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 ao perceptron;
- O perceptron e suas limitações: linearidade e XOR;
- Das limitações do perceptron às redes neurais;
- Erro e aprendizado;
- Gradiente descendente e backpropagation;
- Overfitting, limites e generalização;
- Aplicações e conclusão.
1. Do neurônio artificial ao perceptron
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 modelos mais simples de neurônio artificial, desenvolvido para realizar classificações binárias, ou seja, distinguir entre duas categorias, geralmente representadas por 0 e 1. Para isso, utiliza uma função de ativação chamada função degrau, que determina a saída a partir do resultado da soma ponderada. Durante o treinamento, seus pesos e seu viés podem ser ajustados com base nos erros cometidos, permitindo que o modelo aprenda uma regra de decisão. Entretanto, um único perceptron possui uma limitação importante: ele só consegue separar dados por meio de uma fronteira de decisão linear, como uma reta no caso de duas entradas. Mais adiante, veremos matematicamente por que isso acontece.

2. O perceptron e suas limitações: linearidade e XOR
Como vimos, o perceptron recebe entradas numéricas e combina essas informações para produzir uma decisão. A primeira parte desse processo é a soma ponderada: cada entrada é multiplicada por um peso, e os resultados são somados a um viés. Matematicamente, essa operação pode ser representada por:
z = w₁x₁ + w₂x₂ + ⋯ + wₙxₙ + b
Nessa expressão, x₁, x₂, …, xₙ são as entradas, w₁, w₂, …, wₙ são os pesos e b é o viés. Os pesos determinam a influência de cada entrada no resultado, enquanto o viés permite ajustar o limite da decisão. Depois dessa soma, o perceptron clássico aplica a função degrau, que transforma o valor calculado em uma saída binária:
y = 1, se z ≥ 0
y = 0, se z < 0
Assim, o perceptron decide a qual das duas categorias uma entrada pertence de acordo com o sinal do resultado obtido.
Por que o perceptron é linear?
Para entender essa característica, vamos considerar um perceptron com apenas duas entradas:
z = w₁x₁ + w₂x₂ + b
Sabemos que a saída depende do sinal de z. Mas o que acontece exatamente no limite entre as classificações 0 e 1?
Esse limite ocorre quando z = 0. Portanto, a fronteira de decisão pode ser representada por:
w₁x₁ + w₂x₂ + b = 0
Reconhece essa expressão? Trata-se da equação de uma reta no plano, desde que pelo menos um dos pesos seja diferente de zero!
Isso significa que um perceptron com duas entradas divide os dados em duas regiões separadas por uma linha reta.
Vamos visualizar isso com um exemplo.
Considere um perceptron com pesos w₁ = 2 e w₂ = 1 e viés b = −3. Substituindo esses valores na equação da fronteira de decisão, temos:
2x₁ + x₂ − 3 = 0
x₂ = −2x₁ + 3
Essa é a equação de uma reta! Todos os pontos acima dela serão classificados como 1, enquanto os pontos abaixo receberão a classificação 0. Os pontos sobre a própria reta também receberão a classificação 1, conforme a regra adotada.
Por exemplo, para as entradas x₁ = 2 e x₂ = 1, o resultado da soma ponderada será:
z = 2 · 2 + 1 − 3 = 2
Como z é positivo, a saída será 1.
Já para x₁ = 0 e x₂ = 1:
z = 2 · 0 + 1 − 3 = −2
Nesse caso, a saída será 0.
Observe que podemos alterar os pesos e o viés para modificar a posição ou a inclinação da fronteira. Entretanto, ela continuará sendo uma reta. É justamente por isso que o perceptron é considerado um classificador linear.
Com três entradas, a fronteira de decisão forma um plano. Em espaços com mais dimensões, ela recebe o nome de hiperplano.
Vale destacar que a função degrau não é, em si, uma função linear. O termo classificador linear se refere à geometria de sua fronteira de decisão.
Essa característica funciona bem quando os dados são linearmente separáveis, isto é, quando uma única reta (ou hiperplano) consegue distinguir corretamente as classes. Entretanto, nem todos os problemas permitem esse tipo de separação.
O problema XOR
Um exemplo clássico de problema não linearmente separável é o XOR (ou exclusivo). 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 representarmos esses pontos em um plano, perceberemos que não existe uma única reta capaz de separar corretamente as saídas 0 e 1. Os pontos de cada classe ocupam posições opostas, de modo que qualquer linha reta deixará pelo menos uma classificação incorreta.
