Como as Máquinas aprendem? Perceptron.

Estima-se que o ser humano adulto tenha em torno de 100 Bilhões de neurônios conectados em seu cérebro pulsando estímulos elétricos 24 horas por dia, formando uma rede neural complexa que está sendo treinada desde sua formação no ventre.

Receber e interpretar esses estímulos fazem parte do treinamento contínuo da rede neural, inclui também formar novas conexões entre os neurônios para,então, chegar a alguma conclusão específica.

Por exemplo: o Bebê não sabe o que é frio ou calor, ele apenas recebe os estímulos na pele, e com o tempo e amadurecimento(Épocas: dias, meses e anos) ele entende que aquele conjunto de estímulos significa calor, frio, fome ou sede.

O perceptron biológico é formado por um corpo celular, dendritos, axônio e terminais sinápticos. O corpo celular é o núcleo do neurônio, onde se encontra o núcleo e outras organelas importantes para a sua função. Os dendritos são as extensões que partem do corpo celular e recebem sinais de outros neurônios. O axônio é a extensão do neurônio que transmite os sinais elétricos para outros neurônios ou para os músculos e órgãos. Os terminais sinápticos são as extremidades do axônio que se comunicam com outros neurônios.

O perceptron é um modelo matemático de neurônio artificial, desenvolvido pelo psicólogo e matemático Frank Rosenblatt, em 1957. Esse modelo é inspirado no neurônio biológico, que é a célula fundamental do sistema nervoso.

O perceptron artificial, por sua vez, é um modelo matemático inspirado no perceptron biológico. Ele é formado por uma camada de entradas, pesos, somador e função de ativação. As entradas são os sinais que chegam ao neurônio artificial, que são multiplicados pelos pesos e somados. O resultado dessa soma é passado para a função de ativação, que determina se o neurônio artificial deve ser ativado ou não.

Apesar do Desenho parecer complexo, a aplicação da fórmula é simples:

Cada Entrada(E) é Multiplicada por um Peso(W, esse é um valor aleatório que o treinamento vai atualizando até a rede chegar ao objetivo) e acrescido de +1(Viés que é opcional). O Somatório de todos os pesos resulta no Y que sempre será um valor entre 0 e 1 (Fuzzy).

Alguns outros elementos serão adicionados na fórmula, mas vamos deixar ela simples assim para não assustar o leitor.

Uma das principais diferenças entre o perceptron biológico e o perceptron artificial é que o primeiro é muito mais complexo e diverso em sua estrutura. O neurônio biológico pode ter milhares de dendritos, que recebem sinais de outros neurônios e formam sinapses. Essa complexidade permite que o cérebro humano realize tarefas muito mais sofisticadas do que um perceptron artificial, que normalmente possui apenas algumas dezenas de entradas.

Outra diferença importante é que o perceptron biológico é muito mais adaptativo do que o perceptron artificial. Os neurônios biológicos são capazes de alterar suas sinapses em resposta ao ambiente, o que permite que o cérebro se adapte a novas situações e aprenda com a experiência. Os perceptrons artificiais, por sua vez, possuem pesos fixos que são determinados no momento do treinamento(Em casos de treinamento Supervisionado), o que limita sua capacidade de adaptação.

Apesar das diferenças entre o perceptron biológico e o perceptron artificial, ambos são modelos importantes para a compreensão do funcionamento do sistema nervoso e para o desenvolvimento de inteligência artificial. O perceptron artificial é amplamente utilizado em tarefas de classificação e previsão, enquanto o estudo do perceptron biológico tem contribuído para o avanço da neurociência e para o desenvolvimento de próteses neurais e interfaces cérebro-máquina.

A Aplicação do modelo matemático do perceptron é o Início da revolução das máquinas!