Rede neural, um programa de computador que opera de uma maneira inspirada na rede neural natural do cérebro. O objetivo dessas redes neurais artificiais é desempenhar funções cognitivas como resolução de problemas e aprendizado de máquina. A base teórica das redes neurais foi desenvolvida em 1943 pelo neurofisiologista Warren McCulloch da Universidade de Illinois e pelo matemático Walter Pitts da Universidade de Chicago. Em 1954, Belmont Farley e Wesley Clark, do Massachusetts Institute of Technology, conseguiram administrar a primeira rede neural simples. O principal apelo das redes neurais é a capacidade de imitar as habilidades de reconhecimento de padrões do cérebro. Entre as aplicações comerciais dessa capacidade, as redes neurais têm sido usadas para tomar decisões de investimento, reconhecer a caligrafia e até detectar bombas.
teoria dos autômatos: redes neurais e autômatos
Parte da teoria dos autômatos situada na área de puro estudo matemático é frequentemente baseada no modelo de uma porção do sistema nervoso em
Uma característica distintiva das redes neurais é que o conhecimento de seu domínio é distribuído por toda a rede em vez de ser explicitamente escrito no programa. Esse conhecimento é modelado como as conexões entre os elementos de processamento (neurônios artificiais) e os pesos adaptativos de cada uma dessas conexões. A rede aprende através da exposição a várias situações. As redes neurais são capazes de fazer isso ajustando o peso das conexões entre os neurônios comunicantes agrupados em camadas, conforme mostrado na figura de uma rede simples de avanço. A camada de entrada dos neurônios artificiais recebe informações do ambiente e a camada de saída comunica a resposta; entre essas camadas, pode haver uma ou mais camadas "ocultas" (sem contato direto com o ambiente), onde a maior parte do processamento de informações ocorre. A saída de uma rede neural depende dos pesos das conexões entre os neurônios em diferentes camadas. Cada peso indica a importância relativa de uma conexão específica. Se o total de todas as entradas ponderadas recebidas por um neurônio em particular ultrapassar um determinado valor limiar, o neurônio enviará um sinal para cada neurônio ao qual está conectado na próxima camada. No processamento de pedidos de empréstimo, por exemplo, as entradas podem representar dados do perfil do solicitante de empréstimo e a saída da concessão de um empréstimo.
Duas modificações dessa rede neural simples de avanço de conta são responsáveis pelo crescimento de aplicativos, como o reconhecimento facial. Primeiro, uma rede pode ser equipada com um mecanismo de feedback, conhecido como algoritmo de retropropagação, que permite ajustar os pesos de conexão de volta através da rede, treinando-a em resposta a exemplos representativos. Segundo, redes neurais recorrentes podem ser desenvolvidas, envolvendo sinais que procedem em ambas as direções, bem como dentro e entre camadas, e essas redes são capazes de padrões de associação muito mais complicados. (De fato, para redes grandes, pode ser extremamente difícil acompanhar exatamente como uma saída foi determinada.)
O treinamento de redes neurais geralmente envolve aprendizado supervisionado, onde cada exemplo de treinamento contém os valores dos dados de entrada e da saída desejada. Assim que a rede conseguir ter um desempenho suficiente em casos de teste adicionais, ela poderá ser aplicada aos novos casos. Por exemplo, pesquisadores da Universidade da Colúmbia Britânica treinaram uma rede neural com dados de temperatura e pressão do tropical Oceano Pacífico e da América do Norte para prever futuros padrões climáticos globais.
Por outro lado, certas redes neurais são treinadas por meio de aprendizado não supervisionado, no qual uma rede é apresentada com uma coleção de dados de entrada e recebe o objetivo de descobrir padrões - sem saber o que procurar especificamente. Essa rede neural pode ser usada na mineração de dados, por exemplo, para descobrir grupos de clientes em um data warehouse de marketing.
As redes neurais estão na vanguarda da computação cognitiva, cujo objetivo é fazer com que a tecnologia da informação execute algumas das funções mentais humanas mais avançadas. Os sistemas de aprendizado profundo são baseados em redes neurais multicamadas e, por exemplo, na capacidade de reconhecimento de fala do assistente móvel da Apple, Siri. Combinado com o crescente poder computacional e os agregados massivos de big data, as redes neurais de aprendizado profundo influenciam a distribuição do trabalho entre as pessoas. e máquinas.
