A aprendizagem profunda é uma forma poderosa de aprendizado de máquina (ML) que constrói estruturas matemáticas complexas chamadas redes neurais usando grandes quantidades de dados (informações).
Definição de Aprendizagem Profunda
A aprendizagem profunda é uma maneira de implementar o ML usando várias camadas de redes neurais para processar tipos de dados mais complexos. Às vezes chamado de aprendizado hierárquico, o aprendizado profundo usa diferentes tipos de redes neurais para aprender recursos (também chamados de representações) e encontrá-los em grandes conjuntos de dados brutos e não rotulados (dados não estruturados). Uma das primeiras demonstrações inovadoras de aprendizado profundo foi um programa que selecionou com sucesso imagens de gatos a partir de conjuntos de vídeos do YouTube.
Exemplos de Aprendizagem Profunda na Vida Diária
A aprendizagem profunda não é usada apenas no reconhecimento de imagens, mas também na tradução de idiomas, na detecção de fraudes e na análise de dados coletados por empresas sobre seus clientes. Por exemplo, o Netflix usa o aprendizado profundo para analisar seus hábitos de visualização e prever quais programas e filmes você prefere assistir. É assim que a Netflix sabe colocar filmes de ação e documentários sobre a natureza em sua fila de sugestões. A Amazon usa o aprendizado profundo para analisar suas compras e itens recentes que você pesquisou recentemente para criar sugestões para os novos álbuns de música country dos quais você provavelmente terá interesse e que está no mercado para um par de tênis cinza e amarelo sapatos. À medida que o aprendizado profundo fornece mais e mais informações a partir de dados brutos e não estruturados, as empresas podem antecipar melhor as necessidades de seus clientes, enquanto você, o cliente individual, obtém um atendimento mais personalizado ao cliente.
Redes Neurais Artificiais e Aprendizagem Profunda
Para tornar a aprendizagem profunda mais fácil de entender, vamos revisitar nossa comparação de uma rede neural artificial (RNA). Para um aprendizado profundo, imagine que nosso prédio de escritórios de 15 andares ocupa um quarteirão da cidade com outros cinco prédios de escritórios. Existem três edifícios de cada lado da rua. Nosso prédio está construindo A e compartilha o mesmo lado da rua dos prédios B e C. Do outro lado da rua, do prédio A, está o prédio 1, e do prédio B, o prédio 2, e assim por diante. Cada edifício tem um número diferente de andares, é feito de materiais diferentes e tem um estilo arquitetônico diferente dos outros. No entanto, cada edifício ainda é organizado em andares separados (camadas) de escritórios (nós) - portanto, cada edifício é uma única RNA.
Imagine que um pacote digital chegue ao edifício A, contendo muitos tipos diferentes de informações de várias fontes, como dados baseados em texto, fluxos de vídeo, fluxos de áudio, chamadas telefônicas, ondas de rádio e fotografias, no entanto, ele chega em uma grande confusão e não é rotulado ou classificado de nenhuma maneira lógica (dados não estruturados). A informação é enviada através de cada andar em ordem de 1st de 15 a 15º Para processamento. Após a confusão de informações chega a 15º chão (saída), é enviado para o 1st piso (entrada) do edifício 3 juntamente com o resultado final do processamento do edifício A. O Edifício 3 aprende e incorpora o resultado enviado pelo edifício A e processa o desordem de informação através de cada piso da mesma maneira. Quando a informação chega ao último andar do prédio 3, ela é enviada de lá com os resultados do prédio para o prédio 1. O Edifício 1 aprende e incorpora os resultados do prédio 3 antes de processá-lo andar por andar. O Edifício 1 passa as informações e os resultados da mesma forma para o edifício C, que processa e envia para o edifício 2, que processa e envia para o edifício B.
Cada ANN (edifício) em nosso exemplo procura por um recurso diferente nos dados não estruturados (confusão de informações) e passa os resultados para o prédio seguinte. O próximo edifício incorpora (aprende) a saída (resultados) da anterior. À medida que os dados são processados por cada ANN (edifício), eles são organizados e rotulados (classificados) por uma característica particular de modo que quando os dados alcançam a saída final (último andar) da última ANN (construção), são classificados e rotulados (mais estruturado).
Inteligência Artificial, Aprendizado de Máquina e Aprendizado Profundo
Como o aprendizado profundo se encaixa no quadro geral da inteligência artificial (IA) e ML? A aprendizagem profunda aumenta o poder do ML e aumenta o alcance das tarefas que a IA é capaz de realizar. Como o aprendizado profundo depende do uso de redes neurais e do reconhecimento de recursos em conjuntos de dados em vez de algoritmos mais simples, ele pode localizar e usar detalhes de dados não estruturados (sem dados) sem a necessidade de um programador rotular manualmente primeiro. -consumindo tarefas que podem introduzir erros. A aprendizagem profunda está ajudando os computadores a melhorar e melhorar o uso de dados para ajudar corporações e indivíduos.
