AI, graphs and neural networks
Introduzido| English | Significado |
|---|---|
| machine learning/məˈʃiːn ˈlɜːnɪŋ/ | Aprendizado de máquina |
| deep learning/diːp ˈlɜːnɪŋ/ | aprendizado profundo |
| graph/ɡræf/ | grafo |
| neural networks/ˈnjuːrəl ˈnetwɜːks/ | redes neurais |
| nodes/nəʊdz/ | nós |
| edges/ˈedʒɪz/ | arestas |
| minimax/ˈmɪnɪmæks/ | minimax |
| weight/weɪt/ | peso |
| activation function/ˌæktɪˈveɪʃn ˈfʌŋkʃn/ | função de ativação |
| hidden layers/ˈhɪdn ˈleɪəz/ | camadas ocultas |
O programa que aprendeu a ver sem ser dito o que procurar
- Em 2012, uma equipe participou de uma competição de reconhecimento de imagens com um programa que nunca havia recebido uma única regra sobre como um gato parece. Foi mostrado um milhão de fotos rotuladas e descobriu as regras sozinho.
- Reduziu pela metade a taxa de erro de cada entrada programada manualmente. Em três anos, todo o campo abandonou escrever regras.
- Essa inversão é o tema deste tópico: não "como dizemos a um computador o que é um gato", mas "como um computador descobre isso a partir de exemplos".
- Esta lição é o que significam machine learning 机器学习 e deep learning 深度学习, como um gráfico 图 transforma problemas de IA em busca, e o que uma rede neural artificial realmente calcula.
IA, machine learning e deep learning
- Inteligência Artificial é o objetivo amplo: sistemas realizando tarefas que normalmente exigem inteligência humana, como visão, fala, tradução e direção.
- Machine learning é a abordagem que domina: algoritmos que aprendem padrões dos dados em vez de serem programados passo a passo.
- Deep learning é machine learning usando redes neurais 神经网络 com muitas camadas. Tem liderado o campo desde a década de 2010 porque aprende diretamente de dados brutos, pixels ou áudio ou texto, sem características desenhadas manualmente.
- Eles se aninham: deep learning é parte do machine learning, que é parte da IA.

Três círculos, não três rivais
Machine learning means an algorithm that:
Dificuldade 1/5 · Moedas 100 + pequeno bônus na primeira conclusão hoje
ML learns from data; deep learning is ML using multi-layer neural networks.
How do AI, machine learning and deep learning relate?
Dificuldade 1/5 · Moedas 100 + pequeno bônus na primeira conclusão hoje
AI is the goal, machine learning is the dominant approach to it, and deep learning is machine learning with many-layered networks.
Grafos, e por que tanta IA é busca
- Um grafo é um conjunto de nós 节点 unidos por arestas 边. Nós são estados, lugares ou conceitos; arestas são movimentos, estradas ou relações.
- Encontramento de caminho: uma rede rodoviária é um grafo, e encontrar uma rota é uma busca no grafo, usando o algoritmo de Dijkstra ou A*.
- Jogos: cada posição do tabuleiro é um nó e cada movimento legal uma aresta, então o jogo é uma árvore que faz busca minimax 极小化极大, assumindo que cada jogador toma sua melhor opção.
- Representação de conhecimento: uma rede semântica armazena conceitos como nós e relações como arestas. Busca em largura e busca em profundidade são as ferramentas padrão para explorar qualquer uma dessas.
In AI, a graph consists of:
Dificuldade 1/5 · Moedas 100 + pequeno bônus na primeira conclusão hoje
Graphs model states/places as nodes and moves/relationships as edges — used for pathfinding, game trees and knowledge.
Exemplo resolvido: modele um problema como um grafo
- Uma empresa de entregas quer a menor rota entre duas cidades. Descreva como isso é representado como um grafo.
- Cada cidade é um nó; cada estrada é uma aresta unindo dois nós; a aresta carrega um peso, a distância ou o tempo de viagem.
- O problema é então "encontrar o caminho entre os dois nós com o menor peso total", o que o algoritmo de Dijkstra resolve.
- Diga quais são os nós, quais são as arestas e o que os pesos significam. Uma resposta que diz apenas "é um grafo" não obtém pontos.
A road network is modelled as a graph to find the shortest route. Which statements are correct? Select todos that apply.
Dificuldade 2/5 · Moedas 140 + pequeno bônus na primeira conclusão hoje
Places are nodes and connections are edges. Saying what the weights represent is the third mark.
O neurônio artificial
- Um neurônio artificial recebe várias entradas. Ele multiplica cada entrada por um peso 权重, soma-os com um bias (viés), e passa o total através de uma função de ativação 激活函数 não linear para produzir sua saída.
- Os pesos são o que a rede aprende. A função de ativação é o que permite à rede representar algo além de uma linha reta: sem ela, qualquer número de camadas colapsaria em uma única fórmula linear.

