O aprendizado profundo é um tipo de machine learning que usa redes neurais artificiais para aprender com os dados, de maneira semelhante ao nosso aprendizado. As redes neurais artificiais são inspiradas no cérebro humano e podem ser usadas para resolver uma grande variedade de problemas, incluindo reconhecimento de imagens, processamento de linguagem natural e reconhecimento de fala.
Clientes novos ganham até US$ 300 em créditos para testar a Vertex AI e outros produtos do Google Cloud.
Os algoritmos de aprendizado profundo geralmente são treinados em grandes conjuntos de dados rotulados. Eles aprendem a associar atributos nos dados aos rótulos corretos. Por exemplo, em uma tarefa de reconhecimento de imagem, o algoritmo pode aprender a associar determinados recursos de uma imagem (como a forma ou a cor de um objeto) com o rótulo correto (como "cachorro" ou "gato").
Depois que um algoritmo de aprendizado profundo é treinado, ele pode classificar com precisão novos dados com base nos padrões que aprendeu.
O aprendizado profundo usa redes neurais artificiais para aprender com os dados. As redes neurais são compostas por camadas de nós interconectados. Cada nó é responsável por aprender um atributo específico dos dados. Com base no exemplo com imagens anterior: em uma rede de reconhecimento de imagens, a primeira camada de nós pode aprender a identificar bordas, a segunda camada pode aprender a identificar formas e a terceira camada pode aprender a identificar objetos.
Conforme a rede aprende, os pesos nas conexões entre os nós são ajustados para que ela possa classificar melhor os dados. Esses ajustes são feitos com base na performance da rede nos dados de treinamento, geralmente usando técnicas como backpropagation. Esse processo é chamado de treinamento e pode ser realizado com várias técnicas, como aprendizado supervisionado, não supervisionado e por reforço.
Tanto o aprendizado profundo quanto o machine learning são ramos da inteligência artificial, mas machine learning é um termo mais amplo que abrange várias técnicas, incluindo o aprendizado profundo. É possível treinar o machine learning e os algoritmos de aprendizado profundo usando dados com ou sem rótulos, dependendo da tarefa e do algoritmo.
O machine learning e o aprendizado profundo se aplicam a tarefas como reconhecimento de imagem, de fala e de processamento de linguagem natural. Porém, o aprendizado profundo muitas vezes supera o machine learning tradicional em tarefas complexas de reconhecimento de padrões, como a classificação de imagens e a detecção de objetos devido a capacidade de aprender representações hierárquicas de dados.
O aprendizado profundo pode ser usado em uma ampla variedade de aplicativos, incluindo:
Há muitos tipos diferentes de modelos de aprendizado profundo. Alguns dos tipos mais comuns incluem:
As CNNs são usadas para o reconhecimento e processamento de imagens. Elas são adequadas para identificar objetos em imagens, mesmo quando esses objetos estão parcialmente obscurecidos ou distorcidos.
O aprendizado por reforço profundo é usado na robótica e nos jogos. Trata-se de tipo de machine learning que permite que um agente aprenda como se comportar em um ambiente interagindo com ele e recebendo recompensas ou punições.
As RNNs são usadas para processamento de linguagem natural e reconhecimento de fala. Elas são adequadas para entender o contexto de uma sentença ou frase e podem ser usados para gerar texto ou traduzir idiomas.
O uso de modelos de aprendizado profundo tem vários benefícios, incluindo os seguintes:
O aprendizado profundo também tem vários possíveis desafios, incluindo:
Comece a criar no Google Cloud com US$ 300 em créditos e mais de 20 produtos do programa Sempre gratuito.