do neurônio artificial às camadas que aprendem representações

Escrito por Sophia Oliveira Alves

Ideia central: uma rede neural é uma estrutura matemática formada por unidades simples de cálculo, organizadas em camadas. Ela recebe dados numéricos, transforma esses dados passo a passo, compara sua previsão com uma resposta esperada e ajusta suas conexões internas para reduzir o erro. Assim, em vez de seguir apenas uma regra fixa, a rede aprende padrões a partir dos exemplos.

Tópicos abordados

• Do neurônio artificial à rede neural;
• Camadas, pesos e funções de ativação;
• Representações intermediárias e não linearidade;
• Propagação direta, erro e aprendizado;
• Gradiente descendente e backpropagation;
• Overfitting, limites e generalização;
• Aplicações e conclusão.

1. Do neurônio artificial à rede neural

Antes de falar sobre redes neurais completas, vale começar pelo neurônio artificial. Ele recebe entradas numéricas, atribui um peso a cada uma delas, soma esses valores com um viés e produz uma saída. Essa ideia simples permite que um modelo tome decisões com base em dados.

O Perceptron é um dos exemplos clássicos dessa estrutura. Ele mostra que uma máquina pode ajustar pesos a partir dos erros cometidos e, com isso, aprender uma regra de decisão. Sua limitação, porém, é lidar bem apenas com problemas que podem ser separados por uma fronteira linear.

Muitos problemas reais não possuem uma separação tão simples. Imagens, sons, textos, diagnósticos e previsões envolvem relações mais complexas entre os dados. Redes neurais surgem justamente como uma ampliação dessa ideia: em vez de usar apenas uma unidade de decisão, conectamos várias unidades em camadas.

Podemos imaginar a rede como um sistema de filtros matemáticos. A informação entra como uma lista de números e atravessa sucessivas
camadas até se tornar uma previsão, classificação ou decisão.

2. Camadas, pesos e funções de ativação

Cada neurônio artificial realiza uma operação simples: recebe valores de entrada, multiplica cada um por um peso, soma tudo com um viés e aplica uma função de ativação. A primeira parte desse processo é a soma ponderada:

Nessa expressão $x_1, x_2, … , x_n$ são as entradas $w_1, w_2, … , w_n$, são os pesos e b é o viés. O valor z representa o sinal bruto calculado pelo neurônio.
Depois disso, aplica-se uma função:

a = f(z)

O valor a é chamado de ativação e representa a informação enviada para os próximos neurônios da rede. As funções de ativação são importantes porque introduzem não linearidade. Sem elas, várias camadas empilhadas continuariam se comportando como uma única transformação linear, limitando muito a capacidade da rede. Algumas funções comuns são:

• Função degrau: retorna 0 ou 1.
• Sigmoid: transforma valores em números entre 0 e 1.
• Tanh: transforma valores em números entre −1 e 1.
• ReLU: zera valores negativos e mantém valores positivos:

Ex.: $ReLU(z) = max(0, z$)

3. Representações intermediárias e não linearidade

Uma rede neural é formada por três tipos principais de camada: a entrada, que recebe os dados numéricos; as camadas ocultas, que transformam esses dados em sinais intermediários; e a saída, que produz a previsão final.

Como visto em Machine Learning, um modelo não recebe o mundo real diretamente, mas uma representação numérica dele. Nas redes neurais, essa representação é transformada em novas combinações internas.

Por exemplo, para prever o desempenho de um estudante, a entrada poderia incluir horas de estudo, questões resolvidas, sono e nota anterior. As camadas ocultas combinariam esses dados: um neurônio poderia reagir a muitas horas de estudo e questões resolvidas, enquanto outro captaria a relação entre pouco sono e queda de desempenho. Assim, a rede cria combinações mais úteis do que os dados isolados.

Redes neurais lidam melhor com problemas não lineares porque conseguem criar combinações mais complexas. Um único neurônio tende a separar os dados de forma simples, como uma única linha. Já uma rede com camadas ocultas combina vários neurônios e consegue formar separações mais flexíveis, adaptando-se melhor a padrões difíceis.

Um exemplo clássico é o XOR. Ele recebe duas entradas binárias e retorna 1
quando elas são diferentes:

x1	x2	Saída esperada
0	0	0
0	1	1
1	0	1
1	1	0

Se desenharmos esses pontos em um plano, não existe uma única reta capaz de separar corretamente as saídas 0 e 1. O problema exige uma combinação de fronteiras, algo que uma rede com camadas ocultas consegue construir melhor.

4. Propagação direta, erro e aprendizado

Quando uma entrada atravessa a rede, ocorre a forward propagation, ou propagação direta. Esse é o caminho da informação desde a camada de entrada até a camada de saída. A entrada inicial pode ser representada por:

Em cada camada l, a rede calcula:

Depois, aplica uma função de ativação:

Nessa notação, $W^{(l)}$ representa a matriz de pesos da camada,
$b^{(l)}$ representa os vieses e $a^{(l)}$ representa as ativações produzidas.

Ao chegar à última camada, a rede produz uma saída. Porém, produzir uma previsão ainda não significa aprender. Para aprender, a rede precisa comparar sua resposta com o valor esperado.

