O que é?
Técnicas de deep learning têm aprimorado a capacidade dos computadores em classificar, reconhecer, detectar e descrever – em uma palavra, compreender. Por exemplo, o deep learning é usado para classificar imagens, reconhecer fala, detectar objetos e descrever conteúdo.
Diferenças?
A principal diferença no seu funcionamento para a tecnologia que citamos no tópico anterior é que, enquanto o Machine Learning normalmente trabalha de forma linear, o Deep Learning trabalha em camadas encadeadas de forma hierárquica — o que possibilita análises ainda mais complexas e profundas
Como funciona?
Se baseia em dois conceitos: o aprendizado supervisionado e o não supervisionado. ... Redes neurais simples tendem a ser aplicadas em atividades repetitivas, enquanto as de aprendizado não supervisionado são usadas em coisas como a computação cognitiva
Notebooks de Estudos e Projetos
Descobrindo pixels de uma imagem
Quais projetos pode ser feito com Deep Learning?
Exemplos de casos de uso de aprendizado profundo
Muitos dos desenvolvimentos recentes em robótica foram impulsionados por avanços em IA e aprendizado profundo. Por exemplo, a IA permite que os robôs sintam e respondam ao seu ambiente. Essa capacidade aumenta a gama de funções que eles podem executar, desde a navegação pelo chão do depósito até a classificação e manuseio de objetos desiguais, frágeis ou misturados. Algo tão simples como pegar um morango é uma tarefa fácil para os humanos, mas é extremamente difícil para os robôs realizarem. À medida que a IA progride, esse progresso aumentará as capacidades dos robôs.
O desenvolvimento da IA significa que podemos esperar que os robôs do futuro sejam cada vez mais usados como assistentes humanos. Eles não serão usados apenas para entender e responder perguntas, como alguns são usados hoje. Eles também serão capazes de agir de acordo com comandos de voz e gestos, até mesmo antecipar o próximo movimento de um trabalhador. Hoje, robôs colaborativos já trabalham ao lado de humanos, com humanos e robôs, cada um executando tarefas separadas que são mais adequadas às suas qualidades.
A IA tem potencial para revolucionar a agricultura. Hoje, o aprendizado profundo permite que os agricultores implantem equipamentos que podem ver e diferenciar entre plantas cultivadas e ervas daninhas. Essa capacidade permite que as máquinas de remoção de ervas daninhas pulverizem herbicidas seletivamente nas ervas daninhas e deixem outras plantas intocadas. Máquinas agrícolas que usam visão computacional habilitada para aprendizado profundo podem até mesmo otimizar plantas individuais em um campo, pulverizando seletivamente herbicidas, fertilizantes, fungicidas, inseticidas e produtos biológicos. Além de reduzir o uso de herbicidas e melhorar a produção agrícola, o aprendizado profundo pode ser estendido a outras operações agrícolas, como aplicação de fertilizantes, irrigação e colheita.
O aprendizado profundo tem sido particularmente eficaz em imagens médicas, devido à disponibilidade de dados de alta qualidade e à capacidade das redes neurais convolucionais de classificar imagens. Por exemplo, o aprendizado profundo pode ser tão eficaz quanto um dermatologista na classificação de cânceres de pele, se não mais. Vários fornecedores já receberam a aprovação do FDA para algoritmos de aprendizado profundo para fins diagnósticos, incluindo análise de imagem para doenças oncológicas e retinas. O aprendizado profundo também está fazendo avanços significativos na melhoria da qualidade da saúde, prevendo eventos médicos de
Seja Alexa, Siri ou Cortana, os assistentes virtuais dos provedores de serviços online usam o aprendizado profundo para ajudar a entender sua fala e a linguagem que os humanos usam quando interagem com eles.
De maneira semelhante, algoritmos de aprendizado profundo podem traduzir automaticamente entre os idiomas. Isso pode ser poderoso para viajantes, empresários e governantes.
A propósito, dê uma olhada nessa falha engraçada do Google Translate (para todos os fãs de Bieber que você desencadeou agora, não sou eu, é culpa do Google, OK ?!:])
A maneira como um veículo autônomo entende as realidades da estrada e como responder a elas, seja um sinal de pare, uma bola na rua ou outro veículo, é por meio de algoritmos de aprendizado profundo. Quanto mais dados os algoritmos recebem, melhor eles são capazes de agir como humanos em seu processamento de informações - saber que um sinal de pare coberto de neve ainda é um sinal de pare.
Os chatbots e bots de serviço que fornecem atendimento ao cliente para muitas empresas são capazes de responder de forma inteligente e útil a uma quantidade cada vez maior de perguntas auditivas e de texto graças ao aprendizado profundo.
Transformar imagens em preto e branco em cores era antigamente uma tarefa feita meticulosamente por mãos humanas. Hoje, os algoritmos de aprendizado profundo são capazes de usar o contexto e os objetos nas imagens para colori-las e basicamente recriar a imagem em preto e branco em cores. Os resultados são impressionantes e precisos.
O aprendizado profundo está sendo usado para reconhecimento facial não apenas para fins de segurança, mas para marcar pessoas em postagens do Facebook e talvez possamos pagar por itens em uma loja apenas usando nossos rostos em um futuro próximo. O desafio dos algoritmos de aprendizado profundo para reconhecimento facial é saber que é a mesma pessoa, mesmo quando ela mudou de penteado, cresceu ou raspou a barba ou se a imagem tirada é ruim devido à iluminação ruim ou obstrução.
#deeplearning #datascience