Machine Learning AOL3

Prévia do material em texto

Conteúdo do exercício
Ocultar opções de resposta 
Pergunta 1 -- /0
Estrutura que tem base no módulo RBM, essa classe de rede pode ser treinada de maneira não supervisionada 
e pode ser muito útil em um posterior aprendizado supervisionado. Por isso essas estruturas são muito utilizadas 
na redução de dimensões não lineares de dados com alta dimensão.
Considerando essas informações e o conteúdo estudado sobre estruturas no módulo RBM, pode-se afirmar que 
as estruturas ao qual o trecho se refere são:
redes neurais recorrentes.
Restricted Boltzmann Machine (RBM).
redes convolucionais.
Rede Deeb Belief Network (DBN).
autoencoders.
Pergunta 2 -- /0
Com laços de conexão que possibilitam a persistência da informação, elas utilizam eventos passados para 
recalibrar suas saídas em relação a novas entradas. Podemos dizer que um sinal é enviado em um instante de 
tempo t, e este pode alterar o comportamento da rede em um momento t + k, em que k > 0. São máquinas de 
Ocultar opções de resposta 
Ocultar opções de resposta 
Turing completas. Na teoria, elas podem desenvolver qualquer computação.
Considerando essas informações e o conteúdo estudado sobre Deep Learning, pode-se afirmar que o texto faz 
referência ao conceito de:
autoencoders.
rede neurais recorrentes.
Restricted Boltzmann Machine (RBM).
Rede Deeb Belief Network (DBN).
redes convolucionais.
Pergunta 3 -- /0
Há uma artilharia de satélites, radares, telescópios e supercomputadores por trás da previsão do tempo. A alta 
tecnologia vai muito além de saber se choverá ou fará sol. O primeiro passo é recolher as informações de 
temperatura, umidade, velocidade dos ventos e pressão atmosférica.
Fonte: SEVERIANO, A. Coluna mostra a tecnologia utilizada para fazer a previsão do tempo. Disponível em: 
<http://g1.globo.com/jornal-da-globo/noticia/2013/09/coluna-mostra-tecnologia-utilizada-para-fazer-previsao-do-
tempo.html>. Acesso em: 17 out. 2019.
Considerando essas informações e o conteúdo estudado sobre Deep Learning, pode-se afirmar que uma 
importante ferramenta utilizada para a previsão do tempo é denominada de:
Convolucionais.
Deeb Belief Network.
Greedily Layer-Wise Training.
Backpropagation.
Decodificador.
Ocultar opções de resposta 
Ocultar opções de resposta 
Pergunta 4 -- /0
É um modelo generativo probabilístico composto de diversas camadas de variáveis latentes estocásticas. Tem 
como objetivo aprender níveis abstratos da distribuição dos dados de entrada. São usados três algoritmos 
aplicados na resolução desse tipo de problema.
Considerando essas informações e o conteúdo estudado sobre modelos probabilísticos, pode-se afirmar que o 
modelo ao qual o trecho se refere é:
redes convolucionais.
Restricted Boltzmann Machine.
rede neurais recorrentes.
Deeb Belief Network.
autoencoders.
Pergunta 5 -- /0
As Deep Learning são usualmente utilizadas para resolver o problema de treinamento de redes neurais 
artificiais. Elas necessitam de muitos dados para serem treinadas e, com isso, aprenderem as características de 
forma hierárquica, não precisando mais de um humano para selecionar as características que formarão seu 
modelo de aprendizado.
Considerando essas informações e o conteúdo estudado sobre Deep Learning, pode-se afirmar que uma de 
suas atividades executadas está relacionada à:
adoção de filtros automáticos.
criação de views.
Ocultar opções de resposta 
síntese e reconhecimento de fala.
estrutura exponencial.
complexidade dos algoritmos.
Pergunta 6 -- /0
Existem três tipos de arquiteturas de Deep Learning. Essas arquiteturas operam em dois diferentes tipos de 
treinamento: supervisionado e não supervisionado. Neste contexto, alguns protocolos de treinamento podem ser 
utilizados.
Considerando essas informações e o conteúdo estudado sobre aos protocolos de treinamento, analise as 
afirmativas a seguir.
I. Bi-directional: Funcionam de maneira distinta das redes recorrentes, porém existe uma assimetria entre as 
conexões e são mais complexas de serem analisadas.
II. Puramente supervisionado: tem inicialização de parâmetros de maneira aleatória, utiliza tipicamente o método 
do gradiente descendente e backpropagation.
