Uma Definição Facilitada

Eu gosto de dividir a definição de Deep Learning em três partes: 

  1. Uma coleção de técnicas de aprendizado estatístico de máquinas
  2. usado para aprender hierarquias de características
  3. muitas vezes baseada em redes neurais artificiais

É isso aí. Afinal, não é tão assustador, né? 

Ciência de dados e visibilidade social: como funciona? 

Qual é a sua importância? 

Primeiro, falaremos um pouco sobre o aprendizado profundo no contexto da busca de 2013, que foi realizada no Kaggle, para salvar as baleias. 

O jogo faz a seguinte pergunta a seus jogadores: dado um conjunto de clipes de som de 2 segundos de bóias no oceano, você pode classificar cada clip de som como tendo uma chamada de uma baleia franca do Atlântico Norte ou não? 

A aplicação prática da competição é que se pudermos detectar para onde as baleias estão migrando pegando suas chamadas, podemos encaminhar o tráfego marítimo para evitá-las, o que é positivo tanto para o transporte efetivo quanto para a preservação da baleia.

Em uma entrevista pós-competição, os vencedores do concurso notaram o valor de focar na geração de recursos, também chamada de engenharia de recursos. 

Os cientistas de dados gastam uma parte significativa de seu tempo, esforço e criatividade trabalhando em engenharia de boas características; em contraste, eles gastam relativamente pouco tempo rodando algoritmos de aprendizagem de máquinas. 

Um exemplo simples de um recurso de engenharia envolveria a subtração de duas colunas e a inclusão deste novo número como um descritor adicional de seus dados. No caso das baleias, a equipe vencedora representou cada clipe sonoro em sua forma de espectrograma e construiu recursos com base no quão bem o espectrograma combinava com alguns exemplos de modelos. 

Depois disso, eles iteraram novos recursos que os ajudariam a classificar corretamente os exemplos que se enganaram através do uso de um conjunto anterior de recursos.

Isto não quer dizer que “aprendizagem profunda” e “aprendizagem não supervisionada” são necessariamente o mesmo conceito. Existem técnicas de aprendizagem não supervisionada que não têm nada a ver com redes neurais e você pode certamente usar redes neurais para tarefas de aprendizagem supervisionada. 

O que se percebe é que o aprendizado profundo se sobressai em tarefas onde a unidade básica, um único pixel, uma única frequência ou uma única palavra tem muito pouco significado em si, mas a combinação de tais unidades têm um significado útil. Ela pode aprender estas combinações úteis de valores sem qualquer intervenção humana. O exemplo canônico usado ao discutir a capacidade do aprendizado profundo de aprender com os dados é o conjunto de dados MNIST de dígitos escritos à mão. 

Confira o nosso tutorial de Data Science para iniciantes aqui! 

Published On: novembro 12th, 2021 / Categories: Uncategorized /

Aprenda a conseguir trabalho

Se inscreva para receber acesso gratuito ao módulo Conseguindo Trabalho!

Obrigado por se inscrever!
Houve um erro ao enviar sua inscrição. Tente novamente mais tarde.

Ao acessar, você concorda em receber nossos comunicados.