Coletânea Python do ZERO às Redes Neurais Artificiais
Deep Learning
Um dos conceitos mais distorcidos dentro dessa área de redes neurais é o de Deep Learning (em tradução livre Aprendizado Profundo). Como vimos anteriormente, uma rede neural pode ser algo básico ou complexo de acordo com a necessidade. Para problemas de lógica simples, tomadas de decisão simples ou classificações linearmente separáveis, modelos de perceptron com uma camada oculta junto a uma função de soma e de ativação correta normalmente é o suficiente para solucionar tal problema computacional.
Porém haverão situações onde, para resolução de problemas de maior
complexidade teremos de fazer diferentes tratamentos para nossos dados de entrada, uso de múltiplas camadas ocultas, além de funções de retroalimentação e ativação específicas para determinados fins bastante específicos de acordo com o problema abstraído. O que acarreta em um volume de processamento de dados muito maior por parte da rede neural artificial, o que finalmente é comumente caracterizado como deep learning.
A “aprendizagem” profunda se dá quando criamos modelos de rede neural onde múltiplas entradas com seus respectivos pesos passam por múltiplas camadas ocultas, fases supervisionadas ou não, feedforward e backpropagation e por fim literalmente algumas horas de processamento. Na literatura é bastante comum também se encontrar este ponto referenciado como redes neurais densas ou redes neurais profundas.
Raciocine que para criarmos uma arquitetura de rede neural que aprende
por exemplo, a lógica de uma tabela verdade AND (que inclusive criaremos logo a seguir), estaremos programando poucas linhas de código e o processamento do código se dará em poucos segundos. Agora imagine uma rede neural que identifica e classifica um padrão de imagem de uma mamografia digital em uma base de dados gigante, além de diversos testes para análise pixel a pixel da imagem para no fim determinar se uma determinada característica na imagem é ou não câncer, e se é ou não benigno ou maligno (criaremos tal modelo posteriormente). Isto sim resultará em uma rede mais robusta onde criaremos mecanismos lógicos que farão a leitura, análise e processamento desses dados, requerendo um nível de processamento computacional alto. Ao final do livro estaremos trabalhando com redes dedicadas a processamento puro de imagens, assim como a geração das mesmas, por hora imagine que este processo envolve múltiplos neurônios, múltiplos nós de comunicação, com múltiplas camadas, etc…, sempre proporcional a complexidade do problema computacional a ser resolvido.
Então a fim de desmistificar, quando falamos em deep learning, a
literatura nos aponta diferentes nortes e ao leigo isso acaba sendo bastante confuso. De forma geral, deep learning será uma arquitetura de rede neural onde teremos múltiplos parâmetros assim como um grande volume de processamento sobre esses dados por meio de múltiplas camadas de processamento.