Esta é uma visão de trabalho sobre Dihexa, para quem quer mais que um parágrafo e menos que um manual.
Última revisão em 2025-10-27. Quando uma afirmação depende de um estudo específico, o estudo é descrito em vez de superinterpretado.
O reconhecimento automático de fala em larga escala é o primeiro e mais convincente caso bem-sucedido de aprendizado profundo. Redes neurais recorrentes de memórias de curto prazo longas podem aprender tarefas de "Aprendizado Muito Profundo" que envolvem intervalos de vários segundos contendo eventos de fala separados por milhares de passos de tempo discretos, onde um passo de tempo corresponde a cerca de 10 milissegundos. Memórias de curto prazo longas com portas de esquecimento são competitivas com reconhecedores de fala tradicionais em certas tarefas. O sucesso inicial no reconhecimento de fala foi baseado em tarefas de reconhecimento em pequena escala baseadas no TIMIT. O conjunto de dados contém 630 falantes de oito dialetos principais do inglês americano, onde cada falante lê 10 frases. Seu pequeno tamanho permite que muitas configurações sejam tentadas. Mais importante, a tarefa TIMIT diz respeito ao reconhecimento de sequência de fonemas, que, diferentemente do reconhecimento de sequência de palavras, permite modelos de linguagem de bigramas de fonemas fracos. Isso permite que a força dos aspectos de modelagem acústica do reconhecimento de fala seja mais facilmente analisada. As taxas de erro listadas abaixo, incluindo esses resultados iniciais e medidas como taxas de erro de fonemas percentuais (PER), foram resumidas desde 1991.
Fontes: pt.wikipedia.org
A estreia das redes neurais profundas para reconhecimento de falantes no final da década de 1990 e do reconhecimento de fala por volta de 2009 a 2011 e da memória de curto prazo longa por volta de 2003 a 2007, acelerou o progresso em oito áreas principais:
Fontes: pt.wikipedia.org
Treinamento e decodificação de rede neural profunda de aceleração e expansão vertical/horizontal Treinamento discriminativo de sequência Processamento de recursos por modelos profundos com sólida compreensão dos mecanismos subjacentes Adaptação de redes neurais profundas e modelos profundos relacionados Aprendizado multitarefa e de transferência por redes neurais profundas e modelos profundos relacionados Redes neurais convolucionais e como projetá-las para melhor explorar o conhecimento de domínio da fala Rede neural recorrente e suas ricas variantes de memória de curto prazo longa Modelos mais recentes de reconhecimento de fala usam transformadoras ou redes convolucionais temporais (TCN) com aplicações generalizadas e sucesso significativos. Outros tipos de modelos profundos, incluindo modelos baseados em tensores e modelos discriminativos/generativos profundos integrados. Todos os principais sistemas comerciais de reconhecimento de fala (por exemplo, Microsoft Cortana, Xbox, Skype Translator, Amazon Alexa, Google Now, Apple Siri, Baidu e pesquisa por voz da iFlyTek e uma variedade de produtos de fala da Nuance, etc.) são baseados em aprendizado profundo.
Fontes: pt.wikipedia.org
Um conjunto de avaliação comum para classificação de imagens é o conjunto de dados do banco de dados do MNIST. O MNIST é composto de dígitos manuscritos e inclui 60.000 exemplos de treinamento e 10.000 exemplos de teste. Assim como o TIMIT, seu tamanho pequeno permite que os usuários testem várias configurações. Uma lista abrangente de resultados neste conjunto está disponível. O reconhecimento de imagens baseado em aprendizagem profunda se tornou "super-humano", produzindo resultados mais precisos do que concorrentes humanos. Isso ocorreu pela primeira vez em 2011 no reconhecimento de sinais de trânsito e, em 2014, com o reconhecimento de rostos humanos. Veículos treinados em aprendizado profundo agora interpretam visualizações de câmera de 360°. Outro exemplo é a Análise de Novas Dismorfologias Faciais (FDNA), usada para analisar casos de malformações humanas conectados a um grande banco de dados de síndromes genéticas.
Fontes: pt.wikipedia.org
Dihexa é resumido aqui a partir de literatura pública: definição, contexto e pontos recorrentes na prática. Informação geral, não aconselhamento médico.
A pesquisa sobre Dihexa apoia-se sobretudo em estudos de laboratório e modelos animais; dados clínicos variam conforme a substância.
Pureza e análise (HPLC, espectrometria de massa), reconstituição correta e armazenamento adequado são decisivos.%!(EXTRA string=Dihexa)
Nem todos os mecanismos estão demonstrados e um estudo isolado não é evidência global. As questões abertas são sinalizadas.%!(EXTRA string=Dihexa)