Memorial de projetos : a evolução dos neurônios artificiais - do perceptron ao deep learning

Abstract

Resumo: Este parecer técnico busca compreender a evolução dos neurônios artificiais ,uma área fundamental dentro da Inteligência Artificial (IA), desde o desenvolvimento do perceptron até as modernas redes neurais profundas (deep learning). O objetivo é analisar as transformações nos modelos de redes neurais, evidenciando como as mudanças nos algoritmos e nas arquiteturas permitiram a superação de limitações de capacidade de processamento e de adaptação. A análise destaca o papel do perceptron como o primeiro modelo, suas limitações e o impacto das inovações subsequentes, como o algoritmo de retropropagação, que permitiu o treinamento de redes neurais mais complexas. Além disso, o parecer explora o impacto das redes neurais profundas, que têm impulsionado avanços significativos em áreas como reconhecimento de voz, processamento de imagem e tradução automática. A conclusão destaca a importância do aprendizado profundo e os desafios atuais, como a necessidade de grandes volumes de dados e o alto custo computacional, apontando direções futuras para a área

Abstract: This technical report seeks to understand the evolution of artificial neurons, a fundamental area within Artificial Intelligence (AI), from the development of the perceptron to modern deep learning networks. The goal is to analyze the transformations in neural network models, highlighting how changes in algorithms and architectures allowed for the overcoming of processing and adaptation limitations. The analysis emphasizes the role of the perceptron as the first model, its limitations, and the impact of subsequent innovations such as the back propagation algorithm, which enabled the training of more complex neural networks. Additionally, the report explores the impact of deep neural networks, which have driven significant advancements in areas like speech recognition, image processing, and machine translation. The conclusion highlights the importance of deep learning and current challenges such as the need for large datasets and high computational costs, pointing to future directions for the field