Deep Learning e Suas Aplicações

Prévia do material em texto

REVISTA CIENTÍFICA MULTIDISCIPLINAR NÚCLEO DO 
CONHECIMENTO ISSN: 2448-0959 
https://www.nucleodoconhecimento.com.br 
 
 40 
RC: 29451 
Disponível em: https://www.nucleodoconhecimento.com.br/administracao/deep-learning 
DEEP LEARNING E SUAS APLICAÇÕES NA ATUALIDADE 
ARTIGO ORIGINAL 
CHAGAS, Edgar Thiago De Oliveira1 
CHAGAS, Edgar Thiago De Oliveira. Deep Learning e suas aplicações na 
atualidade. Revista Científica Multidisciplinar Núcleo do Conhecimento. Ano 04, Ed. 
05, Vol. 04, pp. 05-26 Maio de 2019. ISSN: 2448-0959, Link de 
acesso: https://www.nucleodoconhecimento.com.br/administracao/deep-learning 
RESUMO 
A inteligência artificial já não é enredo para filmes de ficção. As pesquisas neste 
campo aumentam a cada dia e proporcionam novas descobertas sobre o aprendizado 
das máquinas (Machine Learning). Os Métodos de Aprendizado Profundo, também 
conhecidos como Deep Learning são atualmente utilizados em muitas frentes como o 
reconhecimento facial nas redes sociais, nos carros automatizados e até mesmo em 
alguns diagnósticos no campo da Medicina. O Deep Learning permite que modelos 
computacionais compostos de inúmeras camadas de processamento possam 
“aprender” representações de dados com diversos níveis de abstração. Esses 
métodos melhoraram o reconhecimento de fala, de objetos visuais, detecção de 
objetos, dentre possibilidades. Contudo, essa tecnologia ainda é pouco conhecida e, 
o propósito desse estudo é esclarecer como funciona o Deep Learning e demonstrar 
suas aplicações atuais. De certo, com a disseminação desses conhecimentos, o 
aprendizado profundo pode, num futuro próximo, apresentar outras aplicações, ainda 
mais importantes para toda a humanidade. 
Palavras-chave: Deep Learning, Aprendizado de Maquina, IA, Machine Learning, 
Inteligência. 
INTRODUÇÃO 
Entende-se o aprendizado profundo como um ramo do Machine Learning 
(aprendizado de máquina), o qual é baseado em um grupo de algoritmos que buscam 
moldar abstrações de alto nível de dados utilizando-se de um grafo profundo com 
diversas camadas de processamento, compostas por diversas alterações lineares e 
não lineares. 
https://www.nucleodoconhecimento.com.br/
https://www.nucleodoconhecimento.com.br/administracao/deep-learning
https://www.nucleodoconhecimento.com.br
https://www.nucleodoconhecimento.com.br/administracao/deep-learning
REVISTA CIENTÍFICA MULTIDISCIPLINAR NÚCLEO DO 
CONHECIMENTO ISSN: 2448-0959 
https://www.nucleodoconhecimento.com.br 
 
 41 
RC: 29451 
Disponível em: https://www.nucleodoconhecimento.com.br/administracao/deep-learning 
O Deep Learning trabalha o sistema do computador para realizar tarefas como 
reconhecimento de fala, identificação de imagem e realizar projeções. Ao invés de 
organizar as informações para atuarem através de equações predeterminadas, esse 
aprendizado determina padrões básicos dessas informações e ensina os 
computadores a desenvolver-se através da identificação dos padrões em camadas de 
processamento. 
Essa espécie de aprendizagem é um ramo abrangente dos métodos de Machine 
Learning com fundamento na aprendizagem de representações de informações. 
Neste sentido, o Deep Learning é um conjunto de algoritmos de learning machine que 
tentar integrar vários níveis, os quais são modelos estatísticos reconhecidos que 
correspondem a níveis variados de definições. Os níveis inferiores ajudam a definir 
muitas noções dos níveis superiores. 
São inúmeras as pesquisas atuais nessa área de inteligência artificial. A melhoria nas 
técnicas de Deep Learning têm implementado melhorias na capacidade de 
computadores em compreender o que lhe é pedido. As pesquisas nesse âmbito 
procuram promover melhores representações e elaborar modelos para identificar 
essas representações a partir de informações não rotuladas em grande escala, 
algumas como base em achados da neurociência e na interpretação do 
processamento de dados e padrões de comunicação no sistema nervoso. Desde 
2006, essa espécie de aprendizagem surgiu como um novo ramo de pesquisa de 
aprendizagem de máquina[2]. 
Recentemente, foram desenvolvidas novas técnicas a partir de Deep Learning, as 
quais têm impactado em diversos estudos sobre processamento de sinais e 
identificação de padrões. Nota-se um leque de novos comandos problemáticos que 
podem ser solucionados através dessas técnicas, incluindo pontos-chave do Machine 
Learning e da inteligência artificial. 
Há uma grande atenção da mídia, segundo Yang et al[3], sobre os avanços atingidos 
nessa área. Grandes organizações do ramo tecnológico têm aplicado muitos 
investimentos nas pesquisas de Deep Learning e suas novas aplicações. 
https://www.nucleodoconhecimento.com.br/
https://www.nucleodoconhecimento.com.br/administracao/deep-learning
https://www.nucleodoconhecimento.com.br
REVISTA CIENTÍFICA MULTIDISCIPLINAR NÚCLEO DO 
CONHECIMENTO ISSN: 2448-0959 
https://www.nucleodoconhecimento.com.br 
 
 42 
RC: 29451 
Disponível em: https://www.nucleodoconhecimento.com.br/administracao/deep-learning 
O Deep Learning abrange a aprendizagem em diversos níveis de representação e 
intangibilidade que auxiliam no processo de compreensão das informações, das 
imagens, dos sons e dos textos. 
Dentre as exposições disponíveis sobre o aprendizado profundo é possível identificar 
dois pontos marcantes. A primeira demonstra que são modelos formados por 
inúmeras camadas ou etapas de processamento de dados não linear e também são 
práticas de aprendizagem supervisionada ou não, da representação de atribuições em 
camadas seguidamente superiores e intangíveis. 
Compreende-se que o Deep Learning está nas junções entre aos ramos de pesquisa 
de redes neurais, AI, modelagem gráfica, identificação e otimização de padrões e 
processamento de sinais. A atenção conferida ao aprendizado profundo deve-se ao 
aperfeiçoamento da habilidade de processamento de chips, ao considerável aumento 
do tamanho das informações utilizadas para treinamento e os avanços recentes nos 
estudos em Machine Learning e processamento de sinais. 
Esse progresso permitiu que as práticas de Deep Learning pudessem explorar, de 
forma eficaz, aplicabilidades complexas e não lineares, identificassem representações 
de recursos distribuídos e hierárquicos, bem como possibilitar a utilização efetiva de 
informações rotuladas e não rotuladas.[4] 
O Deep Learning refere-se a uma classe abrangente métodos e projetos de Machine 
Learning, as quais reúnem a característica de utilizar muitas camadas de dados 
processados não lineares de natureza hierárquica. Em razão da utilização desses 
métodos e projetos, pode-se classificar grande parte dos estudos nessa esfera em 
três conjuntos principais, de acordo com Pang et al[5], quais sejam as redes profundas 
para aprendizagem não supervisionada; supervisionada e híbridas. 
As redes profundas para aprendizagem não supervisionada se dispõem a apreender 
a correlação de alta sequencia das informações analisadas ou identificáveis para 
verificação ou associação de padrões quando não houver dados sobre os estereótipos 
das classes disponíveis no banco de dados. Aprendizagem de atribuição ou 
https://www.nucleodoconhecimento.com.br/
https://www.nucleodoconhecimento.com.br/administracao/deep-learning
https://www.nucleodoconhecimento.com.br
REVISTA CIENTÍFICA MULTIDISCIPLINAR NÚCLEO DO 
CONHECIMENTO ISSN: 2448-0959 
https://www.nucleodoconhecimento.com.br 
 
