Avaliação On-Line 3 (AOL 3) - Estatística

Prévia do material em texto

Avaliação On-Line 3 (AOL 3) - Questionário
Conteúdo do exercício
Conteúdo do exercício
1. Pergunta 1
/1
As redes neurais Gated Recurrent Unit (GRU) são livres do estado da célula e utilizam o estado oculto para poderem transferir os valores de informações. As redes neurais GRU têm apenas 2 portões, ao contrário da Long Short-Term Memory (LSTM) que possui 3 portões.
Considerando essas informações e o conteúdo estudado sobre Gated Recurrent Unit (GRU) e Long Short-Term Memory (LSTM), pode-se afirmar que GRU e LTSM possuem semelhanças, mas também diferenças, porque:
Ocultar opções de resposta 
1. 
na GRU há um portão de atualização o (update gate) e um portão de recall (recall gate).
2. 
na GRU há um portão de redefinição (reset gate) e um portão de atualização (update gate).
Resposta correta
3. 
na LTSM há um portão de novos dados (new gate), um portão de novos dados antigos (old gate) e um portão de exclusão dados (delete gate).
4. 
na GRU há um portão para adição de novos valores aos neurônios da rede neural (add gate) e um portão para remoção de valores que não são mais úteis para a estrutura da rede neural (remove gate).
5. 
na GRU há um portão de novos dados (new gate) e um portão para remoção de dados que não são mais importantes (update gate).
2. Pergunta 2
/1
Os algoritmos de Redes Neurais Recorrentes (ou simplesmente RNNs, do termo em inglês Recurrent Neural Networks), assim como os algoritmos de Redes Neurais Artificiais (RNAs) tradicionais, fazem o uso de neurônios, pesos e ligações entre eles para definir prioridade e encontrar padrões. Mas os algoritmos de RNNs possuem uma característica, em específico, que os fazem se tornarem mais parecidos com o cérebro humano do que as RNAs.
Considerando essas informações e o conteúdo estudado sobre Redes Neurais Recorrentes (RNNs), pode-se afirmar que há uma característica específica que torna as RNNs parecidas com o cérebro humano porque:
Ocultar opções de resposta 
1. 
há neles a característica de redes de multimatriz.
2. 
há neles a capacidade de cada neurônio possuir uma espécie de memória, o que torna o algoritmo capaz de se lembrar de coisas que aconteceram recentemente.
Resposta correta
3. 
há neles a incapacidade dos pesos e neurônios se adaptarem a mudanças.
4. 
há neles apenas armazenamento de dados, sem que deletem os dados que estão armazenados nos seus neurônios, mesmo quando os mesmos já não mais úteis ou quando atrapalhem o funcionamento da rede.
5. 
há neles capacidade de se lembrar de relações ou fatos passados recentemente, assim como nas Redes Neurais Artificiais (RNAs) tradicionais.
3. Pergunta 3
/1
No tema de Rede de Crenças Profundas ou Deep Belief Network (DBN), também existem os Denoising Auto-Encoders (DAEs). Sabemos que a palavra noise, original do inglês, significa ruído; portanto, denoising significa algo como remoção dos ruídos. Os DAEs, assim como os demais encoders, também possuem codificação, mas de uma forma diferente.
Considerando essas informações e o conteúdo estudado sobre Rede de Crenças Profundas ou Deep Belief Network (DBN), pode-se afirmar que existem diferenças quanto à temática de codificação em Denoising Auto-Encoders (DAEs) porque:
Ocultar opções de resposta 
1. 
os Denoising Auto-Encoders (DAEs) representam 4 itens: ruído, codificadora, decodificadora, redutor de ruído.
2. 
os Denoising Auto-Encoders (DAEs) representam 3 itens: ruído, codificadora, decodificadora.
Resposta correta
3. 
os Denoising Auto-Encoders (DAEs) representam 2 itens: codificadora e decodificadora.
4. 
os Denoising Auto-Encoders (DAEs) representam 2 itens: ruído e codificadora.
5. 
os Denoising Auto-Encoders (DAEs) representam simplesmente 1 item: a codificação.
