Tudo o que segue trata de Dihexa. Mantemos linguagem clara, apoiamos na literatura e separamos o bem documentado do que segue em aberto.
Esta página foi atualizada em 2025-11-08 e é revisada periodicamente.
=== Consumo humano e toxicologia === O tremoço in natura contém um aminoácido neurotóxico que o veda ao consumo humano, além de uma série de substâncias alcalóides dotadas de efeitos neurotóxicos e hepatóxicos do grupo da quinolizidina, como a lupanina, ou lupinina, mas isto só ocorreria com o consumo do grão fresco ou seco, e em grandes quantidades e por longos períodos. Para poder consumir os tremoços sem risco, eles devem ser cozidos e depois cobertos de água mudada com frequência por diversos dias até perderem o seu amargo original, com a eliminação dos alcalóides. Assim preparados, os tremoços não oferecem qualquer risco à saúde.
Fontes: pt.wikipedia.org
== História e etnografia == Historicamente, o tremoço-comum era uma espécie espontânea em Portugal, sendo que, presentemente, se trata de uma espécie cultivada. Na tradição popular portuguesa, há a lenda de que o nome «Estremoz» terá provindo de um campo de tremoceiros, no meio do qual um grupo de desterrados se teria refugiado, para pernoitar, tendo decidido, posteriormente, fixar-se naquele local. Nalgumas versões da lenda, reza que os desterrados proviriam de Castelo Branco e que o episódio teria ocorrido no reinado de D. Afonso III. Ao fundarem uma povoação naquele espaço, pediram ao rei que lhes concedesse um foral e que no brasão figurassem as coisas que tinham primeiramente encontrado naquela terra: o sol, a lua, as estrelas e o tremoceiro. Sendo que o nome Estremoz, nos conformes desta lenda popular, derivaria da palavra tremoço.
Fontes: pt.wikipedia.org
No aprendizado de máquina, a aprendizagem profunda se concentra na utilização de redes neurais multicamadas para executar tarefas como classificação, regressão e aprendizagem de representação. O campo se inspira na neurociência biológica e é centrado em empilhar neurônios artificiais em camadas e "treiná-los" para processar dados. O adjetivo "profunda" se refere ao uso de múltiplas camadas (variando de três a várias centenas ou milhares) na rede. Os métodos usados podem ser supervisionados, semissupervisionados ou não serem supervisionados. Algumas arquiteturas comuns de redes de aprendizagem profunds incluem redes totalmente conectadas, redes de crenças profundas, redes neurais recorrentes, redes neurais convolucionais, redes adversárias generativas, transformadoras e campos de radiância neural. Essas arquiteturas foram aplicadas a campos como visão computacional, reconhecimento de fala, processamento de linguagem natural, tradução automática, bioinformática, design de medicamentos, análise de imagens médicas, ciência do clima, inspeção de materiais e programas de jogos de tabuleiro, onde produziram resultados comparáveis e, em alguns casos, superando o desempenho de especialistas humanos. As primeiras formas de redes neurais foram inspiradas pelo processamento de informações e nós de comunicação distribuídos em sistemas biológicos, particularmente o cérebro humano. No entanto, as redes neurais atuais não pretendem modelar a função cerebral dos organismos e são geralmente vistas como modelos de baixa qualidade para esse propósito.
Fontes: pt.wikipedia.org
== Visão geral == A maioria dos modelos modernos de aprendizagem profunda são baseados em redes neurais multicamadas, como redes neurais convolucionais e transformadoras, embora também possam incluir fórmulas proposicionais ou variáveis latentes organizadas em camadas em modelos generativos profundos, como os nós em redes de crenças profundas e máquinas de Boltzmann profundas. Fundamentalmente, a aprendizagem profunda se refere a uma classe de algoritmos de aprendizado de máquina em que uma hierarquia de camadas é usada para transformar dados de entrada em uma representação progressivamente mais abstrata e composta. Por exemplo, em um modelo de reconhecimento de imagem, a entrada bruta pode ser uma imagem (representada como um tensor de pixels). A primeira camada representacional pode tentar identificar formas básicas, como linhas e círculos, a segunda camada pode compor e codificar arranjos de bordas, a terceira camada pode codificar um nariz e olhos, e a quarta camada pode reconhecer que a imagem contém um rosto. É importante ressaltar que um processo de aprendizagem profunda pode aprender quais recursos posicionar de forma ideal em qual nível por conta própria. Antes da aprendizagem profunda, as técnicas de aprendizado de máquina frequentemente envolviam engenharia de recursos feita à mão para transformar os dados em uma representação mais adequada para um algoritmo de classificação operar. Na abordagem de aprendizagem profunda, os recursos não são feitos à mão e o modelo descobre representações úteis de recursos a partir dos dados automaticamente.
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)