 43 
RC: 29451 
Disponível em: https://www.nucleodoconhecimento.com.br/administracao/deep-learning 
representação não supervisionada refere-se às redes profundas. Igualmente, pode 
procurar a atribuição de distribuições estatísticas agrupadas dos dados visíveis e suas 
classes relacionadas quando disponíveis, podendo abordadas como parte dos dados 
visíveis. 
As redes neurais profundas para aprendizagem supervisionada devem fornecer 
discriminação para classificar os padrões, geralmente individualizando as 
distribuições posterioresde classes vinculadas as informações visíveis, as quais estão 
sempre disponíveis para essa aprendizagem supervisionada, também denominada 
como redes profundas discriminativas. 
Já as redes profundas híbridas, ressaltam- se pela discriminação identificada com os 
resultados de redes profundas generativas ou não supervisionada, o que pode ser 
atingido através de um aprimoramento e/ou regularização das redes profundas 
supervisionadas. Suas atribuições também podem ser alcançadas quando as 
diretrizes discriminativas para a aprendizagem supervisionada são utilizadas para 
avaliar os padrões em qualquer rede profunda generativa ou não supervisionada[6]. 
As redes profundas e recorrentes são modelos que apresentam um alto desempenho 
em questões de identificação de padrões questionáveis em ivão e fala[7]. Apesar de 
sue poder de representação, a grande dificuldade em moldar as redes neurais 
profundas com uso genérico persiste até os dias atuais. Em relação as redes neurais 
recorrentes, estudos de Hinton et al[8] deram inicio a moldagem em camadas. 
O presente estudo visa esclarecer o progresso do Deep Learning e suas aplicações 
conforme as pesquisas mais recentes. Para tal, será efetuada um pesquisa descritiva 
qualitativa, com a utilização de livros, teses, artigos e websites para conceituar os 
avanços na área de inteligência artificial e em especial na aprendizagem profunda. 
Há um interesse crescente pelo Machine Learning desde a última década, haja vista 
que há uma interação cada vez maior entre os aplicativos, sejam de dispositivos 
móveis ou de computadores, com os indivíduos, através de programas para detecção 
de spam, reconhecimento em fotos nas redes sociais, smartphones com 
https://www.nucleodoconhecimento.com.br/
https://www.nucleodoconhecimento.com.br/administracao/deep-learning
https://www.nucleodoconhecimento.com.br
REVISTA CIENTÍFICA MULTIDISCIPLINAR NÚCLEO DO 
CONHECIMENTO ISSN: 2448-0959 
https://www.nucleodoconhecimento.com.br 
 
 44 
RC: 29451 
Disponível em: https://www.nucleodoconhecimento.com.br/administracao/deep-learning 
reconhecimento facial, dentre outras aplicações. De acordo com Gartner[9] todos os 
programas coorporativos terão alguma função vinculada a Machine Learning até o ano 
de 2020. Tais elementos buscam justificar a elaboração deste estudo. 
DESENVOLVIMENTO HISTÓRICO DO APRENDIZADO PROFUNDO 
A inteligência artificial não é uma descoberta recente. Provem da década de 1950, 
mas apesar da evolução de sua estrutura, faltavam alguns aspectos que dessem 
credibilidade. Um desses aspectos é o volume de dados, originado em grande 
variedade e velocidade, possibilitando a criação de padrões com altos níveis de 
precisão. Contudo, um ponto relevante versava sobre o modo de processamento de 
grandes modelos de Machine Learning com grandes quantidades de informações, 
pois os computadores não conseguiam efetuar tal ação. 
Nesse momento, fora identificado o segundo aspecto que se refere a Programação 
Paralela em GPUs. As unidades de processamento gráfico, que possibilitam a 
realização de operações matemáticas de modo paralelo, especialmente aquelas com 
matrizes e vetores, os quais estão presentes em modelos de redes artificiais, 
permitiram a evolução atual, isto é, o somatório de Big Data (grande volume de dados); 
processamento paralelo e os modelos de Machine Learning apresentam como 
resultado a inteligência artificial. 
A unidade básica de uma rede neural artificial é um neurônio matemático, também 
denominado nó, baseado no neurônio biológico. As ligações entre esses neurônios 
matemáticos são relacionadas com àquelas dos cérebros biológicos, e principalmente 
no modo com essas associações se desenvolvem ao longo do tempo, denominado 
“treinamento”. 
Entre a segunda metade da década de 80 e o inicio da década de 90, diversos 
avanços relevantes na estrutura das redes artificiais aconteceram. Entretanto, a 
quantidade de tempo e informações necessárias para atingir bons resultados 
procrastinou a adoção, afetando o interesse sobre a inteligência artificial. 
https://www.nucleodoconhecimento.com.br/
https://www.nucleodoconhecimento.com.br/administracao/deep-learning
https://www.nucleodoconhecimento.com.br
REVISTA CIENTÍFICA MULTIDISCIPLINAR NÚCLEO DO 
CONHECIMENTO ISSN: 2448-0959 
https://www.nucleodoconhecimento.com.br 
 
 45 
RC: 29451 
Disponível em: https://www.nucleodoconhecimento.com.br/administracao/deep-learning 
No começo dos anos 2000, o poder da computação expandiu-se e o mercado 
vivenciou um “boom” de técnicas computacionais que não eram possíveis antes. Foi 
quando o Deep Learning surgiu do crescimento computacional grandioso daquela 
época como mecanismo essencial de elaboração de sistemas de Inteligência Artificial, 
ganhando diversas competições de Machine Learning. O interesse pela aprendizagem 
profunda continua crescendo até os dias atuais e diversas soluções comerciais 
emergem a todo o momento. 
Ao longo do tempo foram criadas diversas pesquisas visando simular o funcionamento 
cerebral, especialmente durante o processo de aprendizagem para criar sistemas 
inteligentes que pudessem recriar tarefas como classificação e reconhecimento de 
padrões, dentre outras atividades. As conclusões desses estudos geraram o modelo 
do neurônio artificial, colocado posteriormente em uma rede interconectada 
denominada rede neural. 
Em 1943, Warren McCulloch, neurofisiologista, e Walter Pitts, matemático, criaram um 
rede neural simples utilizando circuitos elétrico e elaboraram um modelo de 
computador para redes neurais com base em conceitos matemáticos e algoritmos 
chamados threshold logic ou lógica de limiar, o qual permitiu pesquisas sobre a rede 
neural dividida em duas vertentes: com foco nos processo biológicos cerebrais e outra 
com foco na aplicação dessas redes neurais voltadas a inteligência artificial.[10] 
Donald Hebb[11], em 1949, escreveu uma obra onde relatava que os circuitos neurais 
se fortalecem quanto mais forem utilizados, como essência da aprendizagem. Com o 
avanço dos computadores na década de 1950, a ideia de uma rede neural ganhava 
força e Nathanial Rochester[12] dos laboratórios de estudo da IBM tentou constituir 
uma, contudo não logrou êxito. 
O projeto de pesquisa de verão de Dartmouth[13] sobre inteligência artificial, em 1956, 
impulsionou as redes neurais, bem como a inteligência artificial, incentivando as 
pesquisas nessa área em relação ao processamento neural. Nos anos que se 
seguiram, John Von Neumann imitou funções simples de neurônios com tubos de 
vácuo ou reles telegráficos, enquanto Frank Rosenblatt iniciou o projeto Perceptron, 
https://www.nucleodoconhecimento.com.br/
https://www.nucleodoconhecimento.com.br/administracao/deep-learning
https://www.nucleodoconhecimento.com.br
REVISTA CIENTÍFICA MULTIDISCIPLINAR NÚCLEO DO 
CONHECIMENTO ISSN: 2448-0959 
https://www.nucleodoconhecimento.com.br 
 
