Deep Learning

O aprendizado profundo (também conhecido como aprendizado estruturado profundo) faz parte de uma família mais ampla de métodos de aprendizado de máquina baseados em redes neurais artificiais com aprendizado de representação. A aprendizagem pode ser supervisionada, semi-supervisionada ou não supervisionada.

Arquiteturas de aprendizado profundo, como redes neurais profundas, redes de crenças profundas, aprendizado de reforço profundo, redes neurais recorrentes e redes neurais convolucionais têm sido aplicadas a campos como visão computacional, reconhecimento de fala, processamento de linguagem natural, tradução automática, bioinformática, design de medicamentos, medicina programas de análise de imagem, ciência do clima, inspeção de materiais e jogos de tabuleiro, onde produziram resultados comparáveis ​​e, em alguns casos, superando o desempenho de especialistas humanos.

As redes neurais artificiais (RNAs) foram inspiradas no processamento de informações e nós de comunicação distribuída em sistemas biológicos. As RNAs têm várias diferenças em relação aos cérebros biológicos. Especificamente, as redes neurais artificiais tendem a ser estáticas e simbólicas, enquanto o cérebro biológico da maioria dos organismos vivos é dinâmico (plástico) e analógico.

O adjetivo “deep” em deep learning se refere ao uso de múltiplas camadas na rede. Os primeiros trabalhos mostraram que um perceptron linear não pode ser um classificador universal, mas que uma rede com uma função de ativação não polinomial com uma camada oculta de largura ilimitada pode. O aprendizado profundo é uma variação moderna que se preocupa com um número ilimitado de camadas de tamanho limitado, o que permite aplicação prática e implementação otimizada, mantendo a universalidade teórica em condições brandas. No aprendizado profundo, as camadas também podem ser heterogêneas e se desviar amplamente dos modelos conexionistas biologicamente informados, por uma questão de eficiência, treinabilidade e compreensibilidade, daí a parte "estruturada".