Redes neurais são sistemas de computação com nós interconectados que funcionam como os neurônios do cérebro humano. Usando algoritmos, elas podem reconhecer padrões escondidos e correlações em dados brutos, agrupá-los e classificá-los, e aprender e melhorar continuamente.
As redes neurais também são idealmente desenvolvidas para ajudar as pessoas a resolver problemas complexos em diversas situações da vida real. Elas podem aprender e modelar relações entre entradas e saídas de dados que são não-lineares e complexos; realizar generalizações e inferências; revelar relacionamentos, padrões e predições ocultas e modelar dados altamente voláteis (como dados de séries temporais financeiras) e variâncias necessárias para prever eventos raros (como detecção de fraudes).
Existem tipos diferentes de redes neurais profundas – e cada um deles possui vantagens e desvantagens, dependendo do uso. Exemplos incluem:
• Redes neurais convolucionais;
• Redes neurais recorrente;
• Redes neurais feedforward;
• Redes neurais autoencoder;
Uma rede neural simples inclui uma camada de entrada, outra de saída (ou alvo) e, entre elas, uma camada oculta. As camadas são conectadas através de nós e essas conexões formam uma "rede" – a rede neural – de nós interconectados.
Conforme o número de camadas ocultas dentro de uma rede neural aumenta, redes neurais profundas são formadas. Arquiteturas de deep learning learning levam redes neurais simples a outro nível. Usando essas camadas, cientistas de dados podem construir suas próprias redes de deep learning que possibilitam o machine learning, no qual o computador pode ser treinado para emular tarefas humanas com precisão, como reconhecer fala, identificar imagens ou realizar previsões. Igualmente, o computador pode aprender por si só a reconhecer padrões em muitas camadas de processamento.