4. Pergunta 4
/1
Nas redes neurais Long Short-Term Memory (LSTM), enquanto tipo específico de redes neurais recorrentes, constata-se que a camada que se mantém ao longo do tempo tem três módulos, que basicamente trabalham em conjunto para conseguir gerar um novo estado oculto, ao contrário de gerar em uma única etapa, como ocorre nas redes neurais recorrentes tradicionais. Porém, os três módulos possuem funções distintas.
Considerando essas informações e o conteúdo estudado sobre Long Short-Term Memory (LSTM), pode-se afirmar que LSTM diferencia-se das RNNs tradicionais, porque:
Ocultar opções de resposta 
1. 
os 2 módulos de LTSM existentes servem para definir quais informações devem ser gravadas ou deletadas nos neurônios da rede neural.
2. 
os 3 módulos de LTSM são importantes para escolher apenas quais dados são irrelevantes para a rede e deverão ser deletados dos neurônios.
3. 
os 3 módulos de LTSM são importantes pois através deles nós conseguimos tornar o processo de aprendizado da rede neural recorrente LSTM mais rápido.
4. 
os 3 módulos de LTSM servem apenas para escolher quais dados são importantes, ignorando quais dados são acessórios para o aprendizado da rede neural.
5. 
os 3 módulos de LTSM têm uma função muito importante no processo para definir quais as informações devem ser gravadas, deletadas ou transmitidas para as próximas execuções da rede neural.
Resposta correta
5. Pergunta 5
/1
O conceito de Rede de Crenças Profundas ou Deep Belief Network (DBN), aplicado em Aprendizagem Profunda ou Deep Learning (DL), possui diferenças em relação às camadas da rede neural. Isto é em parte relacionado com a presença de Máquinas de Boltzmann Restritas ou Restricted Boltzmann Machines (RBMs).
Considerando essas informações e o conteúdo estudado sobre Rede de Crenças Profundas ou Deep Belief Network (DBN), pode-se afirmar que há diferenças na DBN sobre as camadas da rede neural, porque:
Ocultar opções de resposta 
1. 
na DBN, a camada inicial e a camada final possuem conjuntamente uma função dupla.
Resposta correta
2. 
na DBN, a camada inicial e a camada final possuem funções isoladas ao invés de funções conjuntas.
3. 
na DBN, os neurônios das camadas únicas comunicam-se lateralmente.
4. 
na DBN, o trabalho ocorre baseando-se em camadas múltiplas, ao contrário de camadas únicas.
5. Incorreta: 
na DBN, inexiste relação entre a camada inicial e a camada final.
6. Pergunta 6
/1
nas RNNs, os dados mais relevantes de cada execução são gravados na memória dos neurônios.
Ocultar opções de resposta 
1. 
nas RNNs, os dados mais relevantes de cada execução são gravados na memória dos neurônios.
Resposta correta
2. 
as RNNs utilizam apenas o conceito de pesos e bias, ignorando-se o conceito de neurônios como unidades.
3. 
nas RNNs, os dados mais relevantes de cada execução são gravados no memória dos pesos.
4. 
as RNNs utilizam apenas o conceito de neurônios como unidades, ignorando-se o conceito de pesos e bias.
5. 
nas RNNs, nenhum dado é gravado nos neurônios, apenas os pesos são armazenados.
7. Pergunta 7
/1
Sobre as redes Gated Recurrent Unit (GRU), há a capacidade de uma GRU guardar as dependências, ou então, a memória de longo prazo acontece por meio de cálculos nos neurônios da GRU, para assim produzir o resultado oculto. As redes Long Short-Term Memory (LSTM), por outro lado, possuem dois estados diferentes que são passados entre os neurônios (o estado do neurônio e o estado oculto que está armazenado na memória de longo prazo). Nesse ponto, a GRU é diferente.
Considerando essas informações e o conteúdo estudado sobre Gated Recurrent Unit (GRU) e Long Short-Term Memory (LSTM), pode-se afirmar que há diferença na quantidade de estados nas redes GRU, porque:
Ocultar opções de resposta 
1. 
as redes GRU possuem apenas um estado oculto que é transferido entre as etapas de tempo.
Resposta correta
2. 
as redes GRU não possuem estado oculto.
