{"id":31062085,"url":"https://github.com/pymarcus/deep_learning","last_synced_at":"2026-07-08T08:31:19.680Z","repository":{"id":63101259,"uuid":"564933115","full_name":"PyMarcus/deep_learning","owner":"PyMarcus","description":"Studes about it","archived":false,"fork":false,"pushed_at":"2022-11-12T21:10:03.000Z","size":2145,"stargazers_count":4,"open_issues_count":0,"forks_count":0,"subscribers_count":1,"default_branch":"main","last_synced_at":"2025-10-26T23:20:55.480Z","etag":null,"topics":[],"latest_commit_sha":null,"homepage":null,"language":"Python","has_issues":true,"has_wiki":null,"has_pages":null,"mirror_url":null,"source_name":null,"license":null,"status":null,"scm":"git","pull_requests_enabled":true,"icon_url":"https://github.com/PyMarcus.png","metadata":{"files":{"readme":"README.md","changelog":null,"contributing":null,"funding":null,"license":null,"code_of_conduct":null,"threat_model":null,"audit":null,"citation":null,"codeowners":null,"security":null,"support":null}},"created_at":"2022-11-11T21:14:07.000Z","updated_at":"2023-01-28T21:18:18.000Z","dependencies_parsed_at":"2022-11-12T22:45:27.592Z","dependency_job_id":null,"html_url":"https://github.com/PyMarcus/deep_learning","commit_stats":null,"previous_names":[],"tags_count":0,"template":false,"template_full_name":null,"purl":"pkg:github/PyMarcus/deep_learning","repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/PyMarcus%2Fdeep_learning","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/PyMarcus%2Fdeep_learning/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/PyMarcus%2Fdeep_learning/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/PyMarcus%2Fdeep_learning/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/PyMarcus","download_url":"https://codeload.github.com/PyMarcus/deep_learning/tar.gz/refs/heads/main","sbom_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/PyMarcus%2Fdeep_learning/sbom","scorecard":null,"host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":286080680,"owners_count":35258965,"icon_url":"https://github.com/github.png","version":null,"created_at":"2022-05-30T11:31:42.601Z","updated_at":"2026-05-26T15:22:16.424Z","status":"online","status_checked_at":"2026-07-08T02:00:06.796Z","response_time":61,"last_error":null,"robots_txt_status":"success","robots_txt_updated_at":"2025-07-24T06:49:26.215Z","robots_txt_url":"https://github.com/robots.txt","online":true,"can_crawl_api":true,"host_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub","repositories_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories","repository_names_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repository_names","owners_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners"}},"keywords":[],"created_at":"2025-09-15T11:48:14.584Z","updated_at":"2026-07-08T08:31:19.671Z","avatar_url":"https://github.com/PyMarcus.png","language":"Python","funding_links":[],"categories":[],"sub_categories":[],"readme":"# DEEP LEARNING\n\n\n### Conceitos básicos:\n\n\u003cb\u003eIA\u003c/b\u003e ciência ou engenharia de fazer máquinas inteligêntes.\n\n\n\u003cb\u003eMachine Learning\u003c/b\u003e é a utilização de algoritmos para extrair informações de dados brutos e representá-los através de algum tipo de modelo matemático\n\n\u003cb\u003eGPU\u003c/b\u003e Placas gráficas de processamento, que permietm a programação paralela, essencial para o funcionamento das redes \nneurais.\n\n\u003cb\u003ethreshold\u003c/b\u003e é como se fosse uma parâmetro que pode levar a uma tomada de decisão,\nconforme ajustado,para menos ou para mais.(quase como uma tendência)\n\n\u003cb\u003eBig Data\u003c/b\u003e Grandes volumes de dados que são utilizados para treinar os modelos e deixá-los mais precisos.\n\n\u003cb\u003eBias\u003c/b\u003e É uma constante multiplicativa ao valor no neuronio matemático.\n\n## O QUE É?\n\nSão redes neurais que simulam a mente humana e que, atualmente, vem sendo muito utilizada.\nEnfim, é uma sub área de machine learning que, por sua vez, é uma sub área de IA.\n\nSua evolução deve-se, sobretudo, ao avanço do hardware e do aumento de dados.\nOu seja, o big data e a programação paralela em GPU's, placa gráfica.