Deep Learning

É a peça fundamental. Recebe várias entradas numéricas (por exemplo, idade e renda), multiplica cada uma por um peso, soma tudo, adiciona um bias e passa o resultado por uma função de ativação. O que sai é um número — que pode ser interpretado como uma decisão (sim/não) ou como uma estimativa contínua.

Apesar do nome inspirado na biologia, não há mistério: tudo que um neurônio faz é uma soma ponderada seguida de uma função.

Os pesos dizem quanto cada entrada importa para a decisão do neurônio. Um peso grande significa que aquela entrada empurra fortemente o resultado; um peso pequeno significa que ela quase não influencia. Pesos podem ser positivos (a entrada empurra para a saída 1) ou negativos (empurra para 0).

Treinar uma rede é ajustar pesos. No início eles são aleatórios; ao longo do treinamento, a rede vai descobrindo, sozinha, quais valores fazem ela acertar mais.

O bias é um valor extra somado depois da soma ponderada. Sem ele, a fronteira que o neurônio aprende seria obrigada a passar pela origem (o ponto onde todas as entradas valem zero). Com bias, a fronteira pode ser deslocada para qualquer lugar do plano — o que dá muito mais flexibilidade ao modelo.

Pense numa balança: os pesos são os braços, e o bias é o pratinho extra que faz a balança pender de início para um lado mesmo sem nenhuma carga.

A ativação transforma a soma ponderada num número final. Se ela fosse simplesmente uma reta (“linear”), empilhar vários neurônios não adiantaria nada — a rede inteira colapsaria num modelo linear só. É a não-linearidade da ativação que permite a rede aprender curvas, anéis, espirais.

Uma rede neural é uma sequência de camadas. A camada de entradarecebe as variáveis do problema. A camada de saída produz a previsão final. Entre elas vivem as camadas ocultas, onde a rede inventa representações internas que facilitam a tarefa.

Quanto mais camadas ocultas, mais profunda é a rede — daí o nome Deep Learning. Mais profundidade significa mais capacidade de aprender padrões complexos, mas também mais risco de aprender ruído (overfitting).

É o tamanho do passo que a rede dá ao ajustar cada peso. Uma taxa alta faz a rede aprender rápido, mas pode oscilar e nunca estabilizar. Uma taxa baixa faz aprender devagar, porém de forma estável.

Metáfora: você está descendo uma montanha vendado. Passos largos podem te jogar para o outro lado do vale; passos minimos demoram uma eternidade.

Uma época é uma passagem completa por todos os exemplos do conjunto de treinamento. Cada época é uma oportunidade para a rede ajustar seus pesos. Treinar por muitas épocas costuma melhorar o resultado — até o ponto em que a rede começa a decorar (overfitting), em vez de generalizar.

A perda é a métrica que a rede tenta reduzir. Para classificação, geralmente usamos entropia cruzada binária (BCE); para regressão, erro quadrático médio (MSE). Quando a perda cai época após época, a rede está aprendendo. Quando ela estagna ou sobe, algo está errado: taxa muito alta, capacidade insuficiente, dados ruins.

É o algoritmo que faz a mágica acontecer. Para cada exemplo, a rede:

1. Calcula a previsão passando os dados pelas camadas (forward pass).
2. Compara a previsão com o gabarito e mede o erro (perda).
3. Calcula, indo de trás para frente, quanto cada peso contribuiu para o erro (esse é o backpropagation).
4. Empurra cada peso na direção oposta ao erro, com um passinho proporcional à taxa de aprendizado (gradient descent).

Repita isso milhares de vezes — e a rede sai sozinha de pesos aleatórios para uma configuração que resolve o problema.