A maioria das pessoas já ouviu falar de redes neurais, mas não faz ideia o que elas realmente sejam. Nesta (realmente) sucinta introdução, conheça aplicações, empresas que a usam, e entenda a rede neural primordial, o perceptron.

1. Redes neurais

3. Redes neurais artificiais
Abstrações matemáticas de
neurônios biológicos

4. Redes neurais artificiais
Aprendem relações, não
conceitos

5. Aprendizado Hebbiniano
“Neurônios que disparam
juntos criam sinapses fortes”

6. Estrutura básica
● Topologia
● Algoritmo de treinamento
● Função de ativação

8. Química do aprendizado
Neurônio
1
Neurônio
2
↑Na+
Dentrito
↓K+
0mV
50mV
Disparo
0mV
↓Na+ K+
Axônio Sinapse

9. Perceptron - 1957
x1
y
xn
∑
w1
wn
b
wn+1

10. Perceptron - 1957 - Treinamento

11. Perceptron - 1957 - Ativação

12. Perceptron - 1957 - Pesos

13. Perceptron - Operador OR
0
0
0
(0.02*0)+
(-0.02*0)+
(-0.05*-1)
0.02
(0.05 > 0)?
Sim, ∴ 1
-0.02
-1
-0.05
Δwn

14. Perceptron - Operador OR
O treinamento é realizado até
o erro (gn-yn) ou o tempo t
atinja um limite

16. Nem tudo é fácil...
Perceptrons só aprendem
sobre dados que são
linearmente separáveis.

17. Nem tudo é fácil... - OR
1
1
0
0
1
x1 x2 y
0 0 0
1 0 1
0 1 1
1 1 1

18. Nem tudo é fácil... - XOR
1
1
0
0
1
x1 x2 y
0 0 0
1 0 1
0 1 1
1 1 0
?

19. Feedforward - Werbos - 1969
10
0
1
1
x1 x2 y
0 0 0
1 0 1
0 1 1
1 1 0

21. MLP - Minsky & Papert - 1975
x1
y
xn
h1
h2
h3
hn
wn
b
wn

22. Matematicamente,
Redes neurais “não-lineares”
são aproximadores
universais de funções

23. Prós
● Plasticidade
● Flexibilidade
● Paralelismo
Cons
● Normalização
● Treinamento
● Interpretação

25. 2005-Hoje
● Deep Learning
○ Retornou o interesse por ANNs
○ Resolveu problemas de
profundidade
○ Permitiu escalabilidade
○ Redes convolucionais
○ Deep Belief Nets

26. Quem usa?
● Street View
● Otimização do Data
Center
● Reconhecimento
de voz
● Recomendações
● Previsões

27. Quem usa?
● Reconhecimento
facial
● Modelos de
personalidade
● Previsões