 46 
RC: 29451 
Disponível em: https://www.nucleodoconhecimento.com.br/administracao/deep-learning 
analisando o funcionamento do olho de uma mosca. O resultado dessa pesquisa foi 
um hardware, que a rede neural mais antiga utilizada até os dias atuais. Entretanto, o 
Perceptron é muito limitado, o que foi comprovado por Marvin e Papert[14] 
Figura 1: Estrutura de Redes Neurais 
 
Fonte: Carvalho 
Alguns anos depois, em 1959, Bernard Widrow e Marcian Hoff, desenvolveram dois 
modelos chamados “adaline” e “madaline”. A nomenclatura é oriunda da utilização de 
múltiplos elementos: ADAptive LINear. Adaline foi criado para identificar padrões 
binários de forma a realizar previsões sobre próximo bit, enquanto “Madaline” foi a 
primeira rede neural aplicada a um problema real, utilizando-se um filtro adaptativo. O 
sistema ainda está em uso, mas apenas comercial.[15] 
Os progressos atingidos anteriormente levaram a crer que o potencial das redes 
neurais estava limitado à eletrônica. Questionava-se sobreo impacto que as 
“maquinas inteligentes” teriam sobre o homem e a sociedade como um todo. 
O debate sobre como a Inteligência Artificial afetaria o homem, levantaram criticas 
sobre as pesquisas em redes neurais o que causou uma redução dos financiamentos 
e, consequentemente, dos estudos na área, o que se manteve até 1981. 
https://www.nucleodoconhecimento.com.br/
https://www.nucleodoconhecimento.com.br/administracao/deep-learning
https://www.nucleodoconhecimento.com.br
https://www.nucleodoconhecimento.com.br/wp-content/uploads/2019/05/camadas_an-gif.gif
REVISTA CIENTÍFICA MULTIDISCIPLINAR NÚCLEO DO 
CONHECIMENTO ISSN: 2448-0959 
https://www.nucleodoconhecimento.com.br 
 
 47 
RC: 29451 
Disponível em: https://www.nucleodoconhecimento.com.br/administracao/deep-learning 
No ano seguinte, diversos eventos reacenderam o interesse por esse campo. John 
Hopfield da Caltech apresentou uma abordagem para criar dispositivos úteis, 
demonstrando suas atribuições[16]. Já em 1985, O Instituto Americano de Física iniciou 
uma reunião anual, denominada Redes Neurais para Computação. Em 1986, a mídia 
começou a noticiar as redes neurais de várias camadas, sendo que três 
pesquisadores apresentaram ideias similares, denominadas de redes 
Backpropagation, pois distribuem falhas de identificação de padrões em toda a rede. 
As redes híbridas possuíam apenas duas camadas, enquanto as redes de 
Backpropagation[17] apresentam muitas, de forma que essa rede retém informações 
de modo mais lento, pois precisam de milhares de iterações para aprender, mas 
também apresentam resultados mais precisos. Já em 1987, houve a primeira 
Conferência Internacional sobre Redes Neurais do Institute of Electrical and Electronic 
Engineer’s (IEEE). 
No ano de 1989, cientistas criaram algoritmos que utilizavam-se de redes neurais 
profundas, mas o tempo de ‘aprendizagem” era muito longo, o que impedia sua 
aplicação à realidade. Em 1992, Juyang Weng diulga o método Cresceptron para 
realizar o reconhecimento de objetos 3D a partir de cenas tumultuadas. 
Na metade dos anos 2000, o termo Deep Learning ou aprendizagem profunda começa 
a ser difundido após um artigo de Geoffrey Hinton e Ruslan Salakhutdinov[18], o qual 
demonstrou como uma rede neural de várias camadas poderia ser previamente 
treinada, sendo uma camada por vez. 
Em 2009, acontece o Workshop de Processamento de sistemas de redes neurais 
sobre Deep Learning para Reconhecimento de Voz e verifica-se que com um grupo 
de dados extenso, as redes neurais não precisam de treinamento prévio e os índices 
de falha caem significativamente[19]. 
Em 2012, as pesquisas proporcionaram algoritmos de identificação de padrões 
artificiais com desempenho humano em algumas tarefas. E o algoritmo do Google 
identifica felinos. 
https://www.nucleodoconhecimento.com.br/
https://www.nucleodoconhecimento.com.br/administracao/deep-learning
https://www.nucleodoconhecimento.com.br
REVISTA CIENTÍFICA MULTIDISCIPLINAR NÚCLEO DO 
CONHECIMENTO ISSN: 2448-0959 
https://www.nucleodoconhecimento.com.br 
 
 48 
RC: 29451 
Disponível em: https://www.nucleodoconhecimento.com.br/administracao/deep-learning 
Em 2015, o Facebook utiliza-se do Deep Learning para marcar e reconhecer 
automaticamente os usuários em fotografias. Os algoritmos executam tarefas de 
reconhecimento facial utilizando redes profundas. No ano de 2017, houve a adoção 
em grande escala do aprendizado profundo em várias aplicações empresariais e 
dispositivos móveis, além do progresso nas pesquisas[20]. 
O compromisso do Deep Learning é demonstrar que um conjunto de dados bastante 
extenso, processadores rápidos e um algoritmo bastante sofisticado, possibilita que 
os computadores possam realizar tarefas como reconhecer imagens e voz, dentre 
outras possibilidades. 
As pesquisas sobre as redes neurais têm ganhado destaque com promissoras 
atribuições apresentadas pelos modelos de redes neurais criados, devido as 
inovações tecnológicas recentes de implementação que permitem desenvolver 
audaciosas estruturas neurais paralelas em hardwares, atingindo performances 
satisfatórias destes sistemas, com desempenho superior aos sistemas convencionais, 
inclusive. A evolução das redes neurais é o Deep Learning. 
DEEP LEARNING 
Cabe, inicialmente, diferenciar a inteligência artificial, Machine Learning e o Deep 
Learning. 
 
