Projeto desenvolvido para a eletiva de Redes Neurais e Deep Learning no 2º semestre de 2025.
Comparar duas abordagens distintas de redes neurais aplicadas ao mesmo problema:
classificação de dígitos manuscritos usando o dataset MNIST.
A ideia aqui não é “inventar moda”, mas entender na prática:
- o que cada arquitetura assume sobre os dados
- como essas suposições impactam desempenho e interpretabilidade
- Entrada: imagens do MNIST flattened (28x28 → 784 pixels)
- Cada pixel é tratado como uma feature independente
- Não preserva relações espaciais da imagem
Limitação central:
O modelo não “entende” imagem — ele apenas aprende correlações numéricas entre pixels.
- Entrada: imagens no formato original (28x28)
- Uso de camadas convolucionais para:
- detectar padrões locais (bordas, curvas, traços)
- preservar a estrutura espacial da imagem
- Pooling para redução de dimensionalidade e generalização
Vantagem estrutural:
A CNN impõe uma hipótese correta sobre o problema: imagens têm padrões locais e hierárquicos.
- O modelo CNN apresentou desempenho significativamente superior ao MLP
- Além da acurácia maior, o comportamento da CNN foi:
- mais estável durante o treinamento
- mais coerente na análise de erros
- mais interpretável do ponto de vista conceitual
Isso não é coincidência.
É consequência direta da arquitetura estar alinhada com a natureza dos dados.
- MLP funciona, mas força o problema errado sobre os dados
- CNN explora corretamente a estrutura espacial das imagens
- Arquitetura importa tanto quanto os dados
Este projeto reforça um ponto central em Deep Learning:
desempenho não vem só de mais parâmetros, mas de boas hipóteses embutidas no modelo
- Python
- TensorFlow / Keras
- NumPy
- Matplotlib
- Dataset MNIST
Projeto desenvolvido exclusivamente para fins educacionais, como parte da disciplina eletiva de Redes Neurais e Deep Learning.