Redes Neurais

• Detecção de fraude em cartões de crédito e assistência médica;
• Otimização de logística para redes de transporte;
• Reconhecimento de caracteres e de voz, também conhecido como processamento de linguagem natural;
• Diagnósticos médicos;
• Marketing direcionado;
• Predições financeiras de ações de mercado, moeda, opções, futuros, falência e classificação de títulos;
• Sistemas de controle robóticos;

• Previsão de carga elétrica e demanda de energia;
• Controle de qualidade e de processos;
• Identificação de compostos químicos;
• Avaliação do ecossistema;
• Visão computacional para interpretar fotos e vídeos não-tratados (por exemplo, na obtenção de imagens médicas, robótica e reconhecimento facial).

Uma rede neural simples inclui uma camada de entrada, outra de saída (ou alvo) e, entre elas, uma camada oculta. As camadas são conectadas através de nós e essas conexões formam uma "rede" – a rede neural – de nós interconectados.

Um nó é modelado conforme o comportamento de um neurônio humano. Os nós são ativados quando há estímulos ou entradas suficientes. Essa ativação se espalha através da rede, criando uma resposta ao estímulo (resultado). As conexões entre esses neurônios artificiais agem como sinapses simples, fazendo os sinais serem transmitidos de um para o outro. Há sinalização entre camadas conforme eles viajam da primeira (de entrada) até a última (de resultado) – e são processados ao longo do caminho.

Quando confrontados com uma requisição ou problema para resolver, os neurônios executam cálculos matemáticos para decidir se há informações suficientes a serem enviadas para o próximo neurônio. Resumidamente, eles leem todos os dados e decidem onde as relações mais fortes estão. No tipo mais simples de rede, as entradas de dados recebidas são somadas e, se a soma for maior que um valor limítrofe, o neurônio “dispara” e ativa os neurônios conectados a ele.

Conforme o número de camadas ocultas dentro de uma rede neural aumenta, redes neurais profundas são formadas. Arquiteturas de deep learning learning levam redes neurais simples a outro nível. Usando essas camadas, cientistas de dados podem construir suas próprias redes de deep learning que possibilitam o machine learning, no qual o computador pode ser treinado para emular tarefas humanas com precisão, como reconhecer fala, identificar imagens ou realizar previsões. Igualmente, o computador pode aprender por si só a reconhecer padrões em muitas camadas de processamento.

Então, vamos colocar essa definição em ação. Dados são inseridos em uma rede neural através da camada de entrada, que se comunica com as camadas ocultas. O processamento acontece nessas camadas através de um sistema de conexões ponderadas. Os nós nas camadas ocultas combinam os dados da camada de entrada com um conjunto de coeficientes e atribui diferentes pesos para as entradas. Os resultados dessas entradas avaliadas são, então, somados. A soma passa pela função de ativação de um nó, que determina a extensão em que um sinal deve progredir na rede para afetar o resultado final. Finalmente, as camadas ocultas ligam-se a camada de saída – de onde os resultados são obtidos.