O aprendizado amplo e profundo é uma abordagem de inteligência artificial (IA) que combina o uso de aprendizado de máquina supervisionado e não supervisionado. O aprendizado amplo e profundo usa arquiteturas de redes neurais superficiais e profundas para modelar grandes conjuntos de dados com recursos de baixo e alto nível. O resultado é um sistema de aprendizagem poderoso, capaz de generalizar padrões de dados anteriores e de se adaptar rapidamente a novas informações.
A aprendizagem ampla é o uso de redes superficiais para reconhecer padrões específicos em um conjunto de dados. Essa abordagem normalmente consiste em uma única camada de nós, com uma camada de entrada e uma camada de saída – tornando-a computacionalmente rápida e barata. Devido à sua simplicidade, o aprendizado amplo é mais adequado para conjuntos de dados com muitos sinais facilmente identificáveis.
A aprendizagem profunda, por outro lado, é o uso de múltiplas camadas de redes neurais profundas para identificar padrões complexos em grandes conjuntos de dados. A aprendizagem profunda é significativamente mais intensiva em termos computacionais do que a aprendizagem ampla, mas a sua capacidade de identificar relações subtis entre grandes conjuntos de dados diversos torna-a adequada para reconhecer padrões em conjuntos de dados com menos sinais óbvios.
A aprendizagem ampla e profunda combina os pontos fortes de ambos os modelos, utilizando a aprendizagem supervisionada para identificar sinais importantes dos dados de entrada e, em seguida, utilizando redes neurais profundas para identificar padrões mais complexos. Ao treinar múltiplas camadas para aprendizado profundo, o modelo pode encontrar padrões com mais nuances do que qualquer um deles sozinho. Isso pode levar a previsões mais precisas e melhor desempenho geral.
O aprendizado amplo e profundo é altamente eficaz para aplicações como reconhecimento de imagem, processamento de linguagem natural e reconhecimento de fala. Está se tornando mais predominante à medida que o poder de computação e a capacidade de armazenamento aumentam – tornando possível construir modelos maiores e mais sofisticados. À medida que a tecnologia melhora, ela pode ser aplicada a uma gama mais ampla de domínios de problemas.
