Afinal, o que é Deep learning?

Esse post tem como base minha palestra na trilha de mulheres para o TDC de 2019, onde apresentei para as meninas o conceito de Deep learning e as áreas de aplicação.

Todos nós aprendemos constantemente, ninguém nasce sabendo de tudo, e tudo o que sabemos vem dos acontecimentos e oque nos é ensinado dia a dia. E isso vale para as máquinas também, elas aprendem constantemente, através de várias técnicas e uma dessas técnicas é chamada "Deep learning" ou "Aprendizado constante" e eu vou apresentar à vocês hoje. Quando falamos em Inteligência Artificial logo vem na nossa cabeça super máquinas que podem destruir o mundo ou até máquinas que nem a Rosie, do desenho “Os Jetsons”.

Mas Inteligência artificial é bem mais complicada do que isso, ela é divida em vários ramos, como "visão computacional", "Processamento de linguagem natural", "aprendizado de máquina", "aprendizado constante", "robôs" e por aí vai. Em cada ramo existe sua complexidade e sua forma de processar.

Antes de falarmos sobre Deep learning, precisamos entender Machine learning ou Aprendizado de máquina.

Machine learning ou Aprendizado de máquina é um ramo da inteligência artificial que usa algoritmos para coletar dados, aprender com eles através de modelos e então fazer uma predição sobre algum problema, sem ser explicitamente programado.

Aprendizado supervisionado:

os dados usados nesse aprendizado precisam ser rotulados, ou seja, teoricamente tem um professor que ensina para a sua máquina para qual classe pertence seu dado. Ele é aplicado em 2 problemas: Classificação e Regressão.

Aprendizado não supervisionado:

os dados usados nesse aprendizado não são rotulados, ou seja, a máquina precisa aprender por si só os padrões dos dados. Ele é aplicado em problemas de clusterização e hierarquização.

Aprendizado por reforço:

O algoritmo realiza um feedback sobre os resultados obtidos, atribuindo pontuações positivas à resultados considerados corretos e penalizando os incorretos, e com isso ele vai ajustando o comportamento para encontrar um melhor resultado.

---

Mas o que seria Deep learning?

Deep learning é um sub-campo dentro do machine learning que imita o funcionamento da rede neural biológica de nós seres humanos. Onde ela recebe uma entrada de dados, processa e realiza uma série de cálculos e em seguida devolve uma saída.

Machine learning X Deep learning

Quantidade imensa de dados:

algoritmos de deep learning conseguem processar quantidade de dados maiores que os algoritmos simples de machine learning, e seu desempenho com grande volume de dados é bem melhor.

---

Poder computacional (GPU):

O deep learning devido a capacidade de processar um grande volume de dados depende de um poder computacional maior que os de algorítmos de machine learning.

---

Flexibilidade na estrutura das redes neurais:

dependendo do problema que você precisa solucionar as redes neurais vão se adaptando.

---

Arquitetura em camadas

Algoritmos de deep learning possuem arquitetura em camadas, ela pode variar conforme o problema que você precisa solucionar, mas basicamente existem 3 camadas principais no deep learning.

Camada de entrada:

é responsável pela entrada dos dados.

Camada oculta:

aceita informação(dado e peso), processa e retorna para outras camadas o resultado da função de ativação

Camada de saída:

soma a saída de todos os nós e retorna o resultado da classificação.

Como aplicar deep learning no meu projeto?

Estes são só alguns exemplos de bibliotecas e frameworks que podemos implementar o deep learning nas linguagens python e java.

Linguagem: Python

• Keras
• TensorFlow
• Pytorch
• Theano
• Caffe

Linguagem: Java

• DeepLearning4j

Onde pode ser aplicada?

• Visão computacional
• Reconhecimento de fala
• Área da saúde
• Sistemas de recomendação
• Detecção de fraudes
• Assistentes virtuais

Quando usar Deep learning?

Deep learning depois de um tempo parece as mil maravilhas, mas nem sempre ele precisa ser aplicado nos projetos, portanto eu uso ele:

• Quando os dados forem muito grandes.
• Quando meus recursos são muito complexos e difíceis de serem entendíveis.
• Quando eu tiver uma infraestrutura boa.
• Quando tenho problemas complexos (classificação de imagens e reconhecimento de fala).

Por hoje é isso pessoal!! Tem mais informações na minha apresentação, espero que tenho ficado bem claro para vocês o que é deep learning, qual a diferença dele dos algoritmos simples de machine learning, onde aplicar e quando aplicar o deep learning. Esse artigo foi bem mais introdutório para vocês conhecerem um pouco sobre deep learning, mas caso queiram eu posso fazer un artigo sobre os tipos de arquiteturas e como funciona o processamento de dados.