\n\nEm suma, deep learning é a simulação humana por computadores para reconhecimento de voz, imagens, detecção de doenças e etc\n\n\n### Redes neurais:\n\nEspelham-se, a grosso modo, na própria rede de neurônios humana.Ou seja, bem como o cerebro\naprende com experiências passadas, a rede neural baseia-se nisso.\n\n\n![img.png](img.png)\n\nVárias camadas de rede neural, isto é, profundas, é chamado deep learning.\n\n### Paralelo entre cérebro humano e redes neurais computacionais\n\n\nO cérebro humano usa processamento paralelo em massa, ou seja, reconhece imagens , sons e etc,ao msm tempo.\nEm computação, redes neurais são um modelo computacional matemático que se baseam na experiência para construir conhecimento.\n\n\nComo em grafos, as redes neurais simulam conexões sinápticas (região por onde é transmitido impulso elétrico - nervoso)\n\n![img_1.png](img_1.png)\n\n\nO neuronio humano é composto pela Soma (meio do corpo), uma calda longa, denominada axônio, ramificações,denominadas dentrítos\ne,por fim, terminais nervosos que transmitem informação para outros (sinapse)\n\nAssim, soma e dendritos são a porta de entrada para os neurônios e o axônio a saída\n\n\n### O modelo matemático de neurônios\n\nAssim como o biológico, o modelo matemático é composto por um componente que pega \ntodos os inputs, a média ponderada, e aplica uma função,passando o resultado adiante.\n\n![img_2.png](img_2.png)\n\n\nNo modelo matemático, são recebidas as entradas e o estimulo varia com o peso, Wk,\né aplicado ,entao, o somatório dos estímulos e,por fim, a função de ativação,que\ncomo no biológico, pode ser ativadora ou inibidora, a depender do sinal dos pesos.\n\n\nAs entradas são multiplicadas pelos pesos, em uma matriz:\n\n![img_3.png](img_3.png)\n\n\nUm único neurônio é chamado perceptron.\n\n\n\nexemplo de um funcionamento da arquitetura perceptron:\n\n![img_4.png](img_4.png)\n\n### Funções de ativação\n\nAs entradas de um neurônio fazem transformações lineares, já as funções de ativação\nfazem transformações não lineares\n\nA grande vantagem dessas funções consistem no fato de que qualquer alteração de bias,\npor exemplo, resulte em pequenas alterações no output\n\nOu seja, elas definem se um neurônio deve ou não ser ativado\n\n\n![img_5.png](img_5.png)\n\n\nAssim, funções de ativação permitem resolver problemas mais complexos, pois, se so houver\nbias, haverá apenas regressões lineares que não resolvem problemas difíceis.\n\n### Backpropagation e treinamento de redes neurais\n\nÉ um algoritmo muito importante para treinar redes neurais profundas.\nEle consiste em 2 passos:\n\n1) Forward pass: as entradas são passadas e as previsões de saída são obtidas\n2) Backward pass: calcula-se o gradiente e aplica-se a regra da cadeia para atualizar os pesos\nOu seja, com a taxa de erro, aplica-se as correções e volta para o início do treinamento\n### No quesito imagens, a arquitetura de redes convolucionais (CNN) são as mais usadas\n\nEssas redes neurais podem classificar e comparar imagens,identificar rostos e etc\nElas, por sua vez, processam imagens como tensores (matrizes).\nPara analisar imagens, essas redes percebem como volumes, objetos tridimencionais, em\nvez de estruturas planas a serem medidas por largura e altura.\n\nAssim, elas recebem a imagem como um retângulo cujo dimensões, largura e altura,\nsão o número de pixels e cujo profundidade representa cada letra do RGB.\n\nFeito isso, é representado várias matrizes de múltiplas dimensões e calculado várias\nprobabilidades para gerar uma única saída.\n\n![img_6.png](img_6.png)\n\n\nO que é aprendido, no treinamento, são o peso e o bias,assim , cada camada de convolução\naprendem diferentes detalhes da imagem, cores, formas, tamanhos etc\n\n### PROJETO\n\n\nIdentificar o vegetal passado como imagem e apresentar o resultado\npodendo auxiliar na agricultura com a identificação de vegetação\n e, auxiliar, viajantes, a respeito do vegetal e seu nome\n\n### obs: o processo é bastante pesado e demorado, ao rodar pela primeira vez\n\n\n![img_7.png](img_7.png)\n\n\nBIGDATA extraído de: https://www.kaggle.com/datasets/moltean/fruits\n\n\nexecução:\n\n![img_8.png](img_8.png)\n","project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fpymarcus%2Fdeep_learning","html_url":"https://awesome.ecosyste.ms/projects/github.com%2Fpymarcus%2Fdeep_learning","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fpymarcus%2Fdeep_learning/lists"}