Multiplique, some e dobre
Put the steps inside one artificial neuron in order.
Dificuldade 3/5 · Moedas 200 + pequeno bônus na primeira conclusão hoje
Multiply, sum, activate, pass on. Without the non-linear activation, any depth of network would collapse into one linear formula.
Camadas, e o que "deep" significa
- Neurônios são organizados em camadas. A camada de entrada recebe os dados. Uma ou mais camadas ocultas 隐藏 layer aprendem padrões internos. A camada de saída produz a resposta, uma classe ou um número.
- Uma rede é chamada de deep quando tem muitas camadas ocultas, e treinar tal rede é deep learning.
- Por que as camadas ocultas importam: em uma rede de imagem, as primeiras aprendem bordas, as do meio formas, as posteriores objetos. Ninguém desenhou essa hierarquia; foi o que o treinamento produziu.

Entrada, oculta, saída, e o aprendizado está nos pesos entre elas
Tap the parts of a neural network
Explore the layers. Data flows left to right: the input layer takes the features, the hidden layers learn patterns, and the output layer gives the answer — with every connection carrying a weight that training adjusts.
Match each part of a neural network to its role.
Dificuldade 2/5 · Moedas 140 + pequeno bônus na primeira conclusão hoje
Features enter the input layer, hidden layers learn patterns, the output layer answers; learning = tuning the weights.
A neural network is called "deep" when it has many hidden layers, and each neuron takes a weighted sum of its inputs (plus a bias) before applying an activation function.
Dificuldade 1/5 · Moedas 100 + pequeno bônus na primeira conclusão hoje
Stacking many hidden layers lets the network learn richer patterns — training such a network is deep learning.
A neural network is called "deep" when it has:
Dificuldade 1/5 · Moedas 100 + pequeno bônus na primeira conclusão hoje
Many hidden layers make a deep neural network; training one is deep learning.
During training, the values adjusted inside a neural network are its ____.
Dificuldade 1/5 · Moedas 100 + pequeno bônus na primeira conclusão hoje
The architecture and the activation function are chosen by the designer; what the network learns is stored in the weights.
Exemplo resolvido: descreva como um neurônio calcula
- Descreva o que acontece dentro de um único neurônio artificial. [3]
- Cada entrada é multiplicada por seu próprio peso, e os produtos são somados junto com um bias.
- A soma resultante é passada por uma função de ativação, que é não linear.
- O resultado é a saída do neurônio, que se torna uma entrada para os neurônios da próxima camada. Os pesos e o bias são os valores ajustados durante o treinamento.
Marcas que escapam
- Machine learning aprende padrões dos dados; não é "programado passo a passo" e não é mágica. Diga o que ele aprende dos dados.
- "Deep" significa muitas camadas ocultas, não "muito inteligente" ou "muito grande".
- Um grafo é nós e arestas, e uma resposta sobre grafos deve dizer o que cada um representa neste problema.
- Os pesos são o que o treinamento altera. A função de ativação e a arquitetura são escolhidas pelo projetista.
Entendeu?
- IA é o objetivo, machine learning aprende padrões dos dados em vez de seguir regras escritas, e deep learning é machine learning com redes neurais de muitas camadas
- um grafo de nós e arestas transforma encontramento de caminho, jogos e representação de conhecimento em busca, usando Dijkstra, A*, minimax, busca em largura e busca em profundidade
- um neurônio artificial multiplica entradas por pesos, soma um bias e aplica uma função de ativação não linear
- camadas executam entrada, oculta, saída; deep significa muitas camadas ocultas, e o aprendizado reside nos pesos