Livro - Aprendizado profundo Para Leigos

Esse é o conceito que realmente está trazendo esse de movimento todo para o campo da Inteligência Artificial mais uma vez eu vou mostrar a nossa linha do tempo da Inteligência Artificial não é para gente realmente se situar dentro dessa evolução das redes neurais bom a gente tem o desenvolvimento do neurônio artificial a formulação do neurônio artificial pelo macolor clientes através da matematização da transferência de informação pelo neurônio que foi descoberto vamos dizer assim pelo Santiago Ramon e Carol A partir dessa fórmula matemática desenvolvida por eles o Frank rosenblatt criou o percentual on que a forma de colocar em prática essa transmissão de informação através de uma unidade funcional baseada no neurônio e a partir disso a gente tem então a evolução natural do petro que se transforma então na unidade fundamental na unidade mais básica das redes neurais a primeira o que a gente vê utilizando o percebe Tron como unidade básica o multilayer perceptron ou mlp e quando a gente usa o MP a gente consegue aprender de uma forma muito mais eficiente se a gente usar o algoritmo de back-propagation que a gente vai conseguir passar a forma de aprendizado por todas as camadas de neurônio igual a gente viu na aula passada Então nesse slide a gente vai ver então o esquema básico no mlp ou da primeira rede neural aonde informação tem um sentido e a gente reaprende a gente re coloca o a importância daqueles pesos em cada camada neuronal através da utilização do algoritmo de back-propagation tu vai fazer um Gradiente descendente granulado para cada neurônio para cada camada de neurônio depois que a gente fica bem esses conceitos de percepto de neurônio de rede neural e o uso do Beco propagation a gente consegue entender de forma até banal o quê a Deep Lane o Deep Lane nada mais é do que você colocar múltiplas camadas com múltiplos neurônios dentro da sua rede então quanto maior é a sua rede maior é só potência maior ao seu poder de processamento de informação e você consegue obter resultados muito melhores para o seu problema para problemas que são muito mais complexos problemas que são muito mais elaborados então o Deep Lane nada mais é do que ser possível através do aprendizado de back-propagation você pegar pinchas e analisar a importância daquelas fios de uma forma muito mais pormenorizada porque você vai conseguir mexer nos pesos de cada Fischer através do algoritmo de black propagation Então você consegue colocar várias camadas para você conseguir melhorar a sua interpretação da imagem para você a orar a sua capacidade de processamento de informação tampo Deep Lane nada mais é do que a evolução natural das redes neurais onde você tem várias camadas ocultas né dependendo das arquiteturas que você vê se tem até dezenas centenas ou até milhares de camadas ocultas Por que que você conhece processamento de camadas ocultas de várias camadas ocultas em vários neurônios dentro dessas camadas O que que você consegue um processamento melhor porque que você consegue uma curar se é melhor na sua resolução dos problemas eu acho que interessante a gente tocar no assunto que nesse paper escrito pelo hinton pelo yann lecun e periósteo beijo são dois outras pessoas que se relacionaram também nesse desenvolvimento das redes neurais e são outros dois grandes grandes nomes dentro do campo de Inteligência Artificial Eles escrevem muito bem o conceito de Deep Lane nesse paper Danette o que que é o Deep Lane é um só modelo computacionais que são compostos de múltiplas camadas de processamento que eles conseguem aprender representações daquele dado com múltiplos níveis de abstração essa frase é muito boa porque ela condensa tudo que o Deep Lane Faz realmente ela chama a atenção para um ponto crucial que diferenciam Deep Lane dos outros tipos de aprendizado de redes neurais ou até outros algoritmos que são chamados até pelo próprio de off ritual quando ele colocou esse termo mais ou menos em voga não foi que criou o termo Mas ele foi um dos responsáveis por colocar esse termo em circulação que ele falou que enquanto ele estava fazendo Deep Lane as outras pessoas estavam fazendo Shalom urn ou seja um aprendizado Raso o so e se você apresentariam aprendizado uma forma Rasa de você ter um aprendizado e por quê Porque você com de plano em consegue