Nesta atividade, trabalhei com o notebook Ativações.ipynb, explorando o comportamento de diferentes funções de ativação aplicadas à saída de um perceptron em um problema de classificação binária.
A proposta principal foi observar como a saída linear do perceptron se comporta quando passa por funções de ativação como limiar, Sigmoid, ReLU e Tanh. Para isso, executei o notebook original no Google Colab e alterei apenas a célula indicada no enunciado, modificando os índices dos pontos analisados na distribuição.
Durante a execução, também enfrentei um erro relacionado à variável perceptron, que ainda não havia sido definida no ambiente. Esse erro ocorreu porque a célula final foi executada antes das células responsáveis por criar o modelo. A correção foi executar o notebook desde o início, garantindo que todas as variáveis, bibliotecas, modelo e função de ativação fossem carregados corretamente antes da análise final.
Com a atividade, foi possível compreender melhor que a saída original do perceptron pode variar em uma escala ampla, enquanto funções como Sigmoid e Tanh ajudam a limitar essa saída dentro de intervalos conhecidos. A Sigmoid, por exemplo, é bastante útil em problemas de classificação binária, pois transforma a saída em valores entre 0 e 1, facilitando a interpretação da força de ativação do neurônio.
Essa prática reforçou a importância das funções de ativação no contexto de redes neurais, mostrando que elas não servem apenas para transformar valores, mas também para tornar a saída do modelo mais adequada ao tipo de problema que se deseja resolver.
Segue o link: https://github.com/Moquiuti/Deep-Learning-com-PyTorch/blob/main/Ativa%C3%A7%C3%B5es.ipynb
Conte com o apoio da comunidade Alura na sua jornada. Abraços e bons estudos!