Baixe o app para aproveitar ainda mais
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.
Compartilhar