 
 
 
 
 
 
https://www.nucleodoconhecimento.com.br/
https://www.nucleodoconhecimento.com.br/administracao/deep-learning
https://www.nucleodoconhecimento.com.br
REVISTA CIENTÍFICA MULTIDISCIPLINAR NÚCLEO DO 
CONHECIMENTO ISSN: 2448-0959 
https://www.nucleodoconhecimento.com.br 
 
 49 
RC: 29451 
Disponível em: https://www.nucleodoconhecimento.com.br/administracao/deep-learning 
Figura 2: Inteligência artificial, Machine Learning e Deep Learning 
 
Fonte: Elaborado pelo autor com base em Santana, 2018 
O campo de estudo da inteligência artificial é a pesquisa e o projeto de fontes 
inteligentes, isto é, um sistema que consiga tomar decisões baseado em uma 
característica considerada inteligente. Na inteligência artificial existem diversos 
métodos que modelam essa característica e dentre elas esta a esfera de Machine 
Learning, onde as decisões são tomadas (inteligência) com base em exemplos e não 
uma programação determinada. 
Os algoritmos de Machine Learning necessitam de informações para retirar 
características e aprendizados que podem ser utilizados para tomar decisões futuras. 
Já o Deep Learning é um subgrupo das técnicas de Machine Learning, que geralmente 
utilizam-se de redes neurais profundas e precisam de um grande volume de 
informações para o treinamento[21]. 
https://www.nucleodoconhecimento.com.br/
https://www.nucleodoconhecimento.com.br/administracao/deep-learning
https://www.nucleodoconhecimento.com.br
https://www.nucleodoconhecimento.com.br/wp-content/uploads/2019/05/021-2.png
REVISTA CIENTÍFICA MULTIDISCIPLINAR NÚCLEO DO 
CONHECIMENTO ISSN: 2448-0959 
https://www.nucleodoconhecimento.com.br 
 
 50 
RC: 29451 
Disponível em: https://www.nucleodoconhecimento.com.br/administracao/deep-learning 
De acordo com Santana[22] existem algumas diferenças entre as técnicas de Machine 
Learning e os métodos de Deep Learning, sendo que os principais são a necessidade 
e o impacto do volume de dados, o poder computacional e a flexibilidade na 
modelagem dos problemas. 
A Machine Learning precisa de dados para identificar padrões, contudo existem duas 
questões em relação aos dados que referem-se a dimensionalidade e a estagnação 
da performance ao introduzir mais dados além do limite comportado. Verifica-se que 
há uma redução no desempenho significativa quando isso ocorre. Em relação a 
dimensionalidade ocorre o mesmo, pois são muitas informações para detectar, 
através das técnicas clássicas a dimensão do problema. 
Figura 3: Comparação entre deep learning com outros algoritmos em relação a quantidade de dados. 
 
Fonte: Elaborado pelo autor com base em Santana, 2018 
As técnicas clássicas também apresentam um ponto de saturação em relação a 
quantidade de dados, isto é, possuem um limite máximo para extrair as informações, 
https://www.nucleodoconhecimento.com.br/
https://www.nucleodoconhecimento.com.br/administracao/deep-learning
https://www.nucleodoconhecimento.com.br
https://www.nucleodoconhecimento.com.br/wp-content/uploads/2019/05/sem-titulo-png-1.png
REVISTA CIENTÍFICA MULTIDISCIPLINAR NÚCLEO DO 
CONHECIMENTO ISSN: 2448-0959 
https://www.nucleodoconhecimento.com.br 
 
 51 
RC: 29451 
Disponível em: https://www.nucleodoconhecimento.com.br/administracao/deep-learning 
o que não ocorre com o deep learning, criados para trabalhar com um grande volume 
de dados. 
Em relação ao poder computacional para deep learning, suas estrutuas são 
complexas e necessitam de um grande volume de dados para seu treinamento, o que 
demonstra sua dependência de uma grande poder computacional paraimplementar 
essas práticas. Apesar de outras práticas clássicas precisarem de muito poder 
computacional como CPU, as técnicas de Deep Learning estão superiores. 
As pesquisas relacionadas a computação paralela e o uso de GPUs com CUDA - 
Compute Unified Device Architecture ou Arquitetura de Dispositivo de Computação 
Unificada deram inicio ao Deep Learning, pois era algo inviável com a utilização de 
um simples CPU. 
Em uma comparação com o treinamento de uma Rede Neural profunda ou deep 
learning com a utilização de uma CPU, verifica-se que seria impossível obter 
resultados satisfatórios mesmo com um treinamento prolongado. 
O Deep Learning, também denominado aprendizagem profunda é uma parte do 
Machine Learning ou aprendizagem de Máquina, que aplica algoritmos para processar 
dados e reproduzir o processamento realizado pelo cérebro humano. 
A aprendizagem profunda utiliza camadas de neurônios matemáticos para processar 
dados, identificar a fala e reconhecer objetos. Os dados são transmitidos através de 
cada camada, com a saída da camada anterior concedendo entrada para a próxima 
camada. A primeira camada em uma rede é denominada de camada de entrada e a 
última é a camada de saída. As camadas intermediárias são chamadas de camadas 
ocultas, sendo que cada camada da rede é formada por um algoritmo simples e 
uniforme engloba uma espécie de função de ativação. 
 
 
 
https://www.nucleodoconhecimento.com.br/
https://www.nucleodoconhecimento.com.br/administracao/deep-learning
https://www.nucleodoconhecimento.com.br
REVISTA CIENTÍFICA MULTIDISCIPLINAR NÚCLEO DO 
CONHECIMENTO ISSN: 2448-0959 
https://www.nucleodoconhecimento.com.br 
 
 52 
RC: 29451 
Disponível em: https://www.nucleodoconhecimento.com.br/administracao/deep-learning 
Figura 4: Rede Neural Simples e Rede Neural Profunda ou Deep Learning 
 
Fonte: Cultura Analítica 
As camadas mais externas em amarelo são as camadas de entrada ou saída e as 
camadas intermediárias ou ocultas estão em vermelho. O Deep Learning é 
responsável pelos recentes avanços no âmbito da computação, reconhecimento de 
fala, processamento de linguagem e identificação auditiva, fundamentando-se na 
definição de redes neurais artificiais ou sistemas computacionais que reproduzem o 
modo como o cérebro humano atua. 
Outro aspecto do Deep Learning é a extração de recursos, a qual utiliza um algoritmo 
para criar automaticamente parâmetros relevantes das informações para treinamento, 
aprendizado e entendimento, uma incumbência do engenheiro de inteligência artificial. 
O Deep Learning é uma evolução das Redes Neurais. O interesse na aprendizagem 
profunda tem crescido gradativamente na mídia e diversas pesquisas na área têm sido 
divulgadas e sua aplicação chegou aos carros, no diagnóstico de câncer e autismo, 
dentre outras aplicações[23] 
Os primeiros algoritmos de aprendizagem profunda com múltiplas camadas de 
atribuições não lineares apresentam sua origem em Alexey Grigoryevich Ivakhnenko, 
o qual desenvolveu o Método do Grupo de Manipulação de Dados e Valentin 
Grigor’evich Lapa, autor da obra Cybernetics and Forecasting Techniques no ano de 
1965.[24] 
Ambos usaram modelos finos e profundos com funções de ativação polinomial, 
averiguados através de métodos estatísticos. Através desses métodos eles 
https://www.nucleodoconhecimento.com.br/
https://www.nucleodoconhecimento.com.br/administracao/deep-learning
https://www.nucleodoconhecimento.com.br
https://www.nucleodoconhecimento.com.br/wp-content/uploads/2019/05/cultura-analitica-redes-neurais-simples-profundas-.png
REVISTA CIENTÍFICA MULTIDISCIPLINAR NÚCLEO DO 
CONHECIMENTO ISSN: 2448-0959 
https://www.nucleodoconhecimento.com.br 
 
