• As redes neurais, inspiradas no cérebro humano, referem-se a um tipo de arquitetura computacional baseada em um modelo de como o cérebro humano funciona.
  • Elas funcionam por meio de camadas, incluindo as de entrada, ocultas e de saída, facilitando o aprendizado e a previsão.
  • Os tipos de redes neurais incluem as feed-forward (propagação para frente), onde os dados se movem linearmente; as backpropagation (retropropagação), que refinam as previsões por meio de feedback contínuo; e as convolucionais, projetadas para análise de imagens, como reconhecimento de imagens por IA.

NOSSA OPINIÃO
As redes neurais, embora aparentemente distantes do nosso dia a dia, entrelaçam-se de forma intrincada em nossas vidas de maneiras imperceptíveis. Elas nos permitem mergulhar em conteúdo projetado sob medida para nossos interesses, ao mesmo tempo que nos permitem interagir perfeitamente com assistentes virtuais como a Siri.Portanto,promover sua compreensão nos permite usar melhor suas capacidades para enriquecer nossas vidas.
–Audrey Huang, jornalista da BTW

O artigo apresenta a definição, os princípios de funcionamento e os tipos de redes neurais.

O que são redes neurais?

Umarede neural, ou rede neural artificial, é um tipo de arquitetura computacional baseada em um modelo de como o cérebro humano funciona. As redes neurais consistem em uma coleção de unidades de processamento chamadas «nós». Esses nós transmitem dados entre si, de forma semelhante a como no cérebro os neurônios transmitem impulsos elétricos. As redes são usadas em aprendizado de máquina, um tipo de programa de computador que adquire conhecimento sem instruções definidas.

Leia também:Redes sem fio privadas: propriedade, espectro e usos

Leia também:Linhas dedicadas Ethernet versus redes sem fio

Como funcionam?

As redes neurais consistem em inúmeros nós distribuídos em pelo menos três camadas: uma camada de entrada, uma camada oculta e uma camada de saída. Além disso, pode haver múltiplas camadas ocultas além das de entrada e saída. Independentemente de sua localização dentro da rede, cada nó realiza tarefas ou funções de processamento específicas sobre a entrada recebida do nó anterior ou da camada de entrada. Em essência, cada nó contém uma fórmula matemática única, com variáveis individuais ponderadas de forma diferente.

Se o resultado da aplicação dessa fórmula à entrada ultrapassar um limite designado, o nó transfere dados para a camada seguinte. Por outro lado, se a saída estiver abaixo do limite, nenhum dado é encaminhado para a próxima camada.

Quais são seus tipos?

As redes neurais diferem em seus métodos de processamento e no número de camadas ocultas que possuem. Existem três tipos: redes neurais feed-forward (propagação para frente), redes neurais backpropagation (retropropagação) e redes neurais convolucionais.

1. Redes neurais feed-forward

Essas redes neurais representam a estrutura fundamental de uma rede neural artificial. Elas transmitem dados em uma única direção para frente, movendo-se do nó de entrada para o nó de saída seguinte. Embora não seja essencial, podem incorporar camadas ocultas para lidar com tarefas mais complexas. Seu processo de aprendizado evolui gradualmente por meio de mecanismos de feedback. O reconhecimento facial é um exemplo de uma rede feed-forward.

2. Redes neurais backpropagation

Essas redes neurais funcionam continuamente, permitindo que cada nó retenha seu valor de saída e o propague de volta pela rede para gerar previsões em cada camada. Isso facilita o aprendizado contínuo e o refinamento das previsões.

3. Redes neurais convolucionais

As redes neurais convolucionais (CNN, na sigla em inglês) utilizam camadas ocultas para executar operações matemáticas, gerando mapas de características de regiões da imagem que são mais adequadas para classificação. Cada camada oculta recebe uma porção distinta da imagem para decomposição, o que leva a uma análise mais profunda e, finalmente, à previsão do conteúdo da imagem. O reconhecimento de imagens por meio deIAé um exemplo notável de redes neurais convolucionais em ação.