Isso significa que, por mais que ajustemos os pesos e o viés de um único perceptron, ele não conseguirá resolver perfeitamente o problema XOR.
Mas será que podemos superar essa limitação combinando vários neurônios artificiais?
É justamente essa ideia que nos leva às redes neurais multicamadas, capazes de construir representações e fronteiras de decisão mais complexas.
3. Das limitações do perceptron às redes neurais
Como vimos, um único perceptron consegue aprender apenas fronteiras de decisão lineares. Entretanto, muitos problemas reais não possuem uma separação tão simples. Imagens, sons, textos, diagnósticos e previsões envolvem relações mais complexas entre os dados.
Uma maneira de superar essa limitação é combinar vários neurônios artificiais em camadas, formando uma rede neural multicamada. Nessa estrutura, as informações passam por sucessivas transformações, permitindo que o modelo identifique padrões mais complexos.
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.
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.
Representações intermediárias
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.
Essas combinações são chamadas de representações intermediárias, pois correspondem às informações produzidas ao longo do processamento da rede. Cada camada utiliza as ativações da camada anterior para construir novas representações, que serão utilizadas nas etapas seguintes.
O papel das funções de ativação
Entretanto, simplesmente conectar vários neurônios em camadas não é suficiente para superar a limitação do perceptron. Para compreender o motivo, precisamos observar o papel das funções de ativação.
Assim como no perceptron, cada neurônio realiza uma soma ponderada de suas entradas, representada por z. Depois, aplica uma função de ativação:
a = f(z)
O valor a é chamado de ativação e representa a informação enviada para os próximos neurônios da rede. Esse processo de realizar cálculos sucessivos, passando as informações de uma camada para a seguinte até produzir uma previsão, é chamado de propagação direta (forward propagation).
As funções de ativação não lineares são fundamentais porque permitem que a rede represente relações mais complexas entre os dados. Sem elas, várias camadas de transformações lineares empilhadas continuariam equivalentes a uma única transformação desse tipo, limitando muito a capacidade da rede.
Algumas funções comuns são:
- Função degrau: retorna 0 ou 1, dependendo do valor de entrada.
- 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)
Comparação entre funções de ativação
Mova a entrada z e compare as saídas em quatro planos cartesianos com os mesmos eixos e escalas.
A linha tracejada indica o mesmo valor de entrada z nos quatro gráficos. O ponto colorido mostra a saída de cada função. Os eixos usam a mesma escala para permitir comparação direta.
Ao combinar diferentes neurônios em camadas e utilizar funções de ativação não lineares, uma rede neural consegue construir fronteiras de decisão mais flexíveis, adaptando-se a padrões que um único perceptron não conseguiria representar.
É isso que permite, por exemplo, que uma rede com camadas ocultas resolva o problema XOR apresentado anteriormente. Em vez de depender de uma única reta para separar os dados, ela pode combinar diferentes transformações e construir uma separação mais complexa.
Portanto, a principal vantagem das redes neurais não está apenas na quantidade de neurônios, mas na capacidade de combinar representações intermediárias e transformações não lineares para aprender relações mais sofisticadas entre as entradas e as saídas.
4. Erro e aprendizado
Ao chegar à última camada, a rede neural produz uma saída. Porém, produzir uma previsão ainda não significa aprender. Para isso, a rede precisa comparar sua resposta com o valor esperado e identificar o quanto se distanciou do resultado correto.
Imagine, por exemplo, que uma rede neural preveja a nota 6 para um estudante, mas a nota real seja 8. Podemos calcular a diferença entre os valores utilizando:
erro = y − ŷ
Nessa expressão, y é o valor correto e ŷ é o valor previsto pela rede. No exemplo, temos:
erro = 8 − 6 = 2
Isso significa que a previsão ficou dois pontos abaixo da nota real. Entretanto, para orientar o aprendizado, geralmente utilizamos uma função de perda (loss function), que mede o quanto a previsão se distancia do resultado esperado.
Em problemas de previsão numérica, uma possibilidade é utilizar o erro quadrático, que eleva essa diferença ao quadrado:
L = (y − ŷ)²
No exemplo anterior, teríamos:
L = (8 − 6)² = 4
Quanto maior a diferença entre a previsão e o valor correto, maior será a perda. Além disso, elevar o erro ao quadrado evita que diferenças positivas e negativas se anulem. Em aplicações reais, também podem ser utilizadas funções como o erro quadrático médio (MSE) e a entropia cruzada, dependendo do problema.
O erro, portanto, não é apenas uma falha: ele fornece informações que orientam o aprendizado. O desafio agora é descobrir como ajustar os pesos e vieses da rede para reduzir a perda, permitindo que ela produza previsões cada vez melhores.