 53 
RC: 29451 
Disponível em: https://www.nucleodoconhecimento.com.br/administracao/deep-learning 
selecionavam em cada camada os melhores recursos e transmitiam para a próxima 
camada, sem utilizar Backpropagation para “treinar” a rede completa, mas utilizaram 
quadrados mínimos em cada camada, onde as anteriores foram instaladas de forma 
independente nas camadas posteriores, manualmente. 
Figura 5: Estrutura da primeira rede profunda conhecida por Alexey Grigorevich Ivakhnenko 
 
Fonte: Dettmers, 2015 
Ao término da década de 1970 ocorreu o inverno de inteligência artificial, uma drástica 
redução nos financiamentos para pesquisas sobre assunto. O impacto limitou os 
avanços em Redes Neurais Profundas e Inteligência Artificial. 
As primeiras redes neurais convolucionais foram utilizadas por Kunihiko Fukushima, 
com diversas camadas de agrupamento e convoluções, em 1979. Ele criou uma rede 
neural artificial, denominada Neocognitron, com um layout hierárquico e 
multicamadas, o qual possibilitou ao computador identificar padrões visuais. As redes 
https://www.nucleodoconhecimento.com.br/
https://www.nucleodoconhecimento.com.br/administracao/deep-learning
https://www.nucleodoconhecimento.com.br
https://www.nucleodoconhecimento.com.br/wp-content/uploads/2019/05/sem-titulo-png-2.png
REVISTA CIENTÍFICA MULTIDISCIPLINAR NÚCLEO DO 
CONHECIMENTO ISSN: 2448-0959 
https://www.nucleodoconhecimento.com.br 
 
 54 
RC: 29451 
Disponível em: https://www.nucleodoconhecimento.com.br/administracao/deep-learning 
eram similares as versões modernas, com “treinamento” voltado para a estratégia de 
reforço de ativação periódica em inúmeras camadas. Ademais, o design de 
Fukushima possibilitou que os recursos mais relevantes fossem adequados 
manualmente aumentando a importância de determinadas conexões[25]. 
Muitas diretrizes de Neocognitron ainda estão em uso, como as conexões de cima 
para baixo e novas práticas de aprendizagem promoveram a concretização de 
diversas redes neurais. Quando diversos padrões são apresentados ao mesmo 
tempo, o Modelo de Atenção Seletiva pode separa-los e identificas os padrões 
individuais, atentando para cada um. Um Neocognitron mais atualizado pode 
identificar padrões com falta de dados e completar a imagem inserindo as informações 
que faltam, o que é chamado inferência. 
O Backpropagation utilizado para o treinamento de falhas de Deep Learning progrediu 
a partir de 1970, quando Seppo Linnainmaa escreveu uma tese, inserindo um código 
FORTRAN para Backpropagation, sem lograr êxito até 1985. Rumelhart, Williams e 
Hinton demonstraram então o Backpropagation em uma rede neural com 
representações de distribuição. 
Tal descoberta permitiu que o debate sobre AI atingisse a psicologia cognitiva que 
iniciou os questionamentos sobre a compreensão humana e sua relação com a lógica 
simbólica, bem como as conexões. Em 1989, Yann LeCun realizou uma 
demonstração prática de Backpropagation, com a combinação de redes neurais 
convolucionais para identificar os dígitos escritos. 
Nesse período houve novamente uma escassez de financeiamentos para pesquisas 
neste âmbito, conhecido como segundo inverno da IA, ocorrido entre 1985 e 1990, 
afetando também as pesquisas em redes neurais e Deep Learning. As expectativas 
apresentadas por alguns pesquisadores não atingiram o patamar esperado o que 
irritou profundamente os investidores. 
Em 1995, Dana Cortes e Vladimir Vapnik criaram a Support Vector Machine[26] ou 
máquina de vetor de suporte que era um sistema para mapear e identificar 
https://www.nucleodoconhecimento.com.br/
https://www.nucleodoconhecimento.com.br/administracao/deep-learning
https://www.nucleodoconhecimento.com.br
REVISTA CIENTÍFICA MULTIDISCIPLINAR NÚCLEO DO 
CONHECIMENTO ISSN: 2448-0959 
https://www.nucleodoconhecimento.com.br 
 
 55 
RC: 29451 
Disponível em: https://www.nucleodoconhecimento.com.br/administracao/deep-learning 
informações similares. O Long Short Term Memory-LSTM para redes neurais 
periódicas foi elaborado em 1997, por Sepp Hochreiter e Juergen Schmidhuber[27]. 
O próximo passo na evolução do Deep Learning ocorreu em 1999, quando o 
processamento de dados e as unidades de processamento de gráficos (GPUs) setornaram mais rápidos. A utilização de GPUs e seu rápido processamento representou 
um aumento da velocidade dos computadores. As redes neurais competiam com as 
máquinas de vetor de suporte. A rede neural era mais lenta que máquina de vetor de 
suporte, mas obtinham melhores resultados e continuavam evoluindo à medida que 
mais informações de treinamento eram adicionadas. 
No ano 2000, foi identificado um problema chamado Vanishing Gradient. As 
atribuições aprendidas em camadas mais baixas não eram transmitidas para as 
camadas superiores Contudo, só ocorria naquelas com métodos de aprendizagem 
baseados em gradientes. A origem do problema encontrava-se em algumas funções 
de ativação que reduziam sua entrada afetando a faixa de saída, gerando grandes 
áreas de entrada mapeadas em uma faixa muito pequena, ocasionando uma 
gradiente em queda. As soluções implementadas para solucionar a questão foram o 
pré-treino camada por camada e o desenvolvimento de uma memória longa e de curto 
prazo[28]. 
Em 2009, Fei-Fei Li, divulgou o ImageNet[29] com uma base de dados gratuita com 
mais de 14 milhões de imagens, voltadas para o “treinamento” das redes neurais, 
apontando como o Big data afetaria o funcionamento do Machine Learning. 
A velocidade das GPUs, até o ano de 2011, continuou aumentando permitindo a 
composição de redes neurais convolucionais sem a necessidade do pré-treino 
camada por camada. Assim, tornou-se notório que o Deep Learning era vantajoso em 
termos de eficácia e velocidade. 
Nos dias atuais, o processamento de Big Data e a progressão da inteligência artificial 
são dependentes do Deep Learning, o qual pode elaborar sistemas inteligentes e 
https://www.nucleodoconhecimento.com.br/
https://www.nucleodoconhecimento.com.br/administracao/deep-learning
https://www.nucleodoconhecimento.com.br
REVISTA CIENTÍFICA MULTIDISCIPLINAR NÚCLEO DO 
CONHECIMENTO ISSN: 2448-0959 
https://www.nucleodoconhecimento.com.br 
 
 56 
RC: 29451 
Disponível em: https://www.nucleodoconhecimento.com.br/administracao/deep-learning 
promover a criação de uma inteligência artificial totalmente autônoma, o que irá gerar 
impacto em toda a sociedade. 
FLEXIVILIDADE DAS REDES NEURAIS E SUAS APLICAÇÕES 
Apesar da existência de várias técnicas clássicas, a estrutura de Deep Learning e sua 
unidade básica, o neurônio é genérico e bem flexível. Fazendo uma comparação com 
o neurônio humano que proporciona as sinapses podemos identificar algumas 
correlações entre ambos. 
Figura 6: Correlação entre um neurônio humano e um rede neural artificial 
 
