Avaliação On-Line 2 (AOL 2) Estatística

Prévia do material em texto

Avaliação On-Line 2 (AOL 2) - Questionário
Conteúdo do exercício
Conteúdo do exercício
1. Pergunta 1
/1
Na área de inteligência artificial (IA), sabemos que existe a necessidade de otimizar-se os algoritmos, para maior performance ou eficiência. Especificamente sobre gradiente descendente ou descida de gradiente, sabemos que na literatura acadêmica é comum encontrar a repetição dos principais tipos. Além disso, é importante você saber os nomes dos algoritmos no idioma inglês, para familiarizar-se e possibilitar o estudo através de uma maior quantidade de textos disponível. 
 
Considerando essas informações e o conteúdo estudado sobre os principais tipos de algoritmo gradiente descendente ou descida de gradiente, analise as afirmativas a seguir e assinale V para a(s) verdadeira(s) e F para a(s) falsa(s): 
 
I. ( ) Batch gradient descent refere-se a um dos tipos de algoritmo gradiente descendente ou descida de gradiente.  
 
II. ( ) Stochastic asynchronous gradient descent refere-se a um dos tipos de algoritmo gradiente descendente ou descida de gradiente. 
 
III. ( ) Stochastic gradient descent refere-se a um dos tipos de algoritmo gradiente descendente ou descida de gradiente. 
 
IV. ( ) Mini-batch gradient descent refere-se a um dos tipos de algoritmo gradiente descendente ou descida de gradiente. 
 
V. ( ) Multi-batch gradient descent refere-se a um dos tipos de algoritmo gradiente descendente ou descida de gradiente. 
 
Agora, assinale a alternativa que apresenta a sequência correta: 
Ocultar opções de resposta 
1. 
F, V, V, F, F. 
2. 
F, F, F, V, V. 
3. 
V, F, F, V, V. 
4. 
V, F, V, V, F. 
Resposta correta
5. 
V, F, F, V, F. 
2. Pergunta 2
/1
Em análise comparativa sobre algoritmos de classificação em IA, temos que o algoritmo Adagrad e RMSProp possuem suas diferenças. Ambos, porém, também possuem algumas características que são semelhantes, dado que algumas funções não necessitaram ser atualizadas. Quanto ao tema de algoritmos de otimização em redes neurais artificiais (RNAs), especialmente em redes neurais profundas, sabemos da importância dos mesmos e da necessidade de comparar os prós e os contras de cada algoritmo. Isso quer dizer, também, comparar as diferenças e semelhanças.  
 
Considerando essas informações e os conteúdos estudados referente às funções que são semelhantes no Adagrad e no RMSProp, analise as afirmativas a seguir: 
 
I. Adagrad e RMSProp conseguem fazer rápida classificação de backpropagation. 
 
II. Adagrad e RMSProp conseguem reajustar o seu valor de aprendizado a cada elemento, em uma variável independente. 
 
III. Adagrad e RMSProp conseguem alterar rapidamente o valor dos pesos dos neurônios. 
 
IV. Adagrad e RMSProp conseguem adaptar o valor a uma variável independente. 
 
Está correto apenas o que se afirma em: 
Ocultar opções de resposta 
1. 
III e IV. 
2. 
 II e III. 
3. 
I e IV. 
4. 
I e II.
5. 
II e IV. 
Resposta correta
3. Pergunta 3
/1
A entropia cruzada, ou cross-function, pode apresentar fórmulas em formatos variados, e também variando de acordo com a quantidade de camadas presentes em uma rede neural artificial (RNA). Ainda, a entropia cruzada pode ser aplicada para os casos de camada única ou de camadas múltiplas. 
  
Após considerar essas informações e o conteúdo estudado sobre Entropia Cruzada, pode-se afirmar que a Entropia Cruzada está relacionada com distância, porque no modelo: 
Ocultar opções de resposta 
1. 
refere-se à distribuição estatística. 
2. 
refere-se à distribuição probabilística.
Resposta correta
3. 
refere-se à distribuição quadrática. 
4. 
refere-se à distribuição polinomial. 
5. 
refere-se à distribuição matemática.
4. Pergunta 4
/1
As redes neurais profundas, ou deep neural networks, são exemplos de algoritmos em uso para simular o cérebro humano, que aprendem através de erros e acertos, ou seja, por meio de treinamentos. O processo de treinamento pode levar horas, dias ou semanas. Apesar do conhecimento básico disponível sobre redes neurais profundas, ou deep neural networks, que poderia resolver problemas de menor complexidade, é importante que se aprenda sobre Algoritmos de Otimização para resolver problemas de maior complexidade.  
 
