Gravatar

Isabel Gomes

Estuda engenharia de computação na Universidade de São Paulo e gosta muito de atletismo, especialmente arremesso de peso. Busca se tornar uma programadora profissional.

Leia os últimos artigos publicados por Isabel Gomes.



Visão geral de Redes Neurais
Gravatar publicou em

Ciência de Dados

Ideia geral

A ideia do algoritmo de redes neurais surgiu como uma tentativa de imitar o cérebro e sua incrível capacidade de aprender. Apesar de ser uma ideia relativamente antiga (surgiu em torno dos anos 80 - 90), hoje em dia redes neurais são consideradas estado da arte em diversas aplicações.

O algoritmo de redes neurais se baseia na hipótese de que o cérebro possui apenas um algoritmo que consegue aprender todas as funcionalidades do corpo, ou seja, qualquer área de cérebro seria capaz de aprender a ver ou ouvir, se recebesse os estímulos apropriados.

Representação

No cérebro, cada neurônio recebe impulsos nervosos através dos dendritos, realiza um determinado “cálculo” no corpo celular e transmite a resposta através de outro impulso nervoso, utilizando o axônio. O algoritmo de redes neurais copia esse sistema, como mostram as Figuras 1 e 2 abaixo.

     neuronioartificial neurons

Figuras 1 e 2 - representação de um neurônio (à esquerda) e de uma unidade de rede neural (à direita).

Neste tipo de algoritmo, vários "neurônios" são conectados entre si de modo a formar uma rede. Essa rede é formada por 3 tipos de camadas, chamadas de camada de entrada (input), camada de saída (output) e camadas ocultas (hidden), como mostrado na Figura 3 abaixo.

network

Figura 3 - representação de uma rede neural.

A camada de entrada recebe os dados de entrada e o valor final é gerado na camada de saída. As camadas chamadas ocultas fazem cálculos intermediários que auxiliam a rede a encontrar os valores finais. Em redes mais complexas, pode-se utilizar várias camadas ocultas entre a camada de entrada e saída. Os valores dos neurônios em cada uma das camadas irá depender da quantidade de dados de entrada e do tipo de problema a ser resolvido. Por exemplo, se o algoritmo foi projetado para determinar se um paciente é ou não portador de uma determinada doença, tem-se como entrada os dados relevantes deste paciente e como saída apenas um valor, ou seja, um único neurônio na camada de saída.

Continue a ler...









Curso de Aprendizado de Máquina no Coursera
Gravatar publicou em

Ciência de Dados

Recentemente, eu decidi realizar o curso online de Aprendizado de Máquina do Coursera. Neste artigo, eu vou explicar um pouco sobre a estrutura geral do curso e os assuntos que ele cobre.

Objetivo do curso

O curso de Aprendizado de Máquina do Coursera é ministrado por Andrew Ng, co-fundador do Coursera e diretor do laboratório de Inteligência artificial de Stanford.

O curso tem como objetivo ensinar alguns algoritmos para resolução de problemas usando a inteligência artificial, assim como a intuição por trás destes algoritmos.

Metodologia

O curso é dividido em 10 aulas sobre variados algoritmos de Aprendizado de Máquina. Cada aula é composta por:

  • Vídeos: explicam o funcionamento do algoritmo e sua aplicação e apresentam diversos exemplos reais;
  • Testes objetivos: testam o aprendizado do aluno sobre os assuntos explicados nos vídeos;
  • Exercícios programa: aplicam de maneira direta os conceitos estudados na aula e auxiliam sua compreensão.

Algoritmos

Os algoritmos ensinados durante o curso podem ser divididos nas seguintes categorias:

  1. Aprendizado supervisionado
  2. Aprendizado não supervisionado

O aprendizado supervisionado refere-se a algoritmos que tentam prever uma saída dado como entrada um conjunto de dados. Nesses casos, para ensinar o algoritmo, é necessário uma base de dados com as entradas e as saídas corretas. Este modelo de aprendizado se divide em duas subcategorias:

  • Regressão: neste caso, as saídas do algoritmo são valores contínuos, ou seja, podem assumir uma quantidade infinita de valores. Por exemplo, a determinação do preço de venda de uma casa a partir de algumas informações sobre ela, tais como número de quartos e tamanho, é considerado um problema de regressão.
  • Classificação: as saídas de algoritmos desta subcategoria são valores discretos, contidos dentro de um subconjunto definido. Por exemplo, um algoritmo que decide se um email é um spam ou não gera uma saída 0 ou 1 e, portanto, pode ser considerado de classificação.

O aprendizado não supervisionado refere-se a algoritmos que tentam agrupar dados em conjuntos que tenham determinadas semelhanças entre si. Por exemplo, pode-se usar este tipo de algoritmos para agrupar pessoas que tenham características comuns em uma rede social.

Neste curso, os principais algoritmos de aprendizado supervisionado ensinados são  Regressão Linear, Regressão Logística, Redes Neurais e Support Vector Machine. Já os algoritmos de aprendizado não supervisionado abordados são K-Means, Detecção de Anomalias e Sistemas de Recomendação.











Leia mais sobre: