AULA 6 a 10 Registro de Frequência

Prévia do material em texto

AULA 6
1.Quais das afirmações abaixo são verdadeiras?
i) Em um algoritmo genético uma população de indivíduos (cromossomas) representa um conjunto de soluções candidatas (população) ao problema que se busca otimizar.
ii) Os processos de seleção de soluções candidatas, utilizados pelos algoritmos genéticos, buscam selecionar exclusivamente os candidatos mais aptos, descartando totalmente os menos aptos, de forma a sempre manter as melhores características genéticas sempre presentes na população. 
iii) A escolha da população inicial, para algoritmos genéticos, deve ser criteriosa, gerando somente indivíduos com alto grau de aptidão e não admitindo nenhum grau de aleatoriedade.
iv) O operador genético mutação combina cromossomas de indivíduos previamente selecionados, chamados pais, para formar dois novos indivíduos, os quais têm uma grande possibilidade de serem mais aptos que os seus genitores.
Parte superior do formulário
 1) i, iii 
 2) iii, iv 
 3) i, iv 
 4) ii, iii, iv 
 5) i 
Parte inferior do formulário
2.Pela nomenclatura utilizada nos algoritmos genéticos, as partes que constituem o cromossomo e os valores possíveis que cada uma dessas partes podem assumir são chamados respectivamente de:
Parte superior do formulário
 1) alelo e mutação 
 2) gene e mutação 
 3) alelo e gene 
 4) gene e alelo 
 5) bit e 0 ou 1 
Parte inferior do formulário
3. Os operadores genéticos mais importantes, que se forem corretamente aplicados nos indivíduos permitem gerar diversidade na população e facilitam a busca por indivíduos mais bem adaptados no espaço de busca, são:
 
Parte superior do formulário
 1) seleção e mutação 
 2) cruzamento e mutação 
 3) mutação e adaptação 
 4) seleção e adaptação 
 5) cruzamento e seleção 
 
1.Considere o problema de se maximizar a função f(x) = 2x no domínio [0, 63], para responder às questões 1 a 3.
 
1)Usando uma representação inteira para x, de quantos bits deve ser composto o cromossomo?
Parte superior do formulário
 1) 2 
 2) 4 
 3) 6 
 4) 8 
 5) 64 
Parte inferior do formulário
2.
 Considere o problema de se maximizar a função f(x) = 2x no domínio [0, 63], para responder às questões 1 a 3.
2)Qual a melhor solução para o problema (valor de x que maximiza a função)?  
Parte superior do formulário
 1) 0 
 2) 10 
 3) 32 
 4) 63 
 5) 126 
Parte inferior do formulário
3.Considere o problema de se maximizar a função f(x) = 2x no domínio [0, 63], para responder às questões 1 a 3.
 3)	Qual função deve ser usada para avaliar os indivíduos?
 
Parte superior do formulário
 1) x2 
 2) 2x 
 3) x 
 4) x/2 
 5) x/64 
Parte inferior do formulário
4. Para resolver as questões 4 a 6, considere que um problema de AG possui, em um determinado instante, uma população de quatro indivíduos de 5 bits (primeira coluna) cada, com os seguintes valores de avaliação (segunda coluna):
00100 	3
10110	10
01111	9
10100	8
 
4)Qual é o percentual de área da roleta que o segundo indivíduo deve receber para proceder ao mecanismo de seleção?
Parte superior do formulário
 1) 33,33% 
 2) 30% 
 3) 50% 
 4) 10% 
 5) 66,66% 
Parte inferior do formulário
5. Para resolver as questões 4 a 6, considere que um problema de AG possui, em um determinado instante, uma população de quatro indivíduos de 5 bits (primeira coluna) cada, com os seguintes valores de avaliação (segunda coluna):
00100 	3
10110	10
01111	9
10100	8
 