Considerando essas informações e o conteúdo estudado sobre Algoritmos de Otimização, é correto afirmar que eles: 
 
I. São exclusivos para resolver problemas de Machine Learning. 
 
II. São melhorias de performance que afetam diretamente a eficiência de treinamento do modelo. 
 
III. São oportunidades para a otimização dos hiperparâmetros em Deep Learning. 
 
IV. São melhorias das funções de classificação supervisionada. 
 
Está correto apenas o que se afirma em: 
Ocultar opções de resposta 
1. 
II e III. 
Resposta correta
2. Incorreta: 
 II e IV. 
3. 
I e II. 
4. 
I e III. 
5. 
I e IV. 
5. Pergunta 5
/1
Apesar de não ser uma conexão explícita, há uma conexão implícita entre as áreas de Teoria da Informação e de Inteligência Artificial (AI). Podemos recuperar a relação entre as duas áreas, conectando-se a temática da Entropia na primeira com a temática da Entropia Cruzada na segunda, exemplificando-se a evolução da Ciência. 
 
Considerando essas informações e o conteúdo estudado sobre a Teoria da Informação e Entropia, podemos afirmar que: 
Ocultar opções de resposta 
1. 
Albert Einstein ficaria conhecido como “pai” da Teoria da Informação, devido aos seus estudos sobre Entropia. 
2. 
Frank Rosenblatt ficaria conhecido como “pai” da Teoria da Informação, devido aos seus estudos sobre Entropia. 
3. 
Rudolf Clausius ficaria conhecido como “pai” da Teoria da Informação, devido aos seus estudos sobre Entropia. 
4. 
Claude Shannon ficaria conhecido como “pai” da Teoria da Informação, devido aos seus estudos sobre Entropia.  
Resposta correta
5. 
Solomon Kullback ficaria conhecido como “pai” da Teoria da Informação, devido aos seus estudos sobre Entropia. 
6. Pergunta 6
/1
Na área de Inteligência Artificial (IA), é importante a noção de aprendizagem, e é por isto que chamamos suas subáreas de Aprendizagem de Máquina (ML) e de Aprendizagem Profunda (DL). A própria noção de inteligência então está relacionada com a noção de aprender. O importante é que podemos relacionar o subtópico de backpropagation com a aprendizagem. 
 
Considerando essas informações e o conteúdo estudado sobre backpropagation, analise as afirmativas a seguir: 
 
I. O gradiente é usado para calcular ou computar o algoritmo de backpropagation. 
 
II. O aprendizado ocorre através do algoritmo de backpropagation. 
 
III. O aprendizado ocorre através de outros algoritmos, que não o algoritmo de backward propagation. 
 
IV. O algoritmo de backprop é o método para calcular ou computar o gradiente. 
 
Está correto apenas o que se afirma em: 
Ocultar opções de resposta 
1. 
II e III.
2. Incorreta: 
II e IV.
3. 
I e III.
4. 
III e IV. 
Resposta correta
5. 
I e IV. 
7. Pergunta 7
/1
Os algoritmos de otimização, na área de Inteligência Artificial (IA), são utilizados para fazerem ajustes no valor dos pesos (weights) dos neurônios à medida que os treinamentos são executados, para que cada vez a taxa de erro do algoritmo seja a menor possível. Podemos dizer, portanto, que um dos problemas do Adagrad se refere à questão de velocidade. 
 
Considerando o conteúdo já estudado sobre o algoritmo Adagrad, analise as afirmativas a seguir: 
 
I. Adagrad apresenta baixa velocidade de iteração das variáveis independentes, na dimensão com valores de gradiente menores. 
 
II. Adagrad faz correções de pesos, portanto a taxa de aprendizado é desigual durante toda a execução. 
 
III. Adagrad mantém-se com velocidade estável, dado que baseia-se em backpropagation through time (BPTT). 
 
IV. Adagrad gera resultados multiconvolucionais com velocidade máxima. 
 
Está correto apenas o que se afirma em: 
Ocultar opções de resposta 
1. 
 I e III.
2. 
II e III. 
3. 
 I e II.  
Resposta correta
4. 
III e IV. 
5. 
I e IV.
8. Pergunta 8
/1
Dentre os algoritmos de otimização em IA, o algoritmo Momentum possui suas vantagens e desvantagens. No algoritmo Momentum há a vantagemde incorporar mais informações sobre gradiente e há o diferencial de que o momentum incorpora informações específicas sobre como está mudando o gradiente. 
 
