticamente todo tipo de arquivo (inclusive imagens e sons), realizar classificações para os mais diversos fins, assim como realizar previsões com base em histórico de dados, simular algoritmos genéticos, também realizar processamento de linguagem natural, geração de novos dados a partir de amostras, reconhecimento por conversão, simulação de sentidos biológicos como visão, audição e outros com base em leitura de sensores, aprendizado com base em experiência, tomadas de decisão com base em memória, etc... Uma verdadeira infinidade de possibilidades.
Raciocine que nesse processo de criarmos arquiteturas de redes neurais
artificiais, onde podemos simular praticamente qualquer tipo de inteligência de um ser vivo biológico de menor complexidade. Ainda assim estamos engatinhando nessa área, mesmo com décadas de evolução, porém procure ver à frente, todo o potencial que temos para as próximas décadas à medida que aperfeiçoamos nossos modelos.