Fonte: Santana, 2018 
Nota-se que o neurônio é formado pelos dendritos que são os pontos de entrada, um 
núcleo que representa nas redes neurais artificiais o núcleo de processamento e o 
ponto de saída que representado pelo axônio. Em ambos os sistemas a informação 
entra, é processado e sai alterada. 
https://www.nucleodoconhecimento.com.br/
https://www.nucleodoconhecimento.com.br/administracao/deep-learning
https://www.nucleodoconhecimento.com.br
https://www.nucleodoconhecimento.com.br/wp-content/uploads/2019/05/sem-titulo-png-3.png
REVISTA CIENTÍFICA MULTIDISCIPLINAR NÚCLEO DO 
CONHECIMENTO ISSN: 2448-0959 
https://www.nucleodoconhecimento.com.br 
 
 57 
RC: 29451 
Disponível em: https://www.nucleodoconhecimento.com.br/administracao/deep-learning 
Considerando-o como uma equação matemática, o neurônio reflete o somatório das 
entradas multiplicado por pesos, sendo que esse valor passa por uma função de 
ativação. Tal somatório foi realizado por McCulloch e Pitts em 1943[30] 
Em relação ao interesse notório sobre Deep Learning nos dias atuais, Santana[31] 
considera que deve-se a dois fatores quais sejam a quantidade de informações 
disponíveis e a limitação das técnicas mais antigas além do poder computacional atual 
para treinar redes complexas. A flexibilidade de interconectar vários neurônios em 
uma rede mais complexa é o diferencial das estruturas de Deep Learning. Uma rede 
neural convolucional é amplamente utilizada para reconhecimento facial, detecção de 
imagens e extração de atribuições. 
Uma rede neural convencional é formada por diversas camadas, chamadas Layers. 
Dependendo da questão a ser solucionada a quantidade de camadas poder variar, 
podendo ter até centenas de camadas, sendo fatores que influenciam na quantidade 
a complexidade do problema, tempo e poder computacional 
Existem diversas estruturas diferentes com inúmeros propósitos e seu funcionamento 
também depende da estrutura e todos são baseados em redes neurais. 
 
 
 
 
 
 
 
 
 
https://www.nucleodoconhecimento.com.br/
https://www.nucleodoconhecimento.com.br/administracao/deep-learning
https://www.nucleodoconhecimento.com.br
REVISTA CIENTÍFICA MULTIDISCIPLINAR NÚCLEO DO 
CONHECIMENTO ISSN: 2448-0959 
https://www.nucleodoconhecimento.com.br 
 
 58 
RC: 29451 
Disponível em: https://www.nucleodoconhecimento.com.br/administracao/deep-learning 
Figura 7: Exemplos de redes neurais 
 
Fonte: Korolev 
Essa flexibilidade de arquitetura permite que o deep learning solucione diversas 
questões. O Deep Learning é uma técnica de objetivo geral, contudo os âmbitos que 
mais avançaram foram: a visão computacional, reconhecimento de fala, 
processamento de linguagem natural, sistemas de recomendação. 
A visão computacional abrange o reconhecimento de objetos, segmentação 
semântica, principalmente os carros autônomos. Pode-se afirmar que a visão 
computacional é parte da inteligência artificial e define-se como um conjunto de 
conhecimento que procura a modelagem artificial da visão humana com o objetivo de 
imitar suas funções, através do desenvolvimento de softwares e hardwares 
avançados[32]. 
https://www.nucleodoconhecimento.com.br/
https://www.nucleodoconhecimento.com.br/administracao/deep-learning
https://www.nucleodoconhecimento.com.br
https://www.nucleodoconhecimento.com.br/wp-content/uploads/2019/05/conjunto-de-diferentes-redes-neurais-rede-do-neur.jpeg
REVISTA CIENTÍFICA MULTIDISCIPLINAR NÚCLEO DO 
CONHECIMENTO ISSN: 2448-0959 
https://www.nucleodoconhecimento.com.br 
 
 59 
RC: 29451 
Disponível em: https://www.nucleodoconhecimento.com.br/administracao/deep-learning 
Entre as aplicações da visão computacional estão o uso militar, mercado de 
marketing, segurança, serviços públicos e no processo produtivo. Os veículos 
autônomos representam o futuro de um transito mais seguro, porém ainda se encontra 
na fase de testes, pois engloba diversas tecnologias aplicadas a uma função. A visão 
computacional nesses veículos, uma vez que permite o reconhecimento do trajeto e 
os obstáculos, aprimorando as rotas. 
No âmbito da segurança, os sistemas de reconhecimento facial tem se destacado 
cada vez mais, dado ao nível de segurança nos locais públicos e privados, 
implementado também nos dispositivos móveis. Do mesmo modo podem servir como 
chave de acesso para transações financeiras, enquanto nas redes sociais, detecta a 
presença do usuário ou seus amigos em fotos. 
Em relação ao mercado de marketing, uma pesquisa elaborada por Image Intelligence 
apontou que 3 bilhões de imagem são compartilhadas diariamente pelas redes sociais 
e 80% contém indicações que remetem a empresas específicas, mas sem referencias 
textuais. Empresas de marketing especializadas oferecem o serviço de gestão e 
monitoramento de presença em tempo real. Com a tecnologia de visão computacional 
a precisão na identificação de imagens alcança 99%. 
Nos serviços públicos sua utilização abrange a segurança do local através do 
monitoramento de câmeras, o tráfego de veículos através de imagens 
estereoscópicas que tornam o sistema de visão eficiente. 
No processo produtivo, empresas de diferentes ramos empregam a visão 
computacional como instrumento de controle de qualidade. Em qualquer ramo os 
softwares mais avançados associados a capacidade de processamento cada vez 
maior do hardware, aumentam as opçõesde uso da visão computacional. 
Os sistemas de monitoramento permitem o reconhecimento de padrões 
preestabelecidos, além de apontar falhas que não seriam identificáveis ao olhar de 
um funcionário na linha de produção. No mesmo contexto, aplicado ao controle de 
estoque está o projeto de automação de reposição. Um controle de estoque e vendas 
https://www.nucleodoconhecimento.com.br/
https://www.nucleodoconhecimento.com.br/administracao/deep-learning
https://www.nucleodoconhecimento.com.br
REVISTA CIENTÍFICA MULTIDISCIPLINAR NÚCLEO DO 
CONHECIMENTO ISSN: 2448-0959 
https://www.nucleodoconhecimento.com.br 
 
 60 
RC: 29451 
Disponível em: https://www.nucleodoconhecimento.com.br/administracao/deep-learning 
em tempo real possibilita através da tecnologia o controle das operações de 
determinada empresa aumentando, consequentemente, seus lucros. Existem outras 
aplicações no campo da medicina, da educação e comércio eletrônico. 
CONCLUSÕES 
O presente estudo procurou elucidar o que é o Deep Learning e apontar suas 
aplicações no mundo atual. As técnicas de aprendizagem profunda continuam 
progredindo em especial com a utilização de múltiplas camadas. Contudo, ainda 
existem limitações na utilização de redes neurais profunda, haja vista que são apenas 
uma forma de aprender diversas mudanças a serem implementadas ao vetor de 
entrada. Alterações proporcionadas por uma gama de parâmetros que são atualizados 
no período de treinamento. 
É inegável que a inteligência artificial é uma realidade mais próxima, mas falta um 
longo caminho a percorrer. A aceitação do aprendizado profundo em variados campos 
de conhecimento permite que a sociedade, como um todo, se beneficie das 
maravilhas da tecnologia moderna. 
Em relação à inteligência artificial, verifica-se que essa tecnologia capaz de aprender, 
apesar de muito importante tem um caráter linear e não moldável como dos seres 
humanos, o que representa um grande diferencial e essencial para algumas áreas de 
conhecimento, o que ainda não pode ser implementado na aprendizagem profunda. 
De qualquer forma, a utilização dos métodos de deep learning possibilitará às 
maquinas auxiliarem a sociedade em diversas atividades como demonstrado, 
ampliando a capacidade cognitiva do homem e um desenvolvimento ainda maior 
nessas áreas de conhecimento. 
REFERÊNCIAS BIBLIOGRÁFICAS 
ALIGER. Saiba o que é visão computacional e como ela pode ser usada. 2018. 
Disponível em: https://www.aliger.com.br/blog/saiba-o-que-e-visao-computacional/ 
BITTENCOURT, Guilherme. Breve história da Inteligência Artificial. 2001 
https://www.nucleodoconhecimento.com.br/
https://www.nucleodoconhecimento.com.br/administracao/deep-learning
https://www.nucleodoconhecimento.com.br
REVISTA CIENTÍFICA MULTIDISCIPLINAR NÚCLEO DO 
CONHECIMENTO ISSN: 2448-0959 
https://www.nucleodoconhecimento.com.br 
 
