Redes com memória explicadas fácil: post-it, caderno e cozinheiros (Aula 2)

Uma rede neural comum só vai para frente e não guarda lembrança do que já viu. Como então a IA entende uma frase inteira? Nesta aula 2 da série de Transformer eu explico, do zero e sem decorar sigla, como as redes ganharam memória: primeiro o post-it (RNN), depois o caderno (LSTM) e, no meio disso, como a rede aprende com os próprios erros (backpropagation). Eu sou neurodivergente e tenho dificuldade com conteúdo denso. Então simplifiquei tudo com exemplos do dia a dia: a linha de montagem de bicicleta, o post-it que enfraquece a cada palavra e os três cozinheiros que descobrem de quem é a culpa da sopa salgada. Nesta aula: • Rede feedforward: por que ela só vai para frente e esquece • Pesos: o botão de volume de cada ligação • RNN: o post-it que volta e entra de novo com a próxima palavra • LSTM: o caderno que guarda a memória longa • Backpropagation: o erro volta para ajustar cada peso • Loss, gradiente e treino • O recado que some: o vanishing gradient Capítulos 0:00 Missão 2: redes com memória 0:48 A rede que só vai pra frente (linha de montagem) 1:35 Exemplo: fatos, pesos e bolinhas 6:07 A última bolinha decide 7:50 Para ler texto, é preciso lembrar: o post-it 9:03 RNN: por que o post-it enfraquece 11:54 LSTM: o post-it ganha um caderno 13:29 Backpropagation: os três cozinheiros 16:10 Loss, gradiente e treino 20:11 Treinando uma bolinha com um exemplo 21:43 O recado que some: vanishing gradient 23:46 Resumo: da rede sem memória até a LSTM 26:08 Próxima aula São 12 missões. Esta é a 2ª. A próxima é "O Transformer por fora" (encoder, decoder e o que tem dentro de cada camada). Se inscreva para não perder. Créditos Música de fundo: FSM Team, "In The Zone" (CC BY 4.0), via free-stock-music.com Genkai Labs · IA aplicada, explicada simples. #EngenhariaDeIA #Transformer #RedesNeurais #InteligenciaArtificial #LSTM