Machine Learning para iniciantes

Essas tecnologias de Machine learning em geral recebem dados de entrada, processam e retornam um dado de saída como um programa normal. Então no núcleo do processamento estão vários neurônios que tem também uma entrada, um processamento e uma saída. Certo, agora temos duas abordagens como na economia, a macro e a micro.

Na macro entrada, processamento e saída, os neurônios de entrada recebem um vetor de dados onde cada item do vetor é um componente de um conjunto de dados a identificar, por exemplo uma imagem de 28x28 (matriz) se torna um vetor de 784 posições que será enviado a 784 neurônios de de entrada.

Estes dados de entrada passam para a próxima camada, que são outro conjunto de neurônios que conforme os pesos de entrada de cada neurônio e a função de ativação no neurônio, responderão para o próxima camada.

A ultima camada, a de saída, tem o numero de categorias a encontrar, se for encontrar números de a 0 a 9 então são 10 categorias(classes) se é cachorro (valor 1) ou gato (valor 0) então são duas e assim por diante.

No âmbito micro cada neurônio recebe dados de vários neurônios e esses dados são afetados por pesos, que quando submetido a função de ativação, faz com que o neurônio envie ou não informação para a próxima camada, isso me lembra muito os trantistores com mapa de karnaugh, formando circuitos para a obtenção de uma lista de resposta determinadas, no entanto Machine learning é dinâmico e a estatista e a otimização trouxeram ferramentas de aproximação de resposta, e nós como programadores modificamos a estrutura de neurônios (quantidade de neurônios e camadas), função de ativa, para minimizar o erro desta resposta.

Espero que isso ajude.

Fiquem a vontade para comentar, criticar e corrigir... :)