Jones Granatyr

Inteligência artificial, machine learning (aprendizado de máquina), redes neurais (artificial neural networks) e deep learning (aprendizagem profunda): estes talvez sejam os temos mais comuns dentro da área da Inteligência Artificial. 

Porém, você sabe o que significa cada um deles? Essa é uma pergunta recorrente de quem está começando a estudar essa área. Portanto, o objetivo deste artigo é apresentar as diferenças entre esses termos e, principalmente, entre machine learning e deep learning de maneira rápida e simples.

O que é Inteligência Artificial?

Em resumo, inteligência artificial é a área responsável pela criação de aplicações inteligentes que simulem a capacidade humana. E, neste contexto, é importante entender que a inteligência artificial é a área “macro” dos outros termos, ou seja, tanto machine learning quanto deep learning fazem parte da inteligência artificial.

Deep Learning com Python de A a Z – O Curso Completo

Last Updated August 2022

Highest Rated
  • 135 lectures
  • All Levels
4.8 (2,069)

Redes neurais artificiais, convolucionais, recorrentes, mapas auto organizáveis, boltzmann machines, autoencoders e GANs | By Jones Granatyr, IA Expert Academy

Explore Course

Para que a criação de sistemas inteligentes seja possível, são necessárias várias técnicas que abrangem artifícios computacionais diferentes, conforme você pode observar na figura abaixo. 

Todos os termos acima fazem parte da inteligência artificial. Por exemplo: sistemas especialistas utilizam o conhecimento de um especialista humano para ajudar na tomada de decisão. 

Por outro lado, algoritmos de otimização usam equações matemáticas para maximizarem ou minimizarem uma variável alvo; por outro lado, o processamento de linguagem natural está ligado a conceder aos computadores uma capacidade de entendimento da linguagem tanto escrita quanto falada. 

Desvendando o Machine Learning

Note que, na figura acima, existe o termo machine learning (aprendizagem de máquina). Conforme comentado anteriormente, ele também faz parte da inteligência artificial e está relacionado a ato de fazer com que o computador aprenda por meio de treinamento, utilizando bases de dados históricas. 

Para saber mais sobre machine learning, leia este artigo. 

Para que os computadores consigam aprender, são necessários algoritmos específicos que analisam uma base de dados histórica e procuram extrair algum tipo de informação dela. De modo que, posteriormente, eles consigam fazer uma classificação ou previsão para o futuro. 

Por exemplo, baseado nos dados históricos sobre transações financeiras de um determinado cliente, um banco pode decidir sobre conceder ou não conceder empréstimo a um potencial cliente.

Existem uma gama de algoritmos e cada um deles possui propriedades matemáticas diferentes. Por exemplo, o algoritmo Naïve Bayes é baseado em probabilidade e estatística; algoritmos baseados em instâncias realizam cálculos de distância; árvores de decisão utilizam cálculos de ganho de informação; e por aí vai. 

A figura abaixo mostra uma visão geral dos principais algoritmos que são usados em machine learning.

Redes neurais artificiais

Note na imagem que um dos algoritmos são as redes neurais artificiais, que aprendem por meio da simulação da comunicação entre os neurônios do cérebro humano. 

As primeiras ideias sobre o assunto surgiram na década de 1950, porém, as redes neurais foram deixadas de lado por muitos anos devido à baixa capacidade computacional na época. Ou seja, não existiam recursos de hardware disponíveis para executá-las. 

Esse cenário começou a mudar por volta dos anos 90, quando o avanço tecnológico em hardware se tornou mais evidente e as redes neurais começaram a ganhar mais espaço dentro da inteligência artificial.

Na imagem abaixo você pode observar a clássica representação das redes neurais biológicas que existem em nosso cérebro humano, na qual existem vários neurônios conectados entre si. 

Cada neurônio possui alguns componentes que são responsáveis por funções específicas. Por exemplo, a informação chega pelos dendritos, é processada pelo corpo celular, trafega pelo axônio e finalmente é enviada para outros neurônios por meio dos terminais do axônio.

Na imagem a seguir, você pode observar a representação computacional de duas redes neurais. 

A primeira camada (em amarelo) é chamada de camada de entrada (representando os dendritos), que é por onde a informação do ambiente externo será receptada. Por exemplo, no cenário de previsão do risco de crédito em um banco, poderíamos considerar algumas informações do cliente, como o histórico de crédito e as garantias que possui para pagar uma dívida (veículos ou imóveis, por exemplo). 

A última camada da rede neural (camada de saída, em vermelho) é o local onde teremos a resposta final, ou seja, se o banco irá ou não conceder empréstimo para o cliente. 

Na rede neural da esquerda temos somente a camada de entrada e a camada de saída, porém, na rede neural da direita temos uma camada escondida (em verde), juntamente com a conexão entre todos os neurônios. 

O objetivo básico de uma rede neural é encontrar uma relação entre a camada de entrada e a camada de saída, sendo que vários cálculos matemáticos são realizados para chegar no resultado final. A adição de uma camada oculta pode ajudar a encontrar essa relação.

Deep Learning ou “Redes Neurais Profundas”

Agora que você conhece a estrutura básica das redes neurais artificiais e o contexto de machine learning, é hora de entender o que é Deep Learning ou redes neurais profundas. 