5)Definindo um ponto de corte entre o segundo e o terceiro genes do cromossoma, quais seriam os filhos gerados pelo cruzamento de um ponto entre o segundo e o terceiro indivíduos?
Parte superior do formulário
 1) 10011 e 01011 
 2) 10111 e 01111 
 3) 01001 e 01110 
 4) 00000 e 11111 
 5) 10111 e 01110 
Parte inferior do formulário
6.Para resolver as questões 4 a 6, considere que um problema de AG possui, em um determinado instante, uma população de quatro indivíduos de 5 bits (primeira coluna) cada, com os seguintes valores de avaliação (segunda coluna):
00100 	3
10110	10
01111	9
10100	8
 6)Realizando uma mutação no último bit o último indivíduo, obteríamos o seguinte novo indivíduo:
Parte superior do formulário
 1) 00100 
 2) 00101 
 3) 11110 
 4) 10101 
 5) 00001 
 
AULA 8
1. Considere a rede com neurônios de McCulloch-Pitts ao lado, na qual cada neurônio possui o patamar θ = 0. Para os pares de valores das entradas (x1 e x2) de (0,0), (0,1), (1,0) e (1,1), quais seriam os respectivos valores de saída do neurônio z3 ?
Parte superior do formulário
 1) (0, 1, 1, 0) 
 2) (0, 1, 0, 1) 
 3) (1, 0, 0, 1) 
 4) (0,0,0,1) 
 5) (1,1,1,0) 
Parte inferior do formulário
2.Construa uma rede com apenas um neurônio de limiar (( = 0) que responda, para as entradas bipolares x1 e x2,  como a função y = x1 or (not (x1 or x2)). Treine com a regra de Hebb. Ao fim do treinamento os valores dos pesos w0, w1 e w2 serão:
Parte superior do formulário
 1) 2, -2 e -2 
 2) -2, 2 e -2 
 3) 2, 2 e -2 
 4) -2, 2 e 2 
 5) 2, -2 e 2 
Parte inferior do formulário
3.
Uma rede Adaline, em determinado momento durante um treinamento, apresenta a configuração de pesos ao lado. Ao ser apresentado o padrão de entrada (2, 1), cuja saída desejada para o nó Z1 é 3 e para o nó Z2 é -1, há uma mudança nos pesos. Calcule os novos pesos da rede, usando h = 0,2.
Parte superior do formulário
 1) Para o neurônio 1: 0,3; 0,2; -0,3. Para o neurônio 2: 0,1; -0,2; 0,1 
 2) Para o neurônio 1: -0,3; -0,2; 0,3. Para o neurônio 2: -0,1; 0,2; -0,1 
 3) Para o neurônio 1: 0,3; 0,3; -0,2. Para o neurônio 2: 0,2; -0,1; 0,2 
 4) Para o neurônio 1: 0,3; 0,2; -0,3. Para o neurônio 2: 0,1; -0,2; 0,1 
 5) Para o neurônio 1: 0,82; 0,72; 0,22. Para o neurônio 2: -0,14; -0,68; -0,14 
Aula 9
 1.O que pode acarretar para a qualidade da rede treinada, o treinamento além do ponto desejado? 
Parte superior do formulário
 1) Diminuição da capacidade de generalização da rede. 
 2) Apenas desperdício de tempo computacional. 
 3) A rede esquece os padrões aprendidos. 
 4) A rede se torna melhor e mais genérica, mas há um custo computacional grande. 
 5) A rede começa a confundir os padrões de entrada. 
Parte inferior do formulário
2.Dentre os padrões usados no treinamento, uma parte, conhecida como  padrões de validação, é separada e não é usada para alterar os pesos da rede. Qual é o papel destes padrões?
Parte superior do formulário
 1) Validar as saídas da rede para determinar o erro por ela produzido 
 2) Validar as entradas da rede para determinar o erro por ela produzido 
 3) Determinar o ponto de parada do treinamento para evitar o sobre-treinamento 
 4) Ajudar a obter a resposta mais rapidamente 
 5) Aumentar a precisão das respostas produzidas pelo aumento dos padrões utilizados 
Parte inferior do formulário
3.Por que tal tipo de treinamento é chamado de treinamento supervisionado?
Parte superior do formulário
 1) Porque as respostas são revisadas utilizando o conjunto de validação 
 2) Porque as saídas desejadas são fornecidas e utilizadas para correção dos pesos 
 3) Porque entradas e saídas são embaralhadas pelo supervisor antes do treinamento 
 4) Porque é utilizado um algoritmo de supervisão dos pesos durante o treinamento 
 5) Porque todo o processo deve ser supervisionado por um especialista 
Parte inferior do formulário
4.Qual é a diferença entre alterar os pesos a cada padrão apresentado (treinamento iterativo) ou alterá-los somente ao final de cada ciclo (treinamento por batelada)? 