múltiplos níveis de abstração Esse é o ponto que para mim é crucial que diferencia o Deep Lane das outras formas de aprendizado O que quer dizer múltiplos níveis de abstração exatamente isso que o nosso cérebro é capaz de fazer por exemplo quando a gente vê uma frase que tem todas as letras embaralhadas né como é possível que você ainda assim entenda o significado daquela frase a gente acredita que o cérebro ele se adianta a tarefa da leitura e faz uma predição das palavras mesmo que aquelas letras estejam embaralhados Então o que a gente faça a gente não se detém ao nível semântico não se detem a dimensão da ordem das palavras do formato das palavras a gente passa por uma dimensão a extrai para uma outra dimensão que admiração do sentido que aquelas palavras têm a dimensão do sentido ela é muito abstrata quando você olha o texto somente pelas letras Mas você consegue decodificar aquele sentido porque o seu cérebro Abstrai do posicionamento das letras e chega numa outra dimensão um outro hiperplano que o hiperplano do sentido a gente faz isso nosso cérebro é realmente uma máquina de fazer isso a gente cria a distrações a gente vai até diferentes hiperplanos para fazer processamento de informação e para fazer Abstrações In predições Da gente realmente percebe que nesse sentido o Deep Lane tem muito a ver com o nosso processamento cerebral um exemplo que eu gosto de dar para transformar esse conceito um pouquinho também mais palpável seria realmente quando você se pergunta o que que é um garfo como que eu consigo E como que eu consigo descrever um da Existem várias formas de garfo né a gente verem nessa ilustração que existem vários garfos de diferentes tipos de diferentes materiais qual que é uma Fit a que você pode colocar como sendo essencial para a classificação de um garfo como um garfo é meio difícil da gente da gente descrever essa fitinha né E talvez o gasto é três pontas Porém tem garfo com duas pontas que é considerado o garfo que a gente sabe incentivar mente que gasta garfo mesmo eu tendo duas pontas ou três pontas Mesmo ele sendo de madeira mesmo e sem de algum outro material então o que que é que nos faz classificar corretamente garfo como o garfo e por exemplo diferenciar um garfo de um tricô como a gente vê nas imagens a direita duas imagens de tridente o tridente tem um formato semelhante ao garfo mas assim o que que faz o é diferente do garfo Será que ele tamanho no tridente talvez não porque se a gente colocar uma foto de um tridente de um garfo e não colocar uma referência de tamanho a gente consegue ainda assim identificar o que que é um tridente o que que é um garfo como que a gente consegue fazer essa diferenciação que a gente Abstrai do conceito do formato de garfo e a gente vai para o outro plano semântico a gente vai para um outro hiperplano que seria a função que aquele garfo tem que não está necessariamente transmitida dentro do formato do garrafa mas a gente sabe que é um garfo porque a gente usa ele para se alimentar a gente usa ele para comer e um tridente a gente não pode usar ele para comer outro daí a gente pode usar e para algumas outras coisas como para a guerra ou para simbolizar que você é um o Deus dos oceanos mas você não pode usar um presente para comer então a gente entende essa abstração a partir desse exemplo do garfo a gente sabe que é um garfo porque a gente e o garfo para comer então é isso que o Deep Lane vai conseguir fazer ele vai conseguir passar para outros hiperplanos consegui transformar a avaliação daqueles dados de uma forma muito mais abstrata do que modelos que são considerados como rádios um exemplo parecido dessa distração a gente pode lembrar de um exemplo parecido dessa abstração que seria o truque do Kernel dentro do svm na aula de sbm a gente introduziu para vocês o conceito de Kernel que seria você pegar aqueles dados transformá-los de forma matematicamente do jeito que você sabe como ele estão sendo transformados EA partir daquela transformação você modificar a distribuição deles e transformar um problema que não era linear em um problema de resolução linear o Kernel é um tipo de abstração porém o Deep Lane é uma distração muito mais poderosa e ao invés da gente modificar os dados para depois fazer essa classificação o que o Deep Lane vai fazer ele vai fazer uma modificação no plano no qual aqueles dados estão