Neurônio e Vetores

Teoria: Vetores, dot product, operações básicas de álgebra linear

Prática: Implementar um neurônio único em NumPy puro

A motivação é concreta desde o minuto um: você aprende dot product porque precisa dele para fazer o neurônio funcionar.

---

Vídeos Fundamentais#

• 3Blue1Brown - Essence of Linear Algebra (eps 1-4) - Vetores, combinações lineares, transformações

  • youtube.com/playlist?list=PLZHQObOWTQDPD3MizzM2xVFitgF8hE_ab

• 3Blue1Brown - Dot Products and Duality - Conexão profunda entre dot product e transformações lineares

  • 3blue1brown.com/lessons/dot-products

• Karpathy - Neural Networks: Zero to Hero (início do micrograd) - Primeiro contato com neurônio computacional (assista os primeiros ~30 min)

  • youtube.com/watch?v=VMj-3S1tku0

---

Leituras e Tutoriais#

• BetterExplained - "Understanding the Dot Product" - Melhor modelo mental: dot product como "multiplicação direcional" (analogia do painel solar)

  • betterexplained.com/articles/vector-calculus-understanding-the-dot-product

• Pablo Insente - Linear Algebra for Applied ML - Cada operação pareada com código NumPy

  • pabloinsente.github.io/intro-linear-algebra

• "9 Lines of Python" Neural Network - Ponto de partida mais minimalista possível com sigmoid

  • medium.com/technology-invention-and-more/how-to-build-a-simple-neural-network-in-9-lines-of-python-code-cc8f23647ca1

---

Ferramentas Interativas#

• Immersive Linear Algebra - Textbook interativo gratuito com diagramas 3D manipuláveis

  • immersivemath.com

• GeoGebra - Geometric Interpretation - Arraste vetores e veja projeções em tempo real

  • geogebra.org/m/gTs4bMs2

• Georgia Tech Interactive Linear Algebra - Applets embutidos de sistemas até autovalores

  • textbooks.math.gatech.edu/ila

---

Insight Chave#

Um neurônio é um classificador linear. O dot product w·x mede o quanto o input se alinha com os pesos - geometricamente, é uma projeção. O bias desloca a fronteira de decisão, e a sigmoid "esmaga" o resultado em uma probabilidade entre 0 e 1. Com um neurônio, você só consegue separar dados com uma linha reta. Para resolver problemas não-lineares como XOR, você precisa empilhar neurônios - que é exatamente o próximo tópico.

---

Entregável#

Um neurônio em NumPy que recebe inputs, multiplica por pesos, soma bias, aplica sigmoid, e retorna output.

Sanity check: Com inputs [1, 0.5], pesos [0.7, -0.3], bias 0.1, seu neurônio deve retornar ~0.5987.

Teste: Execute com 3 pares de inputs diferentes e observe como mudar os pesos muda o output.

Você deve conseguir explicar: O que o dot product está fazendo geometricamente ali — escreva 2-3 linhas de comentário no código.

---

Checklist#

---

Conexões#

Próximo passo: Entenda como empilhar neurônios em camadas em mlp-e-matrizes