Parte superior do formulário
 1) O treinamento é acelerado no processo por batelada 
 2) A saída é mais precisa no treinamento a cada padrão 
 3) Os treinamentos produzem os mesmos resultados nos dois modelos, mas o treinamento a cada padrão fornece maior precisão aos pesos da rede 
 4) O treinamento iterativo altera os pesos de forma mais suave, melhorando o processo de convergência para a resposta desejada 
 5) No treinamento por batelada, a saída não é influenciada predominantemente pelos últimos padrões apresentados 
Parte inferior do formulário
5.Para que serve o termo de momento aplicadoà formula de ajuste dos pesos?
Parte superior do formulário
 1) Para frear a convergência para o valor de mínimo da função de erro, uma vez que uma descida mais lenta impede que se passe do ponto desejado 
 2) Para acelerar a convergência utilizando a tendência de correção do ciclo anterior 
 3) Para acelerar a convergência utilizando um fator multiplicador arbitrado pelo algoritmo 
 4) Para frear a convergência, inibindo a atração de mínimos locais e permitindo a convergência para o mínimo global 
 5) Para explorar múltiplos pontos de mínimo da função 
Parte inferior do formulário
6. Trace um paralelo entre a capacidade de generalização e o número de nós da rede. 
Parte superior do formulário
 1) Com mais nós, a rede é mais genérica e o erro para o conjunto de treinamento é menor 
 2) Com mais nós, a rede é mais genérica, mas o erro para o conjunto de treinamento é maior 
 3) Com menos nós, a rede é mais genérica e o erro para o conjunto de treinamento é menor 
 4) Com menos nós, a rede é mais genérica, mas o erro para o conjunto de treinamento é maior 
 5) Com menos nós, a rede é menos genérica e o erro para o conjunto de treinamento é menor 
Parte inferior do formulário
7. Para que servem os algoritmos de poda?
Parte superior do formulário
 1) Para podar as entradas não desejadas que fazem parte dos padrões de treinamento 
 2) Para podar ciclos de treinamento em que não haja melhoria significativa da saída 
 3) Para podar as saídas que não são representativas do problema que se deseja resolver 
 4) Para podar padrões de treinamento, tanto de entrada quanto de saída, que tenham convergido para zero durante o treinamento 
 5) Para sintonizar o número ideal de nós de uma rede neural durante o treinamento 
AULA 10
1.As redes com treinamento não supervisionado se caracterizam por: 
Parte superior do formulário
 1) Possuírem padrões de treinamento apenas com entradas 
 2) Possuírem várias camadas de neurônios 
 3) Não possuírem camada de nós de saída 
 4) Possuírem padrões de treinamento apenas com saídas 
 5) Serem classificadas como redes recorrentes 
Parte inferior do formulário
2.Uma das principais aplicações de redes não supervisionadas é:
Parte superior do formulário
 1) Previsão de séries temporais 
 2) Estimativa de valores 
 3) Agrupamento ou clusterização de padrões 
 4) Classificação em classes previamente conhecidas 
 5) Emulação de funções não lineares 
Parte inferior do formulário
3.As redes de treinamento não supervisionada do tipo Mapa de Kohonen possuem como característica a capacidade de:
Parte superior do formulário
 1) Realizar o mapeamento do espaço bidimensional para o espaço n-dimensional 
 2) Realizar o mapeamento do espaço n-dimensional para o espaço bidimensional 
 3) Realizar o mapeamento das entradas para as saídas 
 4) Realizar o mapeamento das saídas para as entradas 
 5) Criar mapas dinâmicos dos padrões de saída 
Parte inferior do formulário
4.Em uma rede de Kohonen, ao final do treinamento o veto de pesos de um determinado neurônio representa:
Parte superior do formulário
 1) O inverso do padrão de treinamento mais frequente 
 2) A média de todos os padrões de treinamento utilizados 
 3) O complemento da média dos demais vetores de pesos 
 4) O padrão de treinamento mais frequente que foi apresentado durante o treinamento 
 5) O protótipo de características dos padrões daquele cluster 
 
