Programador BRASILEIRO

desenvolve inteligência ARTIFICIAL 🤖

Um programador brasileiro chamado Victor, criou uma inteligência artificial que dirige um carro sozinho, ele utilizou da linguagem de programação C para criar essa inteligência artificial usando uma rede neural e Deep Learning

Link

Mas o que seria uma rede neural?

Em ciência da computação e campos relacionados, redes neurais artificiais são modelos computacionais inspirados pelo sistema nervoso central de um animal ou ser humano que são capazes de realizar o aprendizado de máquina bem como o reconhecimento de padrões

Resumindo, a rede neural permite que a inteligência aprenda como se fosse um animal, assim possibilitando a criação de inteligências artificias mais efetivas.

O que seria Deep Learning?

Deep learning treina computadores para realizar tarefas como seres humanos, o que inclui reconhecimento de fala, identificação de imagem e previsões.

Como funciona a inteligência artificial que ele criou?

Ele utilizou uma rede neural para isso, porém não foi uma rede neural padrão e sim uma rede neural MLP que no caso seria, Rede Neural Artificial (Perceptron Multilayer) que é uma rede neural com uma ou mais camadas ocultas com um número indeterminado de neurônios. A camada oculta possui esse nome porque não é possível prever a saída desejada nas camadas intermediárias.

Para treinar a rede MLP, o algoritmo comumente utilizado é o de retropropagação (Backpropagation).

O algoritmo de aprendizado da MLP é chamado backpropagation é composto de 4 passos:

1º Passo: Inicialização

• Atribuir valores aleatórios para os pesos e limites
• Escolha dos valores iniciais influencia o comportamento da rede
• Na ausência de conhecimento prévio os pesos e limites devem ter valores iniciais aleatórios e pequenos uniformemente distribuídos
• 2º Passo: Ativação
• Calcular os valores dos neurônios da camada oculta
• Calcular os valores dos neurônios da camada de saída
• 3º Passo: Treinar os Pesos
• Calcular os erros dos neurônios das camadas de saída e oculta
• Calcular a correção dos pesos
• Atualizar os pesos dos neurônios das camadas de saída e oculta
• 4º Passo: Iteração
• Repetir o processo a partir do passo 2 até que satisfaça o critério de erro
• Para mais informações consulte esse artigo: https://medium.com/ensina-ai/rede-neural-perceptron-multicamadas-f9de8471f1a9

No caso ele utilizou 3 camadas, que seria

⦁ Camada de Entrada com 18 sensores + 1 Viés, totalizando 19 Neurônios

⦁ Camada Escondida com 6 neurônios + 1 Viés, totalizando 7 Neurônios

⦁ Camada de Saída com 4 neurônios (Acelerar, Ré, Virar para a Esquerda, Virar para a Direita)

Por meio dessas camadas ele fez todo o sistema de um carro, detecção de paredes e obstáculos.

Além disso ele utilizou o ReLU para efetuar a função de ativação em todas as redes neurais.

O que seria ReLU?

ReLU é a função de ativação mais amplamente utilizada ao projetar redes neurais atualmente. Primeiramente, a função ReLU é não linear, o que significa que podemos facilmente copiar os erros para trás e ter várias camadas de neurônios ativados pela função ReLU.

A principal vantagem de usar a função ReLU sobre outras funções de ativação é que ela não ativa todos os neurônios ao mesmo tempo. O que isto significa? Se você olhar para a função ReLU e a entrada for negativa, ela será convertida em zero e o neurônio não será ativado. Isso significa que, ao mesmo tempo, apenas alguns neurônios são ativados, tornando a rede esparsa e eficiente e fácil para a computação.

Mas ReLU também pode ter problemas com os gradientes que se deslocam em direção a zero. Mas quando temos um problema, sempre podemos pensar em uma solução. Aliás, isso é o que as empresas mais procuram nos dias de hoje: “resolvedores de problemas”. Seja um e sua empregabilidade estará garantida!

Mais detalhes: http://deeplearningbook.com.br/funcao-de-ativacao/

Conclusão

Essa inteligência artificial demonstra um terço da sua capacidade, além de uma aprendizagem rápida que pode ser calibrada mais ainda, nós temos a demonstração de como ela é uma grande aliada para a evolução tecnológica.

Caso queira visualizar o código fonte, o dono disponibilizou em seu vídeo

Link:

https://github.com/JVictorDias/DeepCars

Artigo by @Roooooot