Células Complexas

Células complexas podem ser encontradas no córtex visual primário no córtex secundário visual, e na área de Brodmann.

Como uma célula simples , uma célula complexa responderá principalmente para as bordas e grades orientadas, no entanto, tem um grau de invariância espacial. Isto significa que o seu campo de recepção não pode ser mapeado em excitatório fixo e zonas de inibição . Pelo contrário, ela vai responder a padrões de luz em uma determinada orientação dentro de um grande campo receptivo , independentemente da localização exata . Algumas células complexas responder otimamente apenas ao movimento em uma determinada direção .

Essas células foram descobertas por Torsten Wiesel e David Hubel , no início dos anos 1960.
Eles se abstiveram de informar sobre as células complexas em porque eles não sentiam que entendiam bem o suficiente naquele momento . Em 1962, Hubel e Wiesel relataram que as células complexas foram misturadas com células simples e quando pôde ser estabelecida regiões excitatórios e inibitórios..

A diferença entre os campos receptivos e as características de células simples e complexos é a natureza convergente hierárquica de processamento visual . Células complexos recebem entradas de um certo número de células simples. Seu campo receptivo , por conseguinte, a soma e a integração dos campos receptivos de muitas células simples de entrada

Deep Learning

Deep learning (aprendizagem profunda) é um conjunto de algoritmos de aprendizagem de máquina que a tentativa de modelar abstrações de alto nível em dados usando arquiteturas compostas por múltiplas transformações não-lineares.

Aprendizagem profunda é parte de uma família mais ampla de métodos de aprendizado de máquina baseado em representações de aprendizagem.
Uma observação (por exemplo, uma imagem) pode ser representada de várias maneiras (por exemplo, um vetor de pixels), mas algumas representações torná-lo mais fácil de aprender tarefas de interesse (por exemplo, esta é a imagem de um rosto humano?)

A partir de exemplos, e pesquisa nesta área tenta definir o que faz melhores representações e como criar modelos para aprender essas representações.

No deep learning ocorre a experimentação de diversos mecanismos conhecidos de aprendizado de máquina para ver qual melhor adequa-se ao problema compreendido.

Algoritmos de aprendizagem profunda são baseadas em "representações distribuídas", um conceito utilizado em aprendizagem automática. O pressuposto subjacente a representações distribuídas é que os dados observados é gerado pela interação de muitos fatores diferentes em diferentes níveis. Aprendizagem profunda acrescenta a suposição de que esses fatores estão organizados em vários níveis , que correspondem a diferentes níveis de abstração ou composição. Variação do número de camadas e da camada de tamanhos podem ser usados ​​para fornecer quantidades diferentes de abstracção.

Algoritmos de aprendizagem de profundidade , em particular explorar essa idéia de fatores explicativos hierárquicos. Diferentes conceitos são aprendidas de outros conceitos , com os conceitos mais abstratos de nível, maior a ser aprendido com os níveis mais baixos. Essas arquiteturas são muitas vezes construídos com um método guloso camada por camada, que os modelos dessa idéia. Aprendizagem profunda ajuda a separar essas abstrações e escolher quais recursos são úteis para o aprendizado.

Muitos algoritmos de aprendizagem profunda são realmente enquadrados como problemas de aprendizagem não supervisionadas.
Por causa disto, estes algoritmos podem fazer uso de "dados não marcados" que outros algoritmos não pode. "Dados não marcados" são geralmente mais abundante do que os dados rotulados, tornando este um benefício muito importante destes algoritmos.

Teoria Hebbiana: Aprendizado

A teoria hebbiana descreve um mecanismo básico da plasticidade sináptica no qual um aumento na eficiência sináptica surge da estimulação repetida e persistente da célula pós-sinápticas. Introduzida por Donald Hebb em 1949, é também chamada de regra de Hebb, postulado de Hebb, e afirma:

Vamos assumir que a persistência ou repetição de uma atividade reverberatória tende a induzir mudanças celulares duradouras que promovem estabilidade. (...) quando um axônio da célula A esta próxima o suficiente para excitar a célula B e repetidamente ou persistentemente segue fazendo com que a célula dispare, algum processo de crescimento ou alteração metabólica ocorre em uma ou ambas as células, de forma que aumente a eficácia de A, como uma das células capazes de fazer com que B dispare.

A teoria é frequentemente resumida como "células que disparam juntas, permanecem conectadas", apesar dessa afirmação ser uma simplificação exagerada do sistema nervoso que não deve ser tomada literalmente, bem como não representa fielmente a afirmação original de Hebb sobre as forças de troca na conectividade celular. A teoria é comumente evocada para explicar alguns tipos de aprendizagem associativos no qual a ativação simultânea de células leva a um crescimento pronunciado na força sináptica. Tal aprendizado é conhecido como aprendizagem hebbiana.