 61 
RC: 29451 
Disponível em: https://www.nucleodoconhecimento.com.br/administracao/deep-learning 
CARVALHO, André Ponce de L. Redes Neurais Artificiais. Disponível em: 
http://conteudo.icmc.usp.br/pessoas/andre/research/neural/ 
CHUNG, J; GULCEHE, C; CHO, K; BENGIO, Y. Gated feedback recurrent neural 
networks. In Proceedings of the 32nd International Conference on International 
Conference on Machine Learning, volume 37 of ICML, pages 2067–2075. 2015 
CULTURA ANALITICA. Entenda o que é deep learning e como funciona. Disponível 
em: https://culturaanalitica.com.br/deep-learning-oquee-como-funciona/cultura-
analitica-redes-neurais-simples-profundas/ 
DENG, Jia et al. Imagenet: Um banco de dados de imagens hierárquicas em grande 
escala. In: 2009 Conferência IEEE sobre visão computacional e reconhecimento de 
padrões . Ieee,. p. 248-255. 2009 
DETTMERS, Tim. Aprendizagem profunda em poucas palavras: Historia e 
Treinamento. Disponível em: https://devblogs.nvidia.com/deep-learning-nutshell-
history-training/ 
FUKUSHIMA, Kunihiko. Neocognitron: Um modelo de rede neural auto-organizada 
para um mecanismo de reconhecimento de padrões não afetado pela mudança de 
posição. Cibernética biológica , v. 36, n. 4, p. 193-202, 1980. 
GARTNER. Gartner diz que a AI Technologies estará em quase todos os novos 
produtos de software até 2020. Disponível em: 
https://www.gartner.com/en/newsroom/press-releases/2017-07-18-gartner-says-ai-
technologies-will-be-in-almost-every-new-software-product-by-2020 
GOODFELLOW, I; BENGIOo, Y; COURVILLE, A. Deep Learning. MIT Press. 
Disponível em: http://www.deeplearningbook.org 
GRAVES, A. Sequence transduction with recurrent neural networks. arXiv preprint 
arXiv:1211.3711, 2012. 
HOCHREITER, Sepp. O problema do gradiente de fuga durante a aprendizagem de 
redes neurais recorrentes e soluções de problemas. Revista Internacional de 
Incerteza, Fuzziness and Knowledge-Based Systems , v. 6, n. 02, p. 107-116, 1998. 
HEBB, Donald O. The organization of behavior; a neuropsycholocigal theory. A Wiley 
Book in Clinical Psychology., p. 62-78, 1949. 
HINTON, Geoffrey E; SALAKHUTDINOV, Ruslan R. Reduzindo a dimensionalidade 
dos dados com redes neurais. ciência , v. 313, n. 5786, p. 504-507, 2006. 
HOCHREITER, Sepp; SCHMIDHUBER, Jürgen. Longa memória de curto 
prazo. Computação Neural, v. 9, n. 8, p. 1735-1780, 1997. 
https://www.nucleodoconhecimento.com.br/
https://www.nucleodoconhecimento.com.br/administracao/deep-learning
https://www.nucleodoconhecimento.com.br
REVISTA CIENTÍFICA MULTIDISCIPLINAR NÚCLEO DO 
CONHECIMENTO ISSN: 2448-0959 
https://www.nucleodoconhecimento.com.br 
 
 62 
RC: 29451 
Disponível em: https://www.nucleodoconhecimento.com.br/administracao/deep-learning 
INTRODUCTION to artificial neural networks, Proceedings Electronic Technology 
Directions to the Year 2000, Adelaide, SA, Australia, 1995, pp. 36-62. Disponível em: 
https://ieeexplore.ieee.org/document/403491 
KOROLEV, Dmitrii. Set of different neural nets. Neuron network. Deep learning. 
Cognitive technology concept. Vector illustration Disponível em: 
https://stock.adobe.com/br/images/set-of-different-neural-nets-neuron-network-deep-
learning-cognitive-technology-concept-vector-illustration/145011568 
LIU, C.; CAO, Y; LUO Y; CHEN, G; VOKKARANE, V, MA, Y; CHEN, S; HOU, P. A 
new Deep Learning-based food recognition system for dietary assessment on an edge 
computing service infrastructure. IEEE Transactions on Services Computing, 
PP(99):1–13. 2017 
LORENA, Ana Carolina; DE CARVALHO, André CPLF. Uma introdução às support 
vector machines. Revista de Informática Teórica e Aplicada, v. 14, n. 2, p. 43-67, 2007. 
MARVIN, Minsky; SEYMOUR, Papert. Perceptrons. 1969. Disponível em: 
http://134.208.26.59/math/AI/AI.pdf 
MCCULLOCH, Warren S; PITTS, Walter. Um cálculo lógico das idéias imanentes na 
atividade nervosa. O boletim de biofísica matemática, v. 5, n. 4, p. 115-133, 1943. 
NIELSEN, Michael. How the backpropagation algorithm works. 2018. Disponível em: 
http://neuralnetworksanddeeplearning.com/chap2.html 
NIPS. 2009. Disponível em: http://media.nips.cc/Conferences/2009/NIPS-2009-
Workshop-Book.pdf 
PANG, Y; SUN, M; JIANG, X; LI, X.. Convolution in convolution for network in network. 
IEEE Transactions on Neural Networks and Learning Systems, PP(99):1–11. 2017 
SANTANA, Marlesson. Deep Learning: do Conceito às Aplicações. 2018. Disponível 
em: https://medium.com/data-hackers/deep-learning-do-conceito-%C3%A0s-
aplica%C3%A7%C3%B5es-e8e91a7c7eaf 
UDACITY. Conheça 8 aplicações de Deep Learning no mercado. Disponível em: 
https://br.udacity.com/blog/post/aplicacoes-deep-learning-mercado 
YANG, S; LUO, P; LOY, C.C; TANG, X. From facial parts responses to face detection: 
A Deep Learning approach. In Proceedings of 2015 IEEE International Conference on 
Computer Vision (ICCV), pages 3676–3684. 2015 
1. Liu, C., Cao, Y., Luo, Y., Chen, G., Vokkarane, V., Ma, Y., Chen, S., and Hou, 
P. (2017). A new Deep Learning-based food recognition system for dietary 
https://www.nucleodoconhecimento.com.br/
https://www.nucleodoconhecimento.com.br/administracao/deep-learninghttps://www.nucleodoconhecimento.com.br
REVISTA CIENTÍFICA MULTIDISCIPLINAR NÚCLEO DO 
CONHECIMENTO ISSN: 2448-0959 
https://www.nucleodoconhecimento.com.br 
 
