Resumo: Resumo - Com o surgimento do aprendizado profundo, redes neurais novamente se tornaram opções vantajosas para lidar com uma variedade de problemas de classificação, especialmente quando imagens digitais estão envolvidas. A popularização desse tipo de técnica deu origem a uma comunidade ativa que tornou pública a maior parte das arquiteturas de aprendizado profundo desenvolvidas até o momento. Documentações completas e tutoriais detalhados associados a essas arquiteturas garantem que qualquer pessoa com conhecimentos básicos de programação é capaz de realizar os experimentos sem muito esforço. Como resultado, houve uma explosão no número de artigos aplicando aprendizado profundo a uma ampla gama de problemas. Apesar dos excelentes resultados alcançados por técnicas de aprendizado profundo, modelos de aprendizado profundo ainda são frequentemente aplicados sem as precauções necessárias para evitar resultados irrealistas ou enviesados. Há muitas sutilezas que raramente são mencionadas nos materiais de referência associados aos modelos de aprendizado profundo, sendo frequentemente ignorados quando os experimentos são idealizados. A natureza "caixa preta" dos modelos de aprendizado profundo agrava este cenário, porque potenciais problemas com o ajuste do modelo não são facilmente detectados. O objetivo deste trabalho é detalhar cada passo do fluxo de trabalho normalmente adotado para treinar modelos de aprendizado profundo, com especial atenção dedicada às muitas armadilhas que podem tornar os modelos gerados inadequados para uso prático.

Ano de publicação: 2021

Tipo de publicação: Folhetos

Unidade: Embrapa Agricultura Digital