Redes neurais de propagação direta

Uma rede neural de propagação direta é o tipo mais simples de rede neural artificial. Nessa arquitetura, os dados fluem em uma única direção, da camada de entrada para a camada de saída, sem retornar.

Estrutura de uma rede neural de propagação direta

As redes de propagação direta são compostas por:

• Camada de entrada: Recebe os dados brutos.
• Camadas ocultas: Realizam cálculos e extraem características.
• Camada de saída: Produz o resultado final.

Cada camada é totalmente conectada à seguinte.

Propagação direta

A propagação direta é o processo de passar os dados pela rede:

1. As entradas são multiplicadas pelos pesos, e os vieses são somados.
2. As funções de ativação são aplicadas para introduzir não linearidade.
3. A saída é calculada e encaminhada para a camada seguinte.

Construindo uma rede simples de propagação direta

Vamos criar uma rede simples de propagação direta usando Python. A rede tem:

• 2 neurônios de entrada
• 1 camada oculta com 3 neurônios
• 1 neurônio de saída

import numpy as np

# Define weights and biases
weights_input_hidden = np.array([[0.2, 0.8, -0.5], [0.5, -0.91, 0.26]])
bias_hidden = np.array([2, 3, 0.5])
weights_hidden_output = np.array([[0.1], [-0.14], [0.5]])
bias_output = np.array([0.1])

# Input data
inputs = np.array([1, 2])

# Forward pass
hidden_layer = np.dot(inputs, weights_input_hidden) + bias_hidden
output = np.dot(hidden_layer, weights_hidden_output) + bias_output

print("Output:", output)

Treinando uma rede neural de propagação direta

O treinamento envolve ajustar pesos e vieses para minimizar o erro:

1. Calcule o erro (a diferença entre os valores previstos e reais).
2. Use algoritmos de otimização, como a descida do gradiente, para atualizar os pesos.
3. Repita o processo por várias iterações (épocas).

Vantagens das redes de propagação direta

As redes de propagação direta são:

• Simples e fáceis de implementar.
• Eficazes para tarefas como regressão e classificação básica.
• Computacionalmente eficientes para conjuntos de dados pequenos.

Limitações das redes de propagação direta

As redes de propagação direta apresentam algumas desvantagens:

• Não têm memória para dados sequenciais.
• São propensas ao sobreajuste com poucos dados de treinamento.
• Exigem um ajuste cuidadoso de hiperparâmetros, como a taxa de aprendizado.

Aplicações reais

As redes de propagação direta são usadas em:

• Diagnóstico médico: Previsão de doenças com base nos sintomas.
• Detecção de fraudes: Identificação de atividades suspeitas em transações financeiras.
• Previsão de preços de ações: Estimativa dos valores futuros das ações.

Resumo e próximos passos

Nesta lição, nós:

• Exploramos a estrutura e o funcionamento das redes neurais de propagação direta.
• Construímos uma rede simples de propagação direta usando Python.
• Discutimos as vantagens e limitações dessa arquitetura.

Em seguida, estudaremos o algoritmo de retropropagação, que permite que as redes neurais aprendam com eficácia ao otimizar pesos e vieses.