Documentação: Seu Guia Prático

Visão Geral: Seu Playground Neural

Esta ferramenta é um laboratório interativo. O objetivo é "abrir a caixa-preta" das redes neurais e permitir que você experimente, quebre e, principalmente, entenda como elas aprendem. Aqui, você está no controle.

O Cockpit: Painel de Controles

Este é o seu centro de comando. Cada componente tem um papel crucial no comportamento da rede:

• Neurônios na Camada Oculta: Define a "capacidade mental" do seu cérebro artificial. Com 1 neurônio, ele aprende tarefas simples. Com 20, ele pode modelar relações muito mais complexas entre os dados.
• Entradas (X1, X2): O combustível da rede. São os dados que ela recebe. Altere os sliders e veja a "Saída (Ŷ)" mudar instantaneamente.
• Saída Desejada (Y): Seu alvo. É o resultado que você quer que a rede aprenda a produzir para as entradas que você configurou. O "Erro" é simplesmente a diferença entre o que a rede produziu e o seu alvo.
• Botão "Treinar Rede": O coração do aprendizado. Cada clique força a rede a comparar sua resposta com o alvo, calcular o erro e ajustar seus pesos internos (backpropagation) para tentar fazer melhor da próxima vez.
• Botão "Ver Gráfico de Aprendizado": Abre uma visão em tela cheia do progresso. A linha verde (saída da rede) tentará encontrar e seguir a linha amarela (seu alvo) a cada treino. É a prova visual de que o aprendizado está acontecendo.

A Visualização: O Cérebro em Ação

O canvas principal mostra a arquitetura e o estado da sua rede em tempo real:

• Nós (as bolinhas): `X1` e `X2` são as entradas. Os nós `H` formam a camada oculta, onde a maior parte do "pensamento" acontece. `Saída Ŷ` é a resposta final da rede.
• Conexões (as linhas): Elas representam os **pesos**, a memória da rede.
  • Linhas Verdes: Peso positivo. Aumentam a chance do próximo neurônio "ativar".
  • Linhas Vermelhas: Peso negativo. Diminuem a chance do próximo neurônio "ativar".
  • Espessura da Linha: A força da conexão. Linhas mais grossas têm um impacto maior no resultado.
• Inspecionando um Neurônio: Clicar em qualquer nó `H` ou `Ŷ` abre o modo de inspeção, onde você pode manipular os pesos e o bias daquele neurônio específico para entender seu comportamento isolado.

Os Conceitos (Sem Enrolação)

O que realmente está acontecendo por baixo dos panos?

• Neurônio: Pense nele como uma pequena célula de decisão. Ele soma todas as informações que chegam, e com base no resultado, decide qual sinal enviar para frente.
• Pesos (Weights): A parte mais importante. É a "força" ou "importância" de cada conexão. Se o peso de X1 para H1 é alto, significa que H1 "presta muita atenção" em X1. **Aprender, para a rede, é ajustar esses pesos.**
• Bias: É um "empurrãozinho" ou um "ponto de partida". É um valor fixo somado ao cálculo de cada neurônio que o ajuda a ser mais ou menos propenso a ativar. Sem ele, o neurônio pode ficar "preso" e não aprender direito.
• Função de Ativação (Sigmoide): Depois que o neurônio soma tudo, o resultado pode ser qualquer número (ex: 25.7 ou -10.3). A função Sigmoide age como um "filtro de bom senso", esmagando esse resultado para um valor sempre entre 0 e 1, que é mais fácil para a próxima camada entender.
• Backpropagation: É o algoritmo "detetive" do aprendizado. Ele começa no final da rede, olha para o erro e diz: "Ok, erramos por X. Quanto de culpa o neurônio de saída tem?". Depois, ele vai para a camada anterior e diz: "Com base na culpa do neurônio da frente, quanta culpa cada um de vocês tem?". Ele faz isso até o início, ajustando cada peso um pouquinho na direção certa para corrigir o erro. É assim que a rede aprende com a experiência.