Tutorial de aprendizado profundo para iniciantes: noções básicas de redes neurais

O que é Deep Learning?

Deep Learning é um software de computador que imita a rede de neurônios em um cérebro. É um subconjunto de aprendizado de máquina baseado em redes neurais artificiais com aprendizado de representação. É chamado de aprendizado profundo porque faz uso de redes neurais profundas. Esse aprendizado pode ser supervisionado, semissupervisionado ou não supervisionado.

Algoritmos de aprendizado profundo são construídos com camadas conectadas.

• A primeira camada é chamada de Camada de Entrada
• A última camada é chamada de Camada de Saída
• Todas as camadas intermediárias são chamadas de Camadas Ocultas. A palavra profunda significa que a rede une neurônios em mais de duas camadas.

Cada camada oculta é composta por neurônios. Os neurônios estão conectados entre si. O neurônio irá processar e então propagar o sinal de entrada que recebe na camada acima dele. A força do sinal dado ao neurônio na próxima camada depende do peso, polarização e função de ativação.

A rede consome grandes quantidades de dados de entrada e os opera através de múltiplas camadas; a rede pode aprender recursos cada vez mais complexos dos dados em cada camada.

Processo de aprendizagem profunda

Uma rede neural profunda fornece precisão de última geração em muitas tarefas, desde a detecção de objetos até o reconhecimento de fala. Eles podem aprender automaticamente, sem conhecimento predefinido e codificado explicitamente pelos programadores.

Para compreender a ideia de aprendizagem profunda, imagine uma família, com um bebê e pais. A criança aponta objetos com o dedo mínimo e sempre diz a palavra “gato”. Como seus pais estão preocupados com sua educação, eles continuam dizendo: 'Sim, isso é um gato' ou 'Não, isso não é um gato'. A criança persiste em apontar objetos, mas torna-se mais precisa com 'gatos'. O garotinho, no fundo, não sabe por que pode dizer que é gato ou não. Ele acabou de aprender como hierarquizar características complexas de um gato, olhando para o animal de estimação como um todo e continuando a se concentrar em detalhes como a cauda ou o nariz antes de se decidir.

Uma rede neural funciona da mesma forma. Cada camada representa um nível mais profundo de conhecimento, ou seja, a hierarquia do conhecimento. Uma rede neural com quatro camadas aprenderá recursos mais complexos do que com duas camadas.

A aprendizagem ocorre em duas fases:

Primeira fase: A primeira fase consiste em aplicar uma transformação não linear da entrada e criar um modelo estatístico como saída.
Segunda fase: A segunda fase visa aprimorar o modelo com um método matemático conhecido como derivada.

A rede neural repete essas duas fases centenas a milhares de vezes até atingir um nível tolerável de precisão. A repetição destas duas fases é chamada de iteração.

Para dar um exemplo de Deep Learning, dê uma olhada no movimento abaixo, a modelo está tentando aprender a dançar. Após 10 minutos de treino, a modelo não sabe dançar e parece um rabisco.

Após 48 horas de aprendizagem, o computador domina a arte de dançar.

Classificação de Redes Neurais

Rede neural superficial: A rede neural Shallow possui apenas uma camada oculta entre a entrada e a saída.

Rede neural profunda: As redes neurais profundas têm mais de uma camada. Por exemplo, o modelo Google LeNet para reconhecimento de imagem conta 22 camadas.

Hoje em dia, o aprendizado profundo é usado de várias maneiras, como carro sem motorista, telefone celular, mecanismo de pesquisa Google, detecção de fraude, TV e assim por diante.

Tipos de redes de aprendizagem profunda

Agora, neste tutorial de redes neurais profundas, aprenderemos sobre os tipos de redes de aprendizado profundo:

Redes neurais feedforward

O tipo mais simples de rede neural artificial. Com esse tipo de arquitetura, a informação flui em apenas uma direção, para frente. Isso significa que o fluxo de informações começa na camada de entrada, vai para as camadas “ocultas” e termina na camada de saída. A rede

não tem laço. A informação pára nas camadas de saída.

Redes neurais recorrentes (RNNs)

RNN é uma rede neural multicamadas que pode armazenar informações em nós de contexto, permitindo aprender sequências de dados e gerar um número ou outra sequência. Em palavras simples, é uma rede neural artificial cujas conexões entre neurônios incluem loops. RNNs são adequados para processar sequências de entradas.

Por exemplo, se a tarefa for prever a próxima palavra na frase “Você quer um…………?