Basicamente, uma rede neural profunda existe quando uma rede neural possui mais de uma camada oculta, ou seja, uma rede neural com duas camadas ocultas é chamada de uma rede neural profunda. 

Observe na imagem abaixo que temos uma rede neural com dois neurônios na camada de entrada (em amarelo), duas camadas ocultas com quatro neurônios em cada uma (em verde) e a camada de saída com dois neurônios (em vermelho). 

Note também que existem ligações de todos os neurônios de uma camada com todos os neurônios de outra camada, o que resulta em uma grande quantidade de cálculos matemáticos. 

Conforme explicado anteriormente, os computadores de décadas atrás eram incapazes de processar essa quantidade de informação. Nesse exemplo, temos somente três neurônios na camada de entrada; porém, para problemas do mundo real e complexos, teremos uma quantidade muito maior. 

Por exemplo, se trabalharmos com detecção de objetos, as entradas da rede neural serão equivalentes ao número de pixels existentes em uma imagem. Uma foto com resolução Full HD (1920 x 1080) terá 2.073.600 entradas!

Onde o Deep Learning é aplicado?

As aplicações mais complexas de inteligência artificial, como a descoberta de novos medicamentos, reconhecimento facial, detecção de objetos, carros autônomos, dentre vários outros, são majoritariamente desenvolvidas utilizando redes neurais com muitas camadas ou, em outras palavras, redes neurais profundas.

Assim que as redes neurais começaram a ser exploradas por sua capacidade de resolver problemas complexos, ficou evidente que sua forma mais básica (conforme as imagens acima) não atendiam a todas as possíveis necessidades. Por isso, pesquisadores da área começaram a desenvolver novas ideias e arquiteturas de redes neurais. 

As mais comuns e utilizadas para a maioria das aplicações comerciais são as redes neurais artificiais clássicas, as redes neurais convolucionais e as redes neurais recorrentes. 

Porém, conforme imagem abaixo; você pode observar que existe uma diversidade muito grande de arquiteturas que podem ser utilizadas pelos desenvolvedores. Cada um desses tipos de redes neurais possuem funções diferentes e eles podem ser aplicados na resolução de diferentes tipos de problemas.

Conclusão

Este artigo apresenta brevemente uma introdução sobre algumas das principais terminologias dentro da área da inteligência artificial: machine learning vs. deep learning.

Uma reflexão muito importante sobre o assunto é de que a inteligência artificial é uma área muito abrangente, que possui uma variedade muito grande de técnicas. 

Contudo, machine learning faz parte da inteligência artificial como uma subárea, enquanto deep learning faz parte de machine learning — também como uma subárea — e envolve a exploração de redes neurais mais complexas que são utilizadas para resolverem problemas complexos do mundo real.

Page Last Updated: October 2020

Principais cursos em Aprendizado profundo

Deep Learning com Python de A a Z - O Curso Completo
Jones Granatyr, IA Expert Academy
4.8 (2,069)
Classificação mais alta
Recommender Systems and Deep Learning in Python
Lazy Programmer Inc.
4.5 (3,803)
Mais vendidos
Tensorflow 2.0: Deep Learning and Artificial Intelligence
Lazy Programmer Inc., Lazy Programmer Team
4.7 (7,498)
PyTorch for Deep Learning and Computer Vision
Rayan Slim, Jad Slim, Amer Sharaf, Sarmad Tanveer
4.7 (1,765)
Deep Learning A-Z™: Hands-On Artificial Neural Networks
Kirill Eremenko, Hadelin de Ponteves, Ligency I Team, Ligency Team
4.6 (40,853)
Mais vendidos

More Aprendizado profundo Courses

Os alunos de Aprendizado profundo também aprendem

Empower your team. Lead the industry.

Get a subscription to a library of online courses and digital learning tools for your organization with Udemy for Business.

Request a demo

Courses by Jones Granatyr

Machine Learning e Data Science com Weka e Java - Completo
Jones Granatyr, IA Expert Academy
4.7 (793)
Highest Rated
Inteligência Artificial: Algoritmos Inteligentes de Busca
Jones Granatyr, IA Expert Academy
4.8 (257)
Mineração de Emoção em Textos com Python e NLTK
Jones Granatyr, IA Expert Academy
4.3 (937)
Detecção de Faces com Python e OpenCV
Jones Granatyr, IA Expert Academy
4.2 (886)
Detecção de Faces com Java e OpenCV
Jones Granatyr, IA Expert Academy
4.1 (278)
Highest Rated
Mineração de Regras de Associação com Python, Apriori e SQL
Jones Granatyr, IA Expert Academy
4.5 (368)
Mineração de Regras de Associação com Weka, Apriori e Java
Jones Granatyr, IA Expert Academy
4.6 (196)
Highest Rated
Redes Neurais Artificiais em Python
Jones Granatyr, IA Expert Academy
4.6 (2,676)
Highest Rated
Machine Learning e Data Science com Python de A a Z
Jones Granatyr, IA Expert Academy
4.7 (5,638)
Machine Learning e Data Science com R de A a Z
Jones Granatyr, IA Expert Academy
4.7 (1,029)
Inteligência Artificial: Buscas em Textos com Python
Jones Granatyr, IA Expert Academy
4.9 (340)
Algoritmos Inteligentes de Busca com Python
Jones Granatyr, Léo Da Silva, IA Expert Academy
4.9 (112)

Courses by Jones Granatyr