3. 
as redes GRU possuem apenas três estados ocultos que são transferidos entre as etapas de tempo.
4. 
as redes GRU possuem de um até três estados ocultos, variavelmente, que são transferidos entre as etapas de tempo.
5. 
as redes GRU possuem de um até oito estados ocultos, variavelmente, que são transferidos entre as etapas de tempo.
8. Pergunta 8
/1
O conceito de Rede de Crenças Profundas ou Deep Belief Network (DBN) é muito importanteem Deep Learning (DL). Para tentar resolver as limitações impostas pelo Backpropagation, os desenvolvedores decidiram pela mudança de tipo de aprendizado com o conceito de DBNs.
Considerando essas informações e o conteúdo estudado sobre Rede de Crenças Profundas ou Deep Belief Network (DBN), pode-se afirmar que houve mudança de tipo de aprendizado, porque:
Ocultar opções de resposta 
1. 
nas DBNs, o aprendizado ocorre com supervisão.
2. 
nas DBNs, o aprendizado ocorre sem supervisão.
Resposta correta
3. 
nas DBNs, o aprendizado ocorre por reforço.
4. 
nas DBNs, o aprendizado ocorre por crenças (beliefs).
5. 
nas DBNs, há os dois tipos de aprendizado: sem supervisão e com supervisão.
9. Pergunta 9
/1
No tema de Rede de Crenças Profundas ou Deep Belief Network (DBN), sabemos da existência do conceito de Máquinas de Boltzmann Restritas ou Restricted Boltzmann Machines (RBMs). Duas das ideias principais por trás do conceito de RBMs são energia (energy) e distribuição, que são provenientes de outros campos do conhecimento.
Considerando essas informações e o conteúdo estudado sobre Máquinas de Boltzmann Restritas ou Restricted Boltzmann Machines (RBMs) quanto à origem das ideias de energia e de distribuição em RBMs, analise as afirmativas a seguir e assinale V para a(s) verdadeira(s) e F para a(s) falsa(s):
I. ( ) Biologia pode ser considerada um dos campos do conhecimento que estão relacionados com as origens do conceito de RBMs.
II. ( ) Química pode ser considerada um dos campos do conhecimento que estão relacionados com as origens do conceito de RBMs.
III. ( ) Física pode ser considerada um dos campos do conhecimento que estão relacionados com as origens do conceito de RBMs.
IV. ( ) Estatística pode ser considerada um dos campos do conhecimento que estão relacionados com as origens do conceito de RBMs.
Agora, assinale a alternativa que apresenta a sequência correta:
Ocultar opções de resposta 
1. 
V, F, V, F.
2. 
F, F, V, V.
Resposta correta
3. 
F, V, F, V.
4. Incorreta: 
V, F, F, V.
5. 
V, V, F, F.
10. Pergunta 10
/1
Os algoritmos de redes Neurais Recorrentes (RNNs) têm uma forma diferenciada para realizar os seus treinamentos, principalmente pelo fato de apresentarem informações anteriores a execução do algoritmo, informações que estavam armazenadas nos neurônios em suas memórias com base em execuções passadas. Os algoritmos de RNNs, durante bastante tempo, utilizaram algoritmos de otimização de descida de gradiente para melhorar a sua precisão, através da minimização da função de erro. Entretanto, atualmente, já existe outra técnica que traz uma melhor performance.
Considerando essas informações e o conteúdo estudado sobre Redes Neurais Recorrentes (RNNs), pode-se afirmar que já existe uma técnica melhor para melhorar a otimização de algoritmos em RNNs, porque:
Ocultar opções de resposta 
1. 
atualmente as RNNs podem empregar Feedforward para melhorar a otimização de algoritmos.
2. Incorreta: 
atualmente as RNNs podem empregar Feedback para melhorar a otimização de algoritmos.
3. 
atualmente as RNNs podem empregar BPTT para melhorar a otimização de algoritmos.
Resposta correta
4. 
atualmente as RNNs podem empregar Backprop comum para melhorar a otimização de algoritmos.
5. 
atualmente as RNNs podem empregar FPTT para melhorar a otimização de algoritmos.