Parte inferior do formulário
Parte inferior do formulário
Parte inferior do formulário
Parte inferior do formulário
_1414145003.unknown
_1414145019.unknown
_1414145027.unknown
_1414145031.unknown
_1414145033.unknown
_1414145034.unknown
_1414145032.unknown
_1414145029.unknown
_1414145030.unknown
_1414145028.unknown
_1414145023.unknown
_1414145025.unknown
_1414145026.unknown
_1414145024.unknown
_1414145021.unknown
_1414145022.unknown
_1414145020.unknown
_1414145011.unknown
_1414145015.unknown
_1414145017.unknown
_1414145018.unknown
_1414145016.unknown
_1414145013.unknown
_1414145014.unknown
_1414145012.unknown
_1414145007.unknown
_1414145009.unknown
_1414145010.unknown
_1414145008.unknown
_1414145005.unknown
_1414145006.unknown
_1414145004.unknown
_1414144971.unknown
_1414144987.unknown
_1414144995.unknown
_1414144999.unknown
_1414145001.unknown
_1414145002.unknown
_1414145000.unknown
_1414144997.unknown
_1414144998.unknown
_1414144996.unknown
_1414144991.unknown
_1414144993.unknown
_1414144994.unknown
_1414144992.unknown
_1414144989.unknown
_1414144990.unknown
_1414144988.unknown
_1414144979.unknown
_1414144983.unknown
_1414144985.unknown
_1414144986.unknown
_1414144984.unknown
_1414144981.unknown
_1414144982.unknown
_1414144980.unknown
_1414144975.unknown
_1414144977.unknown
_1414144978.unknown
_1414144976.unknown
_1414144973.unknown
_1414144974.unknown
_1414144972.unknown
_1414144955.unknown
_1414144963.unknown
_1414144967.unknown
_1414144969.unknown
_1414144970.unknown
_1414144968.unknown
_1414144965.unknown
_1414144966.unknown
_1414144964.unknown
_1414144959.unknown
_1414144961.unknown
_1414144962.unknown
_1414144960.unknown
_1414144957.unknown
_1414144958.unknown
_1414144956.unknown
_1414144939.unknown
_1414144947.unknown
_1414144951.unknown
_1414144953.unknown
_1414144954.unknown
_1414144952.unknown
_1414144949.unknown
_1414144950.unknown
_1414144948.unknown
_1414144943.unknown
_1414144945.unknown
_1414144946.unknown
_1414144944.unknown
_1414144941.unknown
_1414144942.unknown
_1414144940.unknown
_1414144931.unknown
_1414144935.unknown
_1414144937.unknown
_1414144938.unknown
_1414144936.unknown
_1414144933.unknown
_1414144934.unknown
_1414144932.unknown
_1414144927.unknown
_1414144929.unknown
_1414144930.unknown
_1414144928.unknown
_1414144925.unknown
_1414144926.unknown
_1414144923.unknown
_1414144924.unknown
_1414144921.unknown
_1414144922.unknown
_1414144920.unknown