Essa diferença é medida por uma função de perda. Se o problema for prever um valornumérico, uma forma simples de pensar no erro é:

$erro = y −\hat{y}$

Nessa expressão, $y$ é o valor correto, e $\hat{y}$ é o valor previsto pela rede. Em aplicações reais, podem ser usadas funções como erro quadrático médio ou entropia cruzada. O erro, portanto, não é apenas uma falha: ele é a informação que orienta o aprendizado.

5 Gradiente descendente e backpropagation

Saber que a rede errou não basta. Ela precisa descobrir como alterar seus pesos para diminuir o erro. É nesse ponto que entra o gradiente descendente.

Podemos imaginar a função de perda como uma paisagem: pontos mais altos representam maior erro, e pontos mais baixos representam menor erro. O objetivo é caminhar para uma região mais baixa. O gradiente indica a direção em que a perda cresce mais rapidamente. Para diminuí-la, a rede caminha na direção oposta. A atualização geral de um parâmetro pode ser escrita assim:

$\theta \leftarrow \theta – \eta \frac{\partial L}{\partial \theta}$

Aqui, θ representa um peso ou viés, L é a função de perda, $∂L/ ∂θ$ indica como a perda muda quando aquele parâmetro é alterado, e η é a taxa de aprendizado.

Intuição: treinar uma rede neural é como tentar descer uma montanha no escuro. A função de perda indica a altura do erro; o gradiente mostra a inclinação; a taxa de aprendizado define o tamanho do passo.

Em redes com várias camadas, surge uma pergunta essencial: se a saída final está errada, quais pesos contribuíram mais para esse erro?

A resposta está no backpropagation, ou retropropagação do erro. Esse algoritmo calcula como a perda final depende de cada peso da rede, começando pela camada de saída e voltando em direção às anteriores.

De forma intuitiva, ele responde à pergunta:
“Se este peso mudar um pouco, o erro final aumenta ou diminui?”

Se aumentar um peso faz a perda crescer, a atualização tende a reduzi-lo. Se aumentar um peso faz a perda diminuir, a atualização tende a elevá-lo. Esse ajuste ocorre repetidas vezes, em muitos parâmetros ao mesmo tempo.

Backpropagation não é magia: é um método eficiente para calcular a responsabilidade de cada parâmetro no erro final e atualizar os pesos na direção que tende a reduzir a perda.

6. Treinamento, generalização e limites

Uma rede neural não aprende olhando cada exemplo apenas uma vez. Ela passa pelo conjunto de treinamento várias vezes; cada passagem completa é chamada de época. Também é comum dividir os dados em pequenos grupos, chamados batches, para atualizar os parâmetros de forma mais eficiente.
Um ciclo simplificado de treinamento funciona assim:

1. A rede recebe exemplos.
2. Realiza a propagação direta.
3. Compara previsões com respostas esperadas.
4. Calcula a função de perda.
5. Usa backpropagation para calcular gradientes.
6. Atualiza pesos e vieses.
7. Repete o processo por várias épocas.

O aprendizado surge dessa repetição de pequenos ajustes. No entanto, melhorar nos dados de treino não significa necessariamente aprender o problema de forma geral.

Quando a rede se ajusta muito bem aos dados de treino, mas falha em dados novos, ocorre overfitting. É como um estudante que decorou uma lista de exercícios, mas não entendeu o conteúdo: ele vai bem quando as questões se repetem, mas encontra dificuldades diante de problemas diferentes.
Por isso, é comum separar os dados em:

• Teste: usado para avaliar o desempenho em dados não vistos.
• Treino: usado para ajustar os pesos.
• Validação: usado para acompanhar o desenvolvimento do modelo.

Esse elemento interativo mostra como uma rede neural aprende a partir de dados numéricos.

Altere os valores de X1 e X2 e clique em “Passo Forward”: a rede faz uma previsão, multiplicando as entradas por pesos, somando um viés e aplicando uma função de ativação.

Depois, clique em “Passo Backward”: a rede compara a previsão com o resultado esperado e corrige os pesos para reduzir o erro.

O botão “Treinar 100 Épocas” repete esse processo 100 vezes automaticamente. Abaixo, o gráfico mostra a curva de erro durante o treinamento.

Os círculos representam neurônios, as linhas representam conexões, e os números indicam pesos, ativações e gradientes. Ao passar o mouse sobre os neurônios, aparecem os cálculos internos da rede.

7. Aplicações e conclusão

Redes neurais são usadas em áreas como visão computacional, reconhecimento de fala, recomendação de conteúdos, análise de exames e detecção de padrões em grandes conjuntos de dados. Em todos esses casos, a lógica é semelhante: representar o problema numericamente, processar esses dados em camadas, medir o erro e ajustar os parâmetros
para melhorar as previsões.

Apesar de sua força, uma rede neural não possui consciência ou compreensão humana do mundo. Ela transforma entradas numéricas em saídas numéricas por meio de pesos, vieses, ativações e ajustes sucessivos. Seu poder está justamente nesse processo: converter
sinais dispersos em representações úteis, transformar representação em previsão e usar o erro como caminho para o aprendizado.