Fazendo uma Rede Neural do Zero! #1 - FeedForward

primeiramente vou apresentar meu nome é josé e acho que qualquer coisa eu quero dizer que eu sou só apenas o estudioso o entusiasmo machine learning e nesse processo eu pude ver que as coisas são muito mais simples e divertida do que a gente pensa então minha missão aqui hoje aqui mostrar que pode fazer uma rede neural do zero sem dor de cabeça sem complicação então antes de qualquer coisa o que é uma rede neural renor a um algoritmo machine que busca se aproximar como nosso cérebro aprende e que esse modelo que é general é muito boa para processos como escolha de decisões é achar padrões enfim enfim dá de coisas a renner ao ela é basicamente uma função universal de aproximação porque tudo que ela faz é aproximar entradas e saídas é chegar cada vez mais próximo da resposta correta no caso a saída baseando a entrada que túnel e beleza e como ela faz isso né ela é dividida em dois processos obviamente existem outras de outros tipos de redes neurais mais a nossa questão está abordando hoje é genérica é mais comum e que ela é 100% conectada a gente chama de fury conecta pode ver que todos toda a camada da entrada está conectada com toda a camada curta que está conectado com toda a camada da saída de ouro verde está fazendo existem dois processos existe o processo e filho paul walker que você vai passar os dados da entrada para a camada curta e para a saída e diz processo de backup propague show que você vai levar os dados da saída corrigindo para o curta e corrigindo para a entrada o processo de aprender se faz do bec propagations mas o processo de futebol hoje é um processo em que você vai levar da canda informações da entrada para as informações para a camada curta para as informações da camada de saída o que são camadas né camadas são onde tudo vai acontecer a primeira camada de toda renor a tomada de entrada que é onde você coloca os seus dados a camada oculta ela vai ser responsável pelo processamento desses dados ea camada de saída pela rua posso da rede o que ela acha que é para tornar mais realista percebe que cada círculo disse a gente chama de nó então por exemplo o primeiro gol da entrada ele está conectado com o primeiro nó culta essa conexão zinha s fio preto que conecta a eles é um peso na verdade é um peso então a entrada um número certo que tem o peso da conexão com um modo a camada oculta e esses pesos são multiplicados quer dizer o peso e entrada é multiplicado que vai dar o valor da oculta e oculta vai ter agora esse valor e esse valor vai multiplicar com outro peso como você pode ver com conexão com a saída que vai dar o valor da saída é na verdade todos esses nomes são apenas números números que vão representar o aprendizado outra entrada outra saída então um exemplo aqui nem sempre foi mostrar como funciona mas que é só basicamente isso é e se você tem a entrada de 82. 2 e digamos que essa entrada está conectada com uma um nó curto é sinnott ele tem peso de 0,95 a conexão entre entrada e oculta tem peso de 0,95 então essa entrada de 82. 2 vai ser muito explicado pelo peso ou 0,95 que me desse resultado 78 pontos 0 9 e esse valor 78 pontos 09 vai ser multiplicado para dar o valor da saída porque a oculta está conectada com a saída também e essa conexão na verdade é a multiplicação é esse peso ea importância das despesas eu vou mostrar a um pouco mais na frente mas são os pesos que são responsáveis pelo aprendizado porque toda vez que você dê 82.

2 e ela sair 2186 digamos que a resposta correta 82. 2 seja 30 82. 2 entrou deu 2886 tal ainda um pouco longe de 30 enquanto longe aí ela vai calcular esse erro que é 30 menos 20 em ponto 86 ela calcula esse erro e ajusta os pesos da rede que na próxima vez que ele coloque 82.

2 fique mais próximo de 30 do que da vez passada porque os pesos eles foram ajustados nas camadas pra que esse processo se aproxima da resposta mais correta então os pesos é o que faz toda a mágica da ele é a rede ela só é basicamente uma multiplicação da tua entrada por pesos e esses países vão sendo corrigindo com sendo corrigidos para que tudo dê cada vez mais próximo da resposta que tanto queria que fosse o nosso tipo de algoritmo que a gente vai fazer aqui se chama supervisionado que é basicamente isso é um exemplo que você dá a imagem de um gato e você diz pra ele e seu gato da outro gato e lixo é um gato dá uma imagem de um cachorro nossa visão cachorro pra que ela vai entendendo os padrões do que um gato os padrões do que um cachorro e enquanto morte outras imagens de gato e cachorro ela consiga dizer com precisão esse é um gato e um cachorro porque ela já foi tão alimentada com mais ligados dizendo que são gatos que ela começa a aprender começa a modificar os pesos dela pra chegar cada vez mais próximo na resposta correta voltando agora depois de algumas correções que eu fiz lab vamos falar de como fazer esse algoritmo fim de forma de funcionar na prática pra isso tudo é ter que entender só um pouquinho de matrizes mas acho que vai ser bem intuitivo eu vou te mostrar como é simples nem sempre passado que a gente utilizou a gente tinha vamos lá a gente tinha um neurônio de entrada à ips a gente pode chamar os nós de neurônios uma entrada nova cultura na saída de ivoti - neurônios e as ligações entre eles as conexões que o chamado de pesos também pode chamar de sinapse como disse antes é um algoritmo inspirado na nossa biologia então existentes equivalente vamos lá você tem um neurônio um com valor 82.