Redes neurais: fundamentos
Monte um neurônio artificial com soma ponderada e ativação; depois, combine neurônios em camadas.
- Calcular a saída de um neurônio a partir das entradas, pesos e viés
- Explicar por que as funções de ativação precisam ser não lineares
- Descrever como as camadas transformam neurônios simples em uma rede profunda
Seu cérebro tem cerca de 86 bilhões de neurônios. Cada um recebe sinais de outros e dispara quando o sinal combinado é forte o bastante. As redes neurais artificiais usam essa ideia de forma matemática e bem simplificada.
Um neurônio artificial faz duas coisas:
- Calcula a soma ponderada das entradas mais um viés: — mais um produto escalar.
- Passa o resultado por uma função de ativação, que define a intensidade do disparo: .
Os pesos indicam quanto cada entrada importa e se ela aumenta ou diminui o resultado; o viés desloca o ponto em que o neurônio dispara.
Uma ativação popular é a sigmoide, que comprime qualquer número para o intervalo entre 0 e 1. Assim, a saída pode ser interpretada como uma probabilidade:
Um valor de muito positivo resulta em quase 1; um valor muito negativo, em quase 0; e resulta exatamente em 0,5.
Experimente
Até 15 XPAjuste um neurônio
Este neurônio tem duas entradas e ativação sigmoide. Uma saída acima de 0,5 significa “azul”; abaixo, “laranja”. A linha marca o ponto em que a saída é exatamente 0,5. Ajuste os controles de peso e viés até classificar todos os pontos (sem círculos vermelhos). Depois tente quebrar o resultado: o que acontece quando w₁ fica negativo?
1import math
2
3def neuron(inputs, weights, bias):
4 z = sum(x * w for x, w in zip(inputs, weights)) + bias
5 return 1 / (1 + math.exp(-z))
6
7# Devo sair? entradas: sol (0 ou 1), temperatura em °C / 10, chuva (0 ou 1)
8weights = [2.0, 0.5, -4.0]
9bias = -1.5
10print(f"{neuron([1, 2.4, 0], weights, bias):.3f}") # sol, 24 °C, sem chuva
11print(f"{neuron([0, 1.0, 1], weights, bias):.3f}") # nublado, 10 °C, com chuva0.846 0.007
De um neurônio a uma rede
Um único neurônio só consegue traçar uma fronteira reta. Alguns problemas exigem mais. O exemplo clássico é o XOR: a saída é 1 quando exatamente uma das duas entradas é 1. Nenhuma reta única separa esses casos.
A solução é conectar neurônios em camadas: a camada de entrada recebe as características, uma ou mais camadas ocultas calculam características intermediárias e a camada de saída produz a resposta. Cada neurônio de uma camada envia seu resultado a todos os neurônios da próxima.
1def step(z):
2 return 1 if z > 0 else 0
3
4def xor_network(x1, x2):
5 either = step(x1 + x2 - 0.5) # neurônio oculto 1: OU
6 both = step(x1 + x2 - 1.5) # neurônio oculto 2: E
7 return step(either - both - 0.5) # saída: OU, mas não E
8
9for x1 in (0, 1):
10 for x2 in (0, 1):
11 print(x1, x2, "->", xor_network(x1, x2))0 0 -> 0 0 1 -> 1 1 0 -> 1 1 1 -> 0
Aprendizado profundo significa simplesmente usar redes com muitas camadas ocultas — de algumas até centenas. Cada camada combina o que veio antes: as primeiras aprendem padrões simples e as seguintes os juntam em padrões complexos. Neste exemplo, escolhemos os pesos do XOR manualmente; redes reais podem ter milhões ou bilhões de pesos, impossíveis de ajustar à mão. A próxima lição mostra como aprendê-los.
Principais conclusões
Um neurônio calcula e depois aplica uma ativação .
A sigmoide comprime a saída entre 0 e 1; a ReLU calcula .
Camadas podem aprender fronteiras que um neurônio sozinho não consegue, como XOR — desde que usem ativações não lineares.
Aprendizado profundo significa muitas camadas ocultas, cada uma aproveitando a anterior.
Quiz da aula
6 perguntas · aprovação com 5 acertos · até 50 XP
Ao passar, você conclui a aula e mantém sua sequência. As perguntas erradas voltarão em sessões de revisão.
Pratique: escreva código em Python
Escreva código Python no editor e execute os testes com exemplos. O Python roda localmente no navegador usando WebAssembly.
Execute um neurônio
Linha 1: as entradas. Linha 2: os pesos. Linha 3: o viés. Linha 4: a ativação, sigmoid ou relu. Imprima z = Z e saída = A, ambos com 3 casas decimais.
- Sigmoide
- ReLU com entrada negativa
- ReLU com entrada positiva
O Python é executado em um ambiente isolado no navegador, com limite de 60 segundos. O runtime é carregado pelo CDN do Pyodide; seu código permanece neste navegador.
Execute uma rede de duas camadas
A primeira linha contém duas entradas. A rede tem dois neurônios ocultos com ReLU e um neurônio de saída sem ativação:
- oculto 1: pesos (1, 1), viés 0
- oculto 2: pesos (1, −1), viés −1
- saída: pesos (2, −3) aplicados aos dois valores ocultos, viés 1
Imprima camada oculta: H1 H2 e saída: Y, formatando cada número com :g.
- Entradas pequenas
- O segundo neurônio é ativado
- Entradas negativas
O Python é executado em um ambiente isolado no navegador, com limite de 60 segundos. O runtime é carregado pelo CDN do Pyodide; seu código permanece neste navegador.
Dúvidas sobre esta lição
Travou em algum ponto? Pergunte. Descobriu algo? Compartilhe. Explicar também é uma ótima forma de aprender.
Carregando publicações…