Deep Learning utiliza redes neurais com múltiplas camadas ocultas para aprender representações hierárquicas dos dados. Cada camada extrai características progressivamente mais complexas: as primeiras camadas detectam padrões simples (como bordas em imagens ou padrões básicos em texto), enquanto camadas mais profundas combinam essas características para formar conceitos mais abstratos.
Redes Convolucionais (CNNs) são especializadas em processar dados com estrutura espacial, como imagens, usando operações de convolução que preservam relações locais. Redes Recorrentes (RNNs) são projetadas para sequências, mantendo memória de estados anteriores. Técnicas de regularização como dropout e batch normalization são essenciais para prevenir sobreajuste e garantir que o modelo generalize bem para dados não vistos durante o treinamento.
CNNs
Extraem padrões locais com convoluções.
RNNs
Processam sequências passo a passo.
Regularização
Dropout, batch norm e weight decay.