Uma rede neural é um tipo de aprendizado de máquina que se modela segundo o cérebro humano. Isso cria uma rede neural artificial que, por meio de um algoritmo, permite que o computador aprenda incorporando novos dados.

Embora existam muitos algoritmos de inteligência artificial nos dias de hoje, as redes neurais são capazes de realizar o que foi chamado de aprendizagem profunda. Enquanto a unidade básica do cérebro é o neurônio, o bloco de construção essencial de uma rede neural artificial é um perceptron que realiza um processamento de sinal simples, e estes são então conectados a uma rede de malha grande..

O computador com a rede neural é ensinado a fazer uma tarefa, fazendo com que ela analise exemplos de treinamento, previamente rotulados previamente. Um exemplo comum de uma tarefa para uma rede neural usando aprendizado profundo é uma tarefa de reconhecimento de objeto, na qual a rede neural é apresentada com um grande número de objetos de um certo tipo, como um gato ou uma placa de rua, e o computador analisando os padrões recorrentes nas imagens apresentadas, aprende a categorizar novas imagens.

Como as redes neurais aprendem

Ao contrário de outros algoritmos, as redes neurais com sua aprendizagem profunda não podem ser programadas diretamente para a tarefa. Em vez disso, eles têm o requisito, assim como o cérebro em desenvolvimento de uma criança, de que precisam aprender as informações. As estratégias de aprendizagem seguem três métodos:

  • Aprendizado supervisionado: Essa estratégia de aprendizado é a mais simples, já que existe um conjunto de dados rotulado, pelo qual o computador passa, e o algoritmo é modificado até que ele possa processar o conjunto de dados para obter o resultado desejado..
  • Aprendizado não supervisionado: Essa estratégia é usada nos casos em que não há um conjunto de dados rotulado disponível para aprender. A rede neural analisa o conjunto de dados e, em seguida, uma função de custo informa à rede neural a que distância estava do alvo. A rede neural então se ajusta para aumentar a precisão do algoritmo.
  • Aprendizado Reforçado: Nesse algoritmo, a rede neural é reforçada para resultados positivos e punida por um resultado negativo, forçando a rede neural a aprender com o tempo..

História das redes neurais

Embora as redes neurais certamente representem uma poderosa tecnologia moderna de computadores, a idéia remonta a 1943, com dois pesquisadores da Universidade de Chicago, Warren McCullough, um neurofisiologista e Walter Pitts, um matemático..

Seu papel, “Um cálculo lógico das idéias imanente na atividade nervosa,” foi publicado pela primeira vez na revista Brain Theory, que popularizou a teoria de que a ativação de um neurônio é a unidade básica da atividade cerebral. No entanto, este artigo teve mais a ver com o desenvolvimento de teorias cognitivas na época, e os dois pesquisadores se mudaram para o MIT em 1952 para iniciar o primeiro departamento de ciências cognitivas..

Redes neurais na década de 1950 foram uma área fértil para a pesquisa de redes neurais de computadores, incluindo o Perceptron que realizou o reconhecimento de padrões visuais com base no olho composto de uma mosca. Em 1959, dois pesquisadores da Universidade de Stanford desenvolveram MADALINE (Multiple ADAptive LINear Elements), com uma rede neural que vai além do teórico e assume um problema real. MADALINE foi especificamente aplicado para diminuir a quantidade de eco em uma linha telefônica, para melhorar a qualidade da voz, e foi tão bem-sucedida que permanece em uso comercial até os tempos atuais..

Apesar do entusiasmo inicial em redes neurais artificiais, um livro notável em 1969 fora do MIT, Perceptrons: Uma Introdução à Geometria Computacional temperou isso. Os autores expressaram seu ceticismo em relação às redes neurais artificiais, e como isso era provavelmente um beco sem saída na busca pela verdadeira inteligência artificial. Isso diminuiu significativamente essa área para pesquisa durante os anos 70, tanto no interesse geral quanto no financiamento. Apesar disso, alguns esforços continuaram, e em 1975 a primeira rede multicamadas foi desenvolvida, abrindo caminho para um maior desenvolvimento em redes neurais, uma realização que alguns consideravam impossível menos de uma década antes..

O interesse em 1982 foi significativamente renovado em redes neurais quando John Hopfield, professor da Universidade de Princeton, inventou a rede neural associativa; A inovação era que os dados podiam viajar bidirecionalmente, já que antes era unidirecional e também conhecido por seu inventor como uma rede Hopfield. No futuro, as redes neurais artificiais tiveram ampla popularidade e crescimento.

Usos do mundo real para redes neurais

O reconhecimento de manuscrito é um exemplo de um problema do mundo real que pode ser abordado por meio de uma rede neural artificial. O desafio é que os humanos podem reconhecer a caligrafia com simples intuição, mas o desafio para os computadores é que a caligrafia de cada pessoa é única, com estilos diferentes e até mesmo espaçamento diferente entre as letras, dificultando o reconhecimento consistente.

Por exemplo, a primeira letra, a maiúscula A, pode ser descrita como três linhas retas onde duas se encontram em um pico na parte superior, e a terceira está na outra metade, e faz sentido para os humanos, mas é um desafio para expressar isso em um algoritmo de computador.

Tomando a abordagem da rede neural artificial, o computador é alimentado com exemplos de caracteres manuscritos conhecidos, que foram previamente rotulados a qual letra ou número eles correspondem, e através do algoritmo o computador aprende a reconhecer cada caractere, e como os dados conjunto de caracteres é aumentado, o mesmo acontece com a precisão. O reconhecimento de manuscrito tem várias aplicações, tão variadas quanto a leitura automatizada de endereços em cartas no serviço postal, a redução de fraudes bancárias em cheques, a entrada de caracteres para computação baseada em caneta..

Outro tipo de problema para uma rede neural artificial é a previsão dos mercados financeiros. Isso também se aplica ao termo "negociação algorítmica" e foi aplicado a todos os tipos de mercados financeiros, de bolsas de valores, commodities, taxas de juros e várias moedas. No caso do mercado de ações, os traders usam algoritmos de rede neural para encontrar ações subvalorizadas, melhorar modelos de estoque existentes e usar os aspectos de aprendizagem profunda para otimizar seu algoritmo à medida que o mercado muda. Existem agora empresas especializadas em algoritmos de negociação de ações de redes neurais, por exemplo, MJ Trading Systems.

Os algoritmos de redes neurais artificiais, com sua flexibilidade inerente, continuam a ser aplicados para reconhecimento complexo de padrões e problemas de previsão. Além dos exemplos acima, isso inclui aplicações tão variadas quanto reconhecimento facial em imagens de mídia social, detecção de câncer para imagens médicas e previsão de negócios..

  • Interessado em AI? Destacamos 7 usos diários para a IA que você nunca imaginou antes