Rede Neural Artificial é um sistema computacional inspirado na estrutura do cérebro humano, composto por camadas de nós (neurônios artificiais) interconectados por pesos ajustáveis. A informação flui da camada de entrada, passa por camadas ocultas onde é transformada, e produz uma saída. Cada neurônio recebe sinais ponderados, aplica uma função de ativação não-linear (como ReLU ou sigmoid) e transmite o resultado adiante. O aprendizado ocorre pelo ajuste iterativo dos pesos via backpropagation: o erro na saída é propagado de volta pela rede, e os pesos são atualizados para minimizar esse erro. Redes neurais são a base de praticamente toda a IA moderna: redes convolucionais (CNNs) para visão computacional, Transformers para linguagem, e redes recorrentes (RNNs) para sequências temporais. A profundidade — número de camadas ocultas — é o que distingue o deep learning das redes neurais superficiais. Mais camadas permitem aprender representações mais abstratas e complexas, ao custo de maior necessidade de dados e poder computacional para treinar.
Navegar por letra: