Descreva brevemente o conceito de redes neurais MLP e explique como elas são organizadas em camadas. Quais são as funções de ativação comumente uti...

As redes neurais MLP (Multilayer Perceptron) são um tipo de rede neural artificial que consiste em várias camadas de neurônios interconectados. Cada camada é composta por um conjunto de neurônios que recebem entradas, processam essas informações e geram saídas para a próxima camada. A primeira camada é chamada de camada de entrada, a última camada é chamada de camada de saída e as camadas intermediárias são chamadas de camadas ocultas. As funções de ativação mais comuns utilizadas em redes neurais MLP são a função sigmoide, a função tangente hiperbólica e a função ReLU (Rectified Linear Unit). Essas funções são responsáveis por introduzir não-linearidade na rede, permitindo que ela possa aprender relações complexas entre as entradas e as saídas. O papel das funções de ativação no processo de propagação do sinal na rede é transformar a soma ponderada das entradas em uma saída não-linear. Essa saída é então propagada para a próxima camada, onde é novamente ponderada e transformada pela função de ativação. Esse processo é repetido até que a saída final seja gerada na camada de saída. As redes neurais MLP são treinadas por meio de um processo de ajuste dos pesos sinápticos, que são os parâmetros que determinam a força das conexões entre os neurônios. O algoritmo de treinamento mais comum é o backpropagation, que utiliza o gradiente descendente para minimizar o erro entre as saídas da rede e as saídas desejadas. O gradiente descendente é um método iterativo que ajusta os pesos sinápticos na direção oposta ao gradiente da função de erro. Algumas das limitações do algoritmo de backpropagation incluem a possibilidade de convergir para mínimos locais, a sensibilidade a valores iniciais dos pesos sinápticos e a possibilidade de overfitting. Para contornar essas limitações, existem diversas variações do algoritmo de backpropagation, como o método de momentum, o método de regularização e o método de otimização por segundo momento (Adam).