Como é que as redes neurais artificiais aprendem?

O campo das redes neurais artificiais é extremamente complicado e está em rápida evolução. Para entender as redes neurais artificiais e como elas processam informações, é fundamental examinar como essas redes funcionam e os modelos básicos que são usados em tal processo.

O que são redes neurais artificiais?

As redes neurais artificiais são modelos computacionais paralelos (ao contrário dos nossos computadores, que têm um único processador para coletar e exibir informações). Estas redes são normalmente constituídas por múltiplos processadores simples que são capazes de agir em paralelo uns com os outros para modelar sistemas em mudança. Este processo de computação paralela também permite um processamento e computação mais rápidos de soluções. As redes neurais seguem uma estrutura computacional dinâmica, e não obedecem a um processo simples para obter um resultado desejado.

A base dessas redes é originada do neurônio biológico [1] e das estruturas neurais - cada neurônio recebe múltiplas entradas únicas e produz um resultado. Da mesma forma, em redes neurais, diferentes inputs são processados e modificados por um peso, ou uma espécie de equação que altera o valor original. A rede combina então esses diferentes inputs ponderados com referência a um determinado limiar e função de ativação e fornece o valor final.

Como as redes neurais operam?

Redes neurais artificiais são organizadas em camadas de processos de computação paralela. Para cada processador em uma camada, cada número de entradas é multiplicado por um peso originalmente estabelecido, resultando no que é chamado de valor interno da operação. Este valor é ainda alterado por um valor limiar originalmente criado e enviado para uma função de ativação para mapear sua saída. A saída dessa função é então enviada como a entrada para outra camada, ou como a resposta final de uma rede, caso a camada seja a última. Os pesos e os valores limiares são mais comumente modificados para produzir o valor correto e mais preciso.

Os mecanismos de aprendizagem de uma rede neural

Olhar para uma analogia pode ser útil na compreensão dos mecanismos de uma rede neural. O aprendizado em uma rede neural está intimamente relacionado a como aprendemos em nossas vidas e atividades regulares - realizamos uma ação e somos aceitos ou corrigidos por um treinador ou treinador para entender como melhorar em uma determinada tarefa. Da mesma forma, as redes neurais requerem um treinador para descrever o que deveria ter sido produzido como uma resposta ao input. Com base na diferença entre o valor real e o valor que foi produzido pela rede, um valor de erro é calculado e enviado de volta através do sistema. Para cada camada da rede, o valor de erro é analisado e usado para ajustar o limiar e os pesos para a próxima entrada. Desta forma, o erro continua sendo marginalmente menor a cada execução, à medida que a rede aprende a analisar os valores.

O procedimento descrito acima é conhecido como backpropogation, e é aplicado continuamente através de uma rede até que o valor do erro seja mantido no mínimo. Neste ponto, a rede neural não requer mais esse processo de treinamento e é permitida a execução sem ajustes. A rede pode então finalmente ser aplicada, usando os pesos e limiares ajustados como diretrizes.

O uso de uma rede neural durante a execução

Quando uma rede neural está em execução ativa, não ocorre retropropogação, pois não há como verificar diretamente a resposta esperada. Em vez disso, a validade das declarações de saída são corrigidas durante uma nova sessão de treinamento ou são deixadas como está para a rede ser executada. Muitos ajustes podem precisar ser feitos porque a rede consiste em uma grande quantidade de variáveis que devem ser precisas para que a rede neural artificial funcione.

Um exemplo básico de tal processo pode ser examinado ensinando uma rede neural para converter texto em fala. Pode-se escolher vários artigos e parágrafos diferentes e usá-los como inputs para a rede e predeterminar um input desejado antes de executar o teste. A fase de treinamento consistiria então em passar pelas múltiplas camadas da rede e usar a retropropogação para ajustar os parâmetros e o valor limite da rede, a fim de minimizar o valor de erro para todos os exemplos de entrada. A rede pode então ser testada em novos artigos para determinar se ela poderia realmente converter o texto para a fala apropriada.

Rede como estes podem ser modelos viáveis para uma grande variedade de problemas matemáticos e estatísticos, incluindo mas não limitados à síntese e reconhecimento da fala, reconhecimento e previsão de face, modelagem de sistema não-linear e classificação de padrões.

Conclusão

Redes neurais são um novo conceito cujo potencial acabamos de riscar a superfície. Elas podem ser usadas para uma variedade de conceitos e idéias diferentes, e aprendem através de um mecanismo específico de retropropogação e correção de erros durante a fase de teste. Ao minimizar adequadamente o erro, estes sistemas multicamadas podem ser capazes de um dia aprender e conceituar idéias sozinhos, sem correção humana.

Espera que isto ajude! Por favor, sinta-se livre para comentar sobre esta resposta, A2A ou PM me se você tiver qualquer outra pergunta, comentário ou preocupação. Obrigado!

[1] Se você'gostaria de saber mais sobre como um neurônio funciona biologicamente, confira minha resposta ao O que é um neurônio?

Fontes

p> A maior parte desta resposta foi do meu conhecimento através de cursos online e da leitura de vários artigos e artigos diferentes sobre redes neurais, mas eu usei os seguintes recursos para melhorar a qualidade desta resposta:

[1] http://www.cheshireeng.com/Neuralyst/nnbg.htm
[2] http://www.scientificamerican.com/article.cfm?id=experts-neural-networks-like-brain