Carregando
0x00Lição 1 de 17

O que é aprendizagem profunda?

Conheça redes neurais em camadas, veja por que a profundidade é importante e descubra onde o aprendizado profundo brilha.

20 min Questionário com 7 perguntas 2 exercícios de código
Ao final desta lição, você saberá
  • Explique o aprendizado profundo como o aprendizado de representações em camadas a partir de dados brutos
  • Descreva por que o aprendizado profundo decolou na década de 2010
  • Julgue quando o aprendizado profundo é – ou não – a ferramenta certa

Conheça Neuro, o pequeno robô do Doodle Lab. Neuro ainda não consegue reconhecer um único rabisco. Ao longo desta trilha, você construirá um cérebro Neuro a partir do zero - a partir de nada além de matrizes de números e algumas linhas de cálculo - e, no final, ele distinguirá linhas de cruzes por conta própria.

Aprendizado profundo é o aprendizado de máquina com redes neurais que possuem muitas camadas. Cada camada transforma sua entrada em uma nova representação, e as camadas são aprendidas juntas, de ponta a ponta, a partir de exemplos:

  • Em uma rede de imagens, as camadas iniciais acabam detectando bordas, as camadas intermediárias detectam texturas e partes (um olho, uma roda) e as camadas posteriores detectam objetos inteiros.
  • Ninguém programa esses detectores. Eles surgem porque ajudam a rede a fazer melhores previsões.

Essa é a grande diferença do aprendizado de máquina clássico, onde as pessoas criam os recursos manualmente (“contar os pixels vermelhos”, “comprimento médio das palavras”) e um modelo mais simples aprende com eles. O aprendizado profundo aprende os recursos também.

Inteligência artificialtécnicas que permitem aos computadores imitar comportamentos considerados inteligentesAprendizado de máquinasistemas que melhoram com dados em vez de regras escritas à mãoAprendizadoprofundoredes neurais com várias camadas
O aprendizado profundo é uma parte do aprendizado de máquina, que por sua vez faz parte da IA.

Por que demorou até 2012? Três ingredientes finalmente se juntaram:

  1. Dados - a internet produziu conjuntos de dados rotulados com milhões de exemplos (ImageNet tem 14 milhões de imagens).
  2. Computação - as placas gráficas (GPUs) revelaram-se brilhantes na multiplicação de matrizes de que as redes são feitas.
  3. Truques - melhores ativações (ReLU), inicializações, normalização e regularização tornaram as redes profundas treináveis. Você aprenderá cada um deles nesta trilha.

Por que camadas? XOR em três neurônios

Um único neurônio desenha uma linha reta através de suas entradas, então ele não pode calcular XOR (“exatamente uma entrada está ligada”) - nenhuma linha separa os dois cantos “ligados” dos dois cantos “desligados”. Adicione uma camada oculta e é fácil. Aqui estão pesos escolhidos a dedo; pressione Executar:

xor_network.py
1import numpy as np
2
3def step(z):
4    return (z > 0).astype(int)
5
6W1 = np.array([[1, 1], [1, 1]])     # two hidden neurons, each sums both inputs
7b1 = np.array([-0.5, -1.5])          # hidden 1 fires on "at least one", hidden 2 on "both"
8W2 = np.array([1, -1])               # output: "at least one" but not "both"
9b2 = -0.5
10
11for x in [(0, 0), (0, 1), (1, 0), (1, 1)]:
12    hidden = step(W1 @ np.array(x) + b1)
13    output = step(W2 @ hidden + b2)
14    print(x, "->", output)
Saída
(0, 0) -> 0
(0, 1) -> 1
(1, 0) -> 1
(1, 1) -> 0

A camada oculta rerepresenta a entrada (“pelo menos um ativado”, “ambos ativados”) e, nesse novo espaço, a resposta é uma decisão simples e direta. Isso é aprendizado profundo em miniatura: cada camada facilita o trabalho da próxima camada. A diferença nas redes reais é que os pesos são aprendidos - e é disso que trata a Unidade 2.

Experimente

Até 15 XP

Aprendizado profundo ou algo mais simples?

O aprendizado profundo brilha com muitos dados brutos e não estruturados, como imagens, áudio e texto. Para tabelas de números pequenas, os modelos mais simples costumam vencer. Classifique cada tarefa.

0 de 7 classificadosPontuação 0/0
  • “Identifique gatos em milhões de fotos”

  • “Preveja o preço de uma casa a partir de 6 colunas e 300 vendas”

  • “Transforme discurso em texto”

  • “Traduzir entre idiomas”

  • “Preveja as vendas do próximo mês a partir de 3 anos de totais mensais”

  • “Sinalizar fraude na tabela de recursos de transação de um banco”

  • “Gere uma imagem a partir de uma descrição de texto”

Principais conclusões

  • Aprendizado profundo = redes neurais com muitas camadas, treinadas de ponta a ponta a partir de exemplos.

  • Cada camada aprende uma nova representação; juntos, eles aprendem recursos que ninguém codificou manualmente.

  • Dados, GPUs e truques de treinamento tornaram isso prático por volta de 2012.

  • Ela se destaca em grandes dados não estruturados; para mesas pequenas, os modelos mais simples costumam vencer.

Quiz da aula

7 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.

Exercício 1

Conecte o XNOR manualmente

+25 XP

XNOR é o oposto de XOR: gera 1 quando ambas as entradas são mesmas. Usando os mesmos dois neurônios ocultos do exemplo XOR (“pelo menos um” e “ambos”), escolha os pesos de saída W2 e polarize b2 para que a rede calcule XNOR.

Cada linha de entrada tem dois bits. Imprima a b -> output para cada um.

  • Todas as quatro entradas
main.py
Carregando editor…

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.

Exercício 2

O primeiro neurônio de Neuro

+25 XP

A primeira tarefa de Neuro: decidir se um doodle tem uma forma alta. Cada linha de entrada possui três recursos de um doodle - height width ink (tinta é a fração da tela desenhada). Um único neurônio calcula z = 1.5·height − 1.0·width − 0.5·ink − 0.2 e diz tall quando z > 0, caso contrário, not tall.

Imprima z = 0.85 -> tall com z arredondado para duas casas decimais. Use numpy para a soma ponderada (weights @ features).

  • Três rabiscos
  • Um quadrado
main.py
Carregando editor…

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…