III. Não supervisionado e classificação no topo: Em uma camada é realizado o treinamento não supervisionado. 
Antes são treinadas as camadas supervisionadas, mantendo as outras camadas variáveis.
IV. Não supervisionado e sintonização global supervisionada: em cada camada não supervisionada é efetuado o 
treino, uma após a outra. É adicionada uma camada de classificação e é retirada a supervisão de toda a 
hierarquia.
Está correto apenas o que se afirma em:
I e IV.
I e II.
I e III.
II e IV.
III e IV.
Ocultar opções de resposta 
Pergunta 7 -- /0
Existem diversos estudos que se dedicam a demonstrar o porquê de as redes profundas serem melhores que as 
redes simples, tomando como partida o teorema da aproximação. Este teorema gerou resultados mais refinados 
em comparação com o teorema de hierarquia de profundidade em complexidade de circuitos.
Considerando essas informações e o conteúdo estudado sobre redes neurais, pode-se afirmar que:
são usualmente utilizadas para resolver o problema de treinamento de redes neurais artificiais; elas 
necessitam de muitos dados para serem treinadas e, com isso, aprenderem as características de 
forma hierárquica.
avaliam-se por meio da implementação de um modelo manual indicado para as redes convolucionais.
são utilizadas para a execução de uma infinidade de tarefas complexas, como tradução de máquina, 
transcrição de dados e reconhecimento de fala.
conectam saídas de um neurônio com entradas de outro, para que possam enviar dígitos uns aos 
outros.
trata-se de uma função com diversas entradas e uma saída. Sua tarefa é pegar todos os números de 
sua entrada, executar uma função neles e enviar o resultado para a saída.
Pergunta 8 -- /0
As Deep Learning são usualmente utilizadas para resolver o problema de treinamento de redes neurais 
artificiais. Elas necessitam de muitos dados para serem treinadas e, com isso, aprenderem as características 
hierarquicamente, não precisando mais de um humano para selecionar as características que formarão seu 
modelo de aprendizado.
Considerando essas informações e o conteúdo estudado sobre aos tipos de arquiteturas de Deep Learning, 
analise as afirmativas a seguir.
I. A primeira arquitetura é a Feed-Forward, muito utilizada em redes multicamadas, como a as redes 
convolutivas.
II. A segunda é a Feed-Back, frequentemente usada nas redes Stacked Sparse Coding.
III. A terceira é a Bi-Directional, onde em cada camada é realizado o treinamento não supervisionado.
Ocultar opções de resposta 
Ocultar opções de resposta 
IV. A quarta é a arquitetura puramente supervisionado, usada em Deep Bolzmann e Autoencoders.
Está correto apenas o que se afirma em:
I e IV.
III e IV.
I e III.
I e II.
II e IV.
Pergunta 9 -- /0
Leia o excerto a seguir:
“Deep Learning é um tipo de Machine Learning que treina computadores para realizar tarefas como seres 
humanos, o que inclui reconhecimento de fala, identificação de imagem e previsões.”
Fonte: SAS. Deep Learning: O que é e qual sua importância? Disponível em: 
<https://www.sas.com/pt_br/insights/analytics/deep-learning.html>. Acesso em: 17 out. 2019.
Considerando essas informações e o conteúdo estudado sobre Deep Learning, pode-se afirmar que uma de 
suas funções é:
utilizar o aprendizado de máquina para estabelecer um nível mais simples com a utilização de redes 
neurais.
verificar o ambiente organizacional em um nível mais limitado com a utilização de redes neutras.
visualizar as possibilidades de prototipagem em um nível mais elevado com a utilização de redes 
conexas.
abordar as condições de instrução em um nível mais aprofundado com a utilização de redes 
sintéticas.
observar as chances de aprendizagem em um nível mais profundo com o uso de redes neurais.
Ocultar opções de resposta 
Pergunta 10 -- /0
Adequada para o processamento de informaçõessequenciais, dado que são capazes de memorizar eventos 
mesmo que eles ocorram com um intervalo longo, assim como em modelos preditivos, essa arquitetura foi 
projetada para tratar problemas do fluxo de erro retroprogramado, que decaem ou explodem exponencialmente.
Considerando essas informações e o conteúdo estudado sobre tipos de arquitetura do Deep Learning, pode-se 
afirmar que o modelo ao qual o trecho se refere é:
autoencoders.
Restricted Boltzmann Machine (RBM).
rede neurais recorrentes.
Rede Deeb Belief Network (DBN).
redes convolucionais.