• Os neurônios RNN receberão um sinal que aponta para o início da frase.
• A rede recebe a palavra “Do” como entrada e produz um vetor do número. Este vetor é realimentado ao neurônio para fornecer uma memória à rede. Esta etapa ajuda a rede a lembrar que recebeu “Do” e recebeu na primeira posição.
• A rede prosseguirá de forma semelhante para as próximas palavras. É preciso a palavra “você” e “quero”. O estado dos neurônios é atualizado ao receber cada palavra.
• A etapa final ocorre após o recebimento da palavra “a”. A rede neural fornecerá uma probabilidade para cada palavra em inglês que pode ser usada para completar a frase. Um RNN bem treinado provavelmente atribui uma alta probabilidade a “café”, “bebida”, “hambúrguer” etc.

Usos comuns de RNN

• Ajude os traders de valores mobiliários a gerar relatórios analíticos
• Detectar anormalidades no contrato de demonstrações financeiras
• Detecte transações fraudulentas com cartão de crédito
• Forneça uma legenda para as imagens
• Chatbots poderosos
• Os usos padrão de RNN ocorrem quando os profissionais estão trabalhando com dados ou sequências de séries temporais (por exemplo, gravações de áudio ou texto).

Redes neurais convolucionais (CNN)

CNN é uma rede neural multicamadas com uma arquitetura exclusiva projetada para extrair recursos cada vez mais complexos dos dados em cada camada para determinar a saída. As CNNs são adequadas para tarefas perceptivas.

A CNN é usada principalmente quando há um conjunto de dados não estruturados (por exemplo, imagens) e os profissionais precisam extrair informações dele.

Por exemplo, se a tarefa é prever a legenda de uma imagem:

• A CNN recebe uma imagem digamos de um gato, essa imagem, em termos de informática, é uma coleção de pixels. Geralmente, uma camada para a imagem em tons de cinza e três camadas para uma imagem colorida.
• Durante o aprendizado de características (ou seja, camadas ocultas), a rede identificará características únicas, por exemplo, o rabo do gato, a orelha, etc.
• Quando a rede aprende completamente como reconhecer uma imagem, ela pode fornecer uma probabilidade para cada imagem que conhece. O rótulo com maior probabilidade se tornará a previsão da rede.

Aprendizagem por Reforço

Aprendizagem de reforço é um subcampo do aprendizado de máquina no qual os sistemas são treinados recebendo “recompensas” ou “punições” virtuais, essencialmente aprendendo por tentativa e erro. O DeepMind do Google usou o aprendizado por reforço para vencer um campeão humano nos jogos Go. O aprendizado por reforço também é usado em videogames para melhorar a experiência de jogo, fornecendo bots mais inteligentes.

Um dos algoritmos mais famosos são:

• Q-aprendizagem
• Rede Q profunda
• Estado-Ação-Recompensa-Estado-Ação (SARSA)
• Gradiente de Política Determinística Profunda (DDPG)

Exemplos de aplicativos de aprendizagem profunda

Agora, neste tutorial de aprendizado profundo para iniciantes, vamos aprender sobre os aplicativos de aprendizado profundo:

IA em Finanças

O setor da tecnologia financeira já começou a utilizar a IA para poupar tempo, reduzir custos e acrescentar valor. A aprendizagem profunda está mudando o setor de empréstimos ao usar uma pontuação de crédito mais robusta. Os decisores de crédito podem utilizar a IA para aplicações robustas de empréstimo de crédito, a fim de obter uma avaliação de risco mais rápida e precisa, utilizando a inteligência artificial para ter em conta o carácter e a capacidade dos requerentes.

Underwrite é uma empresa Fintech que fornece uma solução de IA para empresas criadoras de crédito. underwrite.ai usa IA para detectar qual candidato tem maior probabilidade de pagar um empréstimo. A sua abordagem supera radicalmente os métodos tradicionais.

IA em RH

Under Armour, uma empresa de roupas esportivas revoluciona a contratação e moderniza a experiência do candidato com a ajuda da IA. Na verdade, a Under Armour reduz em 35% o tempo de contratação para suas lojas de varejo. Under Armour enfrentou um interesse crescente em popularidade em 2012. Eles tinham, em média, 30000 currículos por mês. Ler todas essas inscrições e começar o processo de triagem e entrevista estava demorando muito. O longo processo para contratar e integrar pessoas impactou a capacidade da Under Armour de ter suas lojas de varejo totalmente equipadas, equipadas e prontas para operar.