Considerando essas informações e o conteúdo estudado sobre Momentum, pode-se afirmar que duas ideias se destacam e possibilitam que a descida do gradiente seja diferenciada no Momentum, porque: 
Ocultar opções de resposta 
1. 
as ideias de velocidade e de fricção possibilitam tal diferenciação. 
Resposta correta
2. 
as ideias de pesos (weights) e gravidade possibilitam tal diferenciação. 
3. 
as ideias de aceleração e desaceleração possibilitam tal diferenciação. 
4. 
as ideias de pesos (weights) e de fricção possibilitam tal diferenciação. 
5. 
as ideias de velocidade e de inércia possibilitam tal diferenciação. 
9. Pergunta 9
/1
O estudo de algoritmos de otimização pode ser altamente complexo, a não ser que o usuário queira ignorar a complexidade e simplesmente usar uma das opções disponíveis, isto é: ignorando o funcionamento interno dos mesmos, o que se refere por usar algoritmos “black box” ou “caixa-preta”. Para os que desejam aprender sobre a complexidade dos algoritmos de otimização disponíveis, é recomendado que pelo menos explore-se os algoritmos de otimização mais comuns. Dentre as possibilidades, estão os diferentes tipos de Gradientes. 
 
Considerando-se essas informações e o conteúdo estudado sobre tipos de Gradientes, analise a afirmativas a seguir e assinale V para a(s) verdadeira(s) e F para a(s) falsa(s). 
 
I. ( ) Gradiente Descendente refere-se a um dos tipos de gradiente encontrados na literatura acadêmica sobre Deep Learning. 
 
II. ( ) Gradiente Neuronal refere-se a um dos tipos de gradiente encontrados na literatura acadêmica sobre Deep Learning. 
 
III. ( ) Gradiente Descendente Estocástico em Mini-Lote refere-se a um dos tipos de gradiente encontrados na literatura acadêmica sobre Deep Learning. 
 
IV. ( ) Gradiente Estocástico Descendente (SGD) refere-se a um dos tipos de gradiente encontrados na literatura acadêmica sobre Deep Learning. 
 
V. ( ) Gradiente de Propagação em Macro-Lote refere-se a um dos tipos de gradiente encontrados na literatura acadêmica sobre Deep Learning. 
 
Agora, assinale a alternativa que apresenta a sequência correta: 
Ocultar opções de resposta 
1. 
V, F, V, V, F. 
Resposta correta
2. 
V, V, V, V, F. 
3. 
 V, F, F, V, F. 
4. 
 V, F, V, V, V 
5. 
F, F, V, V, V. 
10. Pergunta 10
/1
No tópico de Backpropagation, aprendemos que existe uma diferenciação chamada Backpropagation Through Time, popularizado pela sigla BPTT. Conceitualmente, BPTT significa a aplicação de backpropagation para sequenciar-se modelos com um estado oculto (hidden state). Porém, BPTT é aplicável a uma forma específica de rede neural. 
  
Considerando essas informações e o conteúdo estudado sobre Backpropagation Through Time (BPTT), analise as afirmativas a seguir e assinale V para a(s) verdadeiras e F para a(s) falsa(s): 
 
I. ( ) BPTT é aplicável somente no caso de rede neural convolucional (RNC) ou convolutional neural network (CNN). 
 
II. ( ) BPTT é aplicável em ambos casos de rede neural convolucional (RNC) ou convolutional neural network (CNN) e de rede neural recorrente (RNR) ou recurrent neural network (RNN). 
 
III. ( ) BPTT é aplicável somente no caso de rede neural recorrente (RNR) ou recurrent neural network (RNN). 
 
IV. ( ) BPTT é aplicável somente no caso de Perceptron. 
 
V. ( ) BPTT é aplicável em ambos casos de rede convolucional profunda (RCP) ou deep convolutional network (DCN) e de Perceptron. 
 
Agora, assinale a alternativa que apresenta a sequência correta: 
Ocultar opções de resposta 
1. 
F, F, V, F, F. 
Resposta correta
2. 
F, V, F, F, F. 
3. 
V, F, F, F, F. 
4. 
F, F, F, V, F. 
5. 
F, F, F, F, V.