5. Gradiente descendente e backpropagation
Saber que a rede errou não basta. Ela precisa descobrir como alterar seus pesos para diminuir a perda. É nesse ponto que entra o gradiente descendente.
Podemos imaginar a função de perda como uma paisagem: pontos mais altos representam maior erro, enquanto pontos mais baixos representam menor erro. O objetivo é caminhar para uma região mais baixa.
Para visualizar essa ideia, imagine uma rede simplificada com apenas dois pesos, w₁ e w₂. Podemos representar sua função de perda em um gráfico tridimensional, no qual os dois eixos horizontais correspondem aos pesos e o eixo vertical indica o valor da perda. Cada ponto dessa superfície representa uma combinação de pesos e o erro associado a ela.

Na imagem, as esferas vermelhas representam diferentes combinações de pesos ao longo do treinamento, enquanto as setas indicam a sequência de atualizações realizadas pelo algoritmo. Observe que, à medida que os pesos são ajustados, os pontos se aproximam do fundo da superfície, onde a função de perda apresenta valores menores.
Mas como descobrir em qual direção devemos caminhar para reduzir o erro? É aqui que entram as derivadas.
Na matemática, uma derivada indica como o valor de uma função varia quando modificamos sua entrada. Geometricamente, ela representa a inclinação da reta tangente à curva em determinado ponto. Uma derivada positiva indica que a função está crescendo naquele ponto, enquanto uma derivada negativa indica que está decrescendo. Quando a derivada é zero, a curva apresenta uma tangente horizontal.
Em uma função que depende de vários parâmetros, utilizamos derivadas parciais para medir como a perda varia em relação a cada peso ou viés. O conjunto dessas derivadas forma o gradiente, que aponta para a direção de crescimento mais rápido da função.
Portanto, para diminuir a perda, o gradiente descendente atualiza os parâmetros na direção oposta ao gradiente. A regra geral de atualização pode ser escrita assim:
θ ← θ − η · ∂L/∂θ
Aqui, θ representa um peso ou viés, L é a função de perda, ∂L/∂θ indica como a perda varia em relação ao parâmetro, e η é a taxa de aprendizado, que determina o tamanho do passo. Podemos ler assim: “O novo valor de θ recebe o valor atual de θ menos a taxa de aprendizado multiplicada pelo gradiente da perda.”

O infográfico mostra como a taxa de aprendizado influencia a trajetória do gradiente descendente. Com uma taxa muito pequena, o algoritmo avança lentamente em direção ao mínimo da função de perda. Com uma taxa adequada, consegue se aproximar dele em menos etapas. Já uma taxa excessivamente grande pode fazer os parâmetros ultrapassarem a região de menor perda, provocando oscilações e dificultando a convergência.
Em redes com várias camadas, surge uma pergunta essencial: se a saída final está errada, como descobrir a influência de cada peso nesse erro?
A resposta está no backpropagation, ou retropropagação. Esse algoritmo calcula como a perda depende de cada parâmetro da rede, começando pela camada de saída e avançando em direção às anteriores. Para isso, utiliza a regra da cadeia, um princípio matemático que permite calcular como uma variável influencia outra por meio de operações sucessivas.
De forma intuitiva, o backpropagation responde à pergunta:
“Se este peso mudar um pouco, a perda final tende a aumentar ou diminuir?”
Se aumentar um peso faz a perda crescer, o gradiente descendente tende a reduzi-lo. Se aumentar um peso faz a perda diminuir, a atualização tende a elevá-lo. Esse processo é repetido diversas vezes durante o treinamento.
Assim, os dois conceitos trabalham juntos: o backpropagation calcula os gradientes, enquanto o gradiente descendente utiliza essas informações para atualizar os pesos e vieses, buscando 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:
- A rede recebe exemplos.
- Realiza a propagação direta.
- Compara previsões com respostas esperadas.
- Calcula a função de perda.
- Usa backpropagation para calcular gradientes.
- Atualiza pesos e vieses.
- 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.
Demonstração Visual de Rede Neural (HUD Analítico)
Parâmetros de entrada
Execução controlada
Processo de treinamento (perda)
Execute o treinamento para visualizar a redução da perda.
Passo de backpropagation
Ativação: Sigmoid
f(z) = 1 / (1 + e−z)
Derivada: f'(z) = f(z) × (1 − f(z))
Métricas e logs
Passe o mouse sobre os neurônios para ver seus cálculos após a inicialização.
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.
