O aprendizado manifesta-se como uma simples diferença entre o “antes” e o “depois”. A mesma entrada é fornecida à rede, mas a saída muda após o treinamento, e essa mudança pode ser medida por meio de uma métrica de erro.
Esta aula estabelece uma definição concreta de aprendizado e apresenta o ciclo de treinamento que será analisado em aulas posteriores.
Inicialmente, uma rede neural geralmente produz previsões instáveis, pois seus parâmetros começam como pequenos números aleatórios. Se você fornecer a mesma entrada ao mesmo código duas vezes sem alterar nada, a saída permanece a mesma, embora possa estar incorreta de maneira consistente.
Após algum tempo de treinamento, a entrada permanece inalterada, mas a previsão frequentemente se aproxima do rótulo correto , visto que os pesos foram atualizados nesse intervalo. Esse é o comportamento observável fundamental que você pode verificar antes de se aprofundar em qualquer teoria.
Utilize o exemplo interativo de classificação para comparar as estimativas aleatórias iniciais com a precisão obtida após várias etapas de atualização.
A mudança decorre de uma medição explícita. A rede gera uma previsão , você a compara com um rótulo de destino e calcula uma métrica de erro que atribui um valor maior a previsões piores e um valor menor a previsões melhores.
O treinamento realiza uma etapa de atualização que ajusta levemente os parâmetros, de modo que a próxima previsão tenda a produzir um erro menor em exemplos semelhantes. O aprendizado não é um estado de espírito nem uma funcionalidade isolada. É um processo repetitivo no qual os valores dos parâmetros mudam porque o erro medido impulsionou essa alteração.
Explore como esses termos se relacionam no mapeamento entre parâmetros, previsões, rótulos, a métrica de erro e a etapa de atualização.