O que é deep learning (aprendizado profundo)

De onde vem o termo deep learning?

Em uma frase: "deep" (profundo) se refere ao número de camadas ocultas de uma rede neural artificial.

Uma dissertação da USP cita o autor Tom Taulli. Segundo ele, o deep learning é uma ramificação do machine learning, e a palavra "deep" indica quantas camadas ocultas a rede tem. A mesma dissertação traz outra explicação, do autor Filipe Medon: o padrão aprendido não fica em um único nível. Ele é representado em vários níveis, um sobre o outro.

As redes neurais artificiais recebem esse nome porque foram inspiradas nos neurônios do cérebro. Essa comparação é só uma inspiração. Uma tese da UnB descreve como elas funcionam: são unidades ligadas por pesos (valores), que se ajustam a partir de exemplos de treinamento.

Para quem quer mais: não existe uma data única de nascimento do termo. Uma tese da USP sobre regulação da IA reúne várias versões. Uma delas situa o surgimento na década de 1980, segundo Kaufman. Outra, de Enger, data o deep learning de 1965, com um sistema do cientista Alexey Grigorevich. A mesma tese lembra o perceptron, de Frank Rosenblatt, de 1956, que era uma rede neural de camada única. Já a tese da UnB afirma, citando Lage, que o conceito surgiu em 2006.

O que é deep learning na prática e como funcionam as camadas?

Em uma frase: os dados entram na rede, passam por várias camadas que os transformam e saem como uma resposta.

🌱 Sou novo nisso. Uma rede neural tem três partes:

• Entrada: recebe os dados, como pixels de uma imagem, áudio ou texto.
• Camadas ocultas: transformam os dados aos poucos. Ter várias delas é o que torna a rede "profunda".
• Saída: entrega o resultado, por exemplo uma classe ("gato" ou "não gato"), uma probabilidade ou um texto gerado.

A documentação do Azure Machine Learning, da Microsoft descreve essa estrutura. Ela também lista usos como reconhecimento de voz e de rosto, detecção de fraude, análise de sentimento e previsão de séries temporais.

🔎 Já uso. Cada unidade da rede faz uma soma ponderada das entradas usando pesos. Depois aplica uma função de ativação, que permite representar relações complexas. O treinamento ajusta esses pesos com dados reais. É assim que a documentação da AMD descreve o processo. Segundo a documentação do ML.NET, o deep learning vai bem com dados não estruturados: imagens, áudio e texto livre. Por isso aparece em tradução, classificação e geração de texto.

🚀 Já sou mais avançado. Há bibliotecas com componentes otimizados para essas redes. Um exemplo é a Intel oneAPI Deep Neural Network Library (oneDNN). A pesquisa científica também continua. A página temática da Nature reúne, por exemplo, trabalhos de deep learning para classificar a estabilidade de redes elétricas inteligentes.

As fontes oficiais citadas nesta seção foram consultadas em nov/2026.

Deep learning é o mesmo que machine learning ou IA?

Em uma frase: não. O deep learning é uma parte do machine learning, que por sua vez é uma parte da IA.

Confusão 1: "deep learning e machine learning são a mesma coisa". O machine learning é o campo amplo de métodos que aprendem padrões a partir de dados. O deep learning é um subconjunto dele, segundo a Microsoft. A diferença costuma estar nas características dos dados.

• No machine learning tradicional, as características relevantes muitas vezes são extraídas à mão.
• No deep learning, elas são extraídas automaticamente dos dados brutos.

A tese da UnB explica essa distinção, citando Fernanda Lage. Segundo a tese da USP, o machine learning tradicional exige menos dados para treinar.

Confusão 2: "a rede neural pensa como uma pessoa". A comparação com o pensamento humano é apenas uma metáfora. É o que afirma um artigo da Civilistica.com. Durante o treinamento, a rede não busca causas. Ela cria uma função matemática que liga as entradas às saídas rotuladas.

O artigo dá um exemplo. Um modelo de concessão de empréstimos encontrou uma ligação entre o nível médio de bateria do celular e a chance de a pessoa pagar a dívida. Esse tipo de achado pode ser útil para uma empresa. Mas também pode discriminar pessoas sem que ninguém perceba.

Confusão 3: "dá para saber exatamente por que o modelo decidiu". Em geral, não. As camadas ocultas funcionam como uma "caixa-preta": nem quem programou o modelo sabe por completo como ele chegou a uma resposta, segundo a Civilistica.com. Por isso vale conferir o que importa antes de usar uma decisão automatizada, sobretudo em temas de dinheiro, saúde ou lei.