 63 
RC: 29451 
Disponível em: https://www.nucleodoconhecimento.com.br/administracao/deep-learning 
assessment on an edge computing service infrastructure. IEEE Transactions on 
Services Computing, PP(99):1–13. 
2. Yang, S., Luo; P., Loy, C.-C; Tang, X. From facial parts responses to face 
detection: A Deep Learning approach. In Proceedings of 2015 IEEE 
International Conference on Computer Vision (ICCV), p. 3676 
3. Chung, J; Gulcehre, C; Cho, K; Bengio, Y. Gated feedback recurrent neural 
networks. In Proceedings of the 32nd International Conference on International 
Conference on Machine Learning, volume 37 of ICML, p. 2069 
4. PANG, Y; Sun, M., Jiang, X., and Li, X. (2017). Convolution in convolution for 
network in network. IEEE Transactions on Neural Networks and Learning 
Systems, PP(99):5. 2017 ↑ 
5. Goodfellow, I., Bengio, Y., and Courville, A. Deep Learning. MIT Press. 
http://www.deeplearningbook.org. 
6. GRAVES, A. Sequence transduction with recurrent neural networks. arXiv 
preprint arXiv:1211.3711, 2012. 
7. GARTNER. Gartner diz que a AI Technologies estará em quase todos os novos 
produtos de software até 2020. Disponível em: 
https://www.gartner.com/en/newsroom/press-releases/2017-07-18-gartner-
says-ai-technologies-will-be-in-almost-every-new-software-product-by-2020 
8. MCCULLOCH, Warren S; PITTS, Walter. Um cálculo lógico das idéias 
imanentes na atividade nervosa. O boletim de biofísica matemática , v. 5, n. 4, 
p. 115-133, 1943. 
9. HEBB, Donald O. The organization of behavior; a neuropsycholocigal theory. A 
Wiley Book in Clinical Psychology., p. 62-78, 1949. 
10. BITTENCOURT, Guilherme. Breve história da Inteligência Artificial. 2001.p. 24 
11. Idbiem p. 25 
12. MARVIN, Minsky; SEYMOUR, Papert. Perceptrons. 1969. Disponível em: 
http://134.208.26.59/math/AI/AI.pdf 
13. Introduction to artificial neural networks," Proceedings Electronic Technology 
Directions to the Year 2000, Adelaide, SA, Australia, 1995, pp. 36-62. 
Disponível em: https://ieeexplore.ieee.org/document/403491 
14. BITTENCOURT, Guilherme op cit. p. 32 
https://www.nucleodoconhecimento.com.br/
https://www.nucleodoconhecimento.com.br/administracao/deep-learning
https://www.nucleodoconhecimento.com.br
REVISTA CIENTÍFICA MULTIDISCIPLINAR NÚCLEO DO 
CONHECIMENTO ISSN: 2448-0959 
https://www.nucleodoconhecimento.com.br 
 
 64 
RC: 29451 
Disponível em: https://www.nucleodoconhecimento.com.br/administracao/deep-learning 
15. NIELSEN, Michael. How the backpropagation algorithm works. 2018. 
Disponível em: http://neuralnetworksanddeeplearning.com/chap2.html 
16. HINTON, Geoffrey E; SALAKHUTDINOV, Ruslan R. Reduzindo a 
dimensionalidade dos dados com redes neurais. ciência , v. 313, n. 5786, 
p. 504-507, 2006. 
17. NIPS. 2009. Disponível em: http://media.nips.cc/Conferences/2009/NIPS-
2009-Workshop-Book.pdf 
18. Santana, Marlesson. Deep Learning: do Conceito às Aplicações. 2018. 
Disponivel em: https://medium.com/data-hackers/deep-learning-do-conceito-
%C3%A0s-aplica%C3%A7%C3%B5es-e8e91a7c7eaf 
19. SANTANA, Marlesson. Deep Learning: do Conceito às Aplicações. 2018. 
Disponível em: https://medium.com/data-hackers/deep-learning-do-conceito-
%C3%A0s-aplica%C3%A7%C3%B5es-e8e91a7c7eaf 
20. idem 
21. UDACITY. Conheça 8 aplicações de Deep Learning no mercado. Disponível 
em: https://br.udacity.com/blog/post/aplicacoes-deep-learning-mercado 
22. Dettmers, Tim. Aprendizagem profunda em poucas palavras: Historia e 
Treinamento. Disponível em: https://devblogs.nvidia.com/deep-learning-
nutshell-history-training/ 
23. FUKUSHIMA, Kunihiko. Neocognitron: Um modelo de rede neural auto-
organizada para um mecanismo de reconhecimento de padrões não afetado 
pela mudança de posição. Cibernética biológica , v. 36, n. 4, p. 193-202, 1980. 
24. LORENA, Ana Carolina; DE CARVALHO, André CPLF. Uma introdução às 
support vector machines. Revista de Informática Teórica e Aplicada, v. 14, n. 2, 
p. 43-67, 2007. 
25. HOCHREITER, Sepp; SCHMIDHUBER, Jürgen. Longa memória de curto 
prazo. Computação Neural, v. 9, n. 8, p. 1735-1780, 1997. 
26. HOCHREITER, Sepp. O problema do gradiente de fuga durante a 
aprendizagem de redes neurais recorrentes e soluções de problemas. Revista 
Internacional de Incerteza, Fuzziness and Knowledge-Based Systems , v. 6, 
n. 02, p. 107-116, 1998. 
https://www.nucleodoconhecimento.com.br/
https://www.nucleodoconhecimento.com.br/administracao/deep-learning
https://www.nucleodoconhecimento.com.br
REVISTA CIENTÍFICA MULTIDISCIPLINAR NÚCLEO DO 
CONHECIMENTO ISSN: 2448-0959 
https://www.nucleodoconhecimento.com.br 
 
 65 
RC: 29451 
Disponível em: https://www.nucleodoconhecimento.com.br/administracao/deep-learning 
27. DENG, Jia et al. Imagenet: Um banco de dados de imagens hierárquicas em 
grande escala. In: 2009 Conferência IEEE sobre visão computacional e 
reconhecimento de padrões . Ieee, 2009. p. 248-255. 
28. MCCULLOCH, Warren S.; PITTS, Walter. Um cálculo lógico das idéias 
imanentes na atividade nervosa. O boletim de biofísica matemática , v. 5, n. 4, 
p. 115-133, 1943. 
29. SANTANA, Marlesson. Deep Learning: do Conceito às Aplicações. 2018. 
Disponivel em: https://medium.com/data-hackers/deep-learning-do-conceito-
%C3%A0s-aplica%C3%A7%C3%B5es-e8e91a7c7eaf 
30. ALIGER. Saiba o que é visão computacional e como ela pode ser usada. 2018. 
Disponível em: https://www.aliger.com.br/blog/saiba-o-que-e-visao-
computacional/ 
Enviado: Maio, 2019 
Aprovado: Maio, 2019 
 
1 Bachelor of Business Administration. 
https://www.nucleodoconhecimento.com.br/
https://www.nucleodoconhecimento.com.br/administracao/deep-learning
https://www.nucleodoconhecimento.com.br