Naquela época, a Under Armour tinha todas as tecnologias de RH obrigatórias, como soluções transacionais para sourcing, aplicação, rastreamento e integração, mas essas ferramentas não eram úteis o suficiente. Escolha sob a armadura HireVue, um provedor de IA para soluções de RH, para entrevistas sob demanda e ao vivo. Os resultados foram um blefe; conseguiram diminuir em 35% o tempo de preenchimento. Em troca, contrataram equipes de maior qualidade.

IA em Marketing

A IA é uma ferramenta valiosa para gerenciamento de atendimento ao cliente e desafios de personalização. O reconhecimento de fala aprimorado no gerenciamento de call center e no roteamento de chamadas, como resultado da aplicação de técnicas de IA, permite uma experiência mais integrada para os clientes.

Por exemplo, a análise de aprendizagem profunda de áudio permite que os sistemas avaliem o tom emocional de um cliente. Se o cliente estiver respondendo mal ao Chatbot AI, o sistema pode redirecionar a conversa para operadores humanos reais que assumem o problema.

Além dos três exemplos de aprendizagem profunda acima, a IA é amplamente utilizada em outros setores/indústrias.

Por que o aprendizado profundo é importante?

O aprendizado profundo é uma ferramenta poderosa para tornar a previsão um resultado acionável. O aprendizado profundo é excelente na descoberta de padrões (aprendizado não supervisionado) e na previsão baseada em conhecimento. Big data é o combustível para o aprendizado profundo. Quando ambos são combinados, uma organização pode colher resultados sem precedentes em termos de produtividade, vendas, gestão e inovação.

O aprendizado profundo pode superar o método tradicional. Por exemplo, os algoritmos de aprendizagem profunda são 41% mais precisos que os algoritmos de aprendizagem automática na classificação de imagens, 27% mais precisos no reconhecimento facial e 25% no reconhecimento de voz.

Limitações do aprendizado profundo

Agora neste tutorial de rede neural, aprenderemos sobre as limitações do Deep Learning:

Rotulagem de dados

A maioria dos modelos atuais de IA são treinados por meio de “aprendizagem supervisionada”. Isso significa que os humanos devem rotular e categorizar os dados subjacentes, o que pode ser uma tarefa considerável e sujeita a erros. Por exemplo, as empresas que desenvolvem tecnologias para automóveis autónomos estão a contratar centenas de pessoas para anotar manualmente horas de feeds de vídeo de veículos protótipos para ajudar a treinar estes sistemas.

Obtenha enormes conjuntos de dados de treinamento

Foi demonstrado que técnicas simples de aprendizagem profunda como a CNN podem, em alguns casos, imitar o conhecimento de especialistas em medicina e outras áreas. A atual onda de aprendizado de máquina, no entanto, requer conjuntos de dados de treinamento que não sejam apenas rotulados, mas também suficientemente amplos e universais.

Os métodos de aprendizagem profunda exigiram milhares de observações para que os modelos se tornassem relativamente bons em tarefas de classificação e, em alguns casos, milhões para que funcionassem ao nível dos humanos. Sem surpresa, o aprendizado profundo é famoso em empresas gigantes de tecnologia; eles estão usando big data para acumular petabytes de dados. Isso permite que eles criem um modelo de aprendizado profundo impressionante e altamente preciso.

Explique um problema

Modelos grandes e complexos podem ser difíceis de explicar, em termos humanos. Por exemplo, por que uma determinada decisão foi obtida. Esta é uma das razões pelas quais a aceitação de algumas ferramentas de IA é lenta em áreas de aplicação onde a interpretabilidade é útil ou mesmo necessária.

Além disso, à medida que a aplicação da IA ​​se expande, os requisitos regulamentares também poderão impulsionar a necessidade de modelos de IA mais explicáveis.

Resumo

Visão geral do aprendizado profundo: O aprendizado profundo é o novo estado da arte para inteligência artificial. A arquitetura de aprendizado profundo é composta por uma camada de entrada, camadas ocultas e uma camada de saída. A palavra profundo significa que existem mais de duas camadas totalmente conectadas.

Existe uma grande quantidade de redes neurais, onde cada arquitetura é projetada para realizar uma determinada tarefa. Por exemplo, a CNN funciona muito bem com imagens, a RNN fornece resultados impressionantes com séries temporais e análise de texto.

A aprendizagem profunda está agora ativa em diferentes áreas, desde finanças a marketing, cadeia de abastecimento e marketing. As grandes empresas são as primeiras a usar o aprendizado profundo porque já possuem um grande conjunto de dados. O aprendizado profundo requer um extenso conjunto de dados de treinamento.