Avaliação de REDES NEURAIS ARTIFICIAIS

Prévia do material em texto

Avaliação de Recuperação
Entrega Sem prazo Pontos 10 Perguntas 10
Disponível 21 fev em 0:00 - 28 fev em 23:59 8 dias Limite de tempo Nenhum
Tentativas permitidas 3
Este teste foi travado 28 fev em 23:59.
Histórico de tentativas
Tentativa Tempo Pontuação
MANTIDO Tentativa 3 21 minutos 9 de 10
MAIS RECENTE Tentativa 3 21 minutos 9 de 10
Tentativa 2 19 minutos 6 de 10
Tentativa 1 72 minutos 7 de 10
 As respostas corretas estão ocultas.
Pontuação desta tentativa: 9 de 10
Enviado 25 fev em 15:27
Esta tentativa levou 21 minutos.
1 / 1 ptsPergunta 1
É correto afirmar que atualizar as estimativas de parâmetro usando a
derivada de erro e o valor atual não possui relação com o algoritmo
backpropagation .
 Falso 
 Verdadeiro 
https://cruzeirodosul.instructure.com/courses/24252/quizzes/59868/history?version=3
https://cruzeirodosul.instructure.com/courses/24252/quizzes/59868/history?version=3
https://cruzeirodosul.instructure.com/courses/24252/quizzes/59868/history?version=2
https://cruzeirodosul.instructure.com/courses/24252/quizzes/59868/history?version=1
Seguem sucintamente os passos do algoritmo:
(1) Inicializar pesos para os parâmetros que queremos treinar; 
(2) Propagar para frente através da rede para obter os valores
de saída; 
(3) Definir o erro ou função de custo e seus primeiros valores de
derivações; 
(4) Retropropagar através da rede para determinar os derivados
de erro; 
(5) Atualizar as estimativas de parâmetro usando a derivada de
erro e o valor atual;
1 / 1 ptsPergunta 2
É correto afirmar que propagar para frente através da rede para obter
os valores de saída é um dos passos do algoritmo backpropagation.
 Verdadeiro 
 Falso 
Seguem sucintamente os passos do algoritmo:
(1) Inicializar pesos para os parâmetros que queremos treinar; 
(2) Propagar para frente através da rede para obter os valores
de saída; 
(3) Definir o erro ou função de custo e seus primeiros valores de
derivações; 
(4) Retropropagar através da rede para determinar os derivados
de erro; 
(5) Atualizar as estimativas de parâmetro usando a derivada de
erro e o valor atual;
1 / 1 ptsPergunta 3
Analise as afirmativas abaixo e assinale a alternativa correta:
I - O processo Backpropagation não pode ser utilizado no processo de
aprendizagem em uma rede neural;
II - A soma dos erros quadrados é um valor importante para se
retropropagar o erro para as camadas e neurônios anteriores da rede;
III - A principal ideia é ajustar os pesos de cada neurônio artificial
usando essencialmente o valor esperado para a saída da rede e o erro
ou distância da saída da rede para o valor esperado.
 Todas as afirmativas estão corretas. 
 Apenas as afirmativas II e III estão corretas. 
 Apenas a afirmativa I está correta. 
 Apenas as afirmativas I e III estão corretas. 
 Nenhuma afirmativa está correta. 
O processo Backpropagation é um dos principais meios de
aprendizagem em uma rede neural. A principal ideia é ajustar
os pesos de cada neurônio artificial usando essencialmente o
valor esperado para a saída da rede e o erro ou distância da
saída da rede para o valor esperado. Para isso utilizamos a
medida clássica que é a soma dos erros quadrados,
comumente utilizada em outros algoritmos para análises de
dados ou mesmo em validações de resultados de algoritmos.
Este erro quadrado será um valor importante para retropropagar
o erro para as outras camadas da rede ou para todos os outros
neurônios. Note que é importante ainda saber qual é a
importância do peso de todos os neurônios para o resultado de
saída. Para este cálculo de “importância” ou peso do neurônio
utilizaremos a derivada parcial de cada uma das funções de
cada neurônio e a derivada parcial da função de erro
1 / 1 ptsPergunta 4
Analise as afirmativas abaixo e assinale a alternativa correta:
I - Adaptabilidade é uma das características e vantagem das redes
neurais, que é a habilidade de se adaptar às novas informações;
II - Velocidade é uma das características e vantagem das redes
neurais, que consiste no paralelismo maciço;
III - Uma RNA consiste em um determinado número de neurônios
artificiais interligados por um grande número de conexões.
 Todas as afirmativas estão corretas. 
 Apenas a afirmativa I está correta. 
 Nenhuma afirmativa está correta. 
 Apenas as afirmativas I e II estão corretas. 
 Apenas as afirmativas I e III estão corretas. 
Segundo ROJAS (1996) redes neurais artificiais (RNA) são
modelos de processamento de informações inspirados em uma
estrutura natural, o cérebro humano. Analogamente ao cérebro
humano uma rede neural é composta por unidades de
processamento chamadas de neurônios, intimamente
interconectadas e são capazes de adquirir conhecimento ao
longo do tempo.
Em (BRAGA, 2000) as RNAs consistem em um determinado
número de neurônios, que calculam determinadas funções
matemáticas, normalmente não lineares, dispostas em uma ou
mais camadas, interligadas por um grande número de
conexões, geralmente unidirecionais. Na maioria dos modelos
estas conexões estão associadas a pesos, os quais
armazenam o conhecimento representado no modelo e servem
para ponderar a entrada recebida por cada neurônio da rede.
A definição dos pesos em cada neurônio é feita pelo processo
de treinamento ou aprendizagem da rede neural. Inicialmente a
rede deve passar por uma fase de aprendizagem, onde, um
conjunto de exemplos é apresentado para a rede e ela deverá
extrair automaticamente as características necessárias para
representar a informação fornecida. Esta etapa de treinamento
é um processo iterativo, no qual os pesos de cada neurônio são
ajustados, existem diversos algoritmos de aprendizado que
diferenciam-se basicamente pela maneira como estes valores
de pesos são modificados. (BRAGA, 2000)
Seguem algumas vantagens de se utilizar redes neurais para a
tarefa de reconhecimento de padrões: 
• Adaptabilidade: habilidade de se adaptar às novas
informações; 
• Velocidade: via o paralelismo maciço; 
• Tolerância a falhas: capacidade de oferecer boas respostas
mesmo com falta, confusão ou dados ruidosos; 
• Otimalidade: visto como taxa de erro em sistemas de
classificação;
1 / 1 ptsPergunta 5
É correto afirmar que as redes de Hopefield implementam redes de
memória associativa.
 Falso 
 Verdadeiro 
Ao se pesquisar sobre Redes de Hopfield, um interessante
ponto de partida é o estudo da memória associativa. Lembrar-
se de algo consiste, em essência, na associação de uma
lembrança/memória com uma pista sensorial (Gurney, 2007).
Por exemplo, uma música pode fazer com que uma cadeia de
eventos seja relembrada e, até mesmo, que as emoções de um
momento passado sejam de certa forma revividas.
Uma memória associativa pode ser definida como um tipo de
memória que armazena um conjunto de padrões de tal forma
que quando um novo padrão é apresentado (possivelmente
com ruído), a rede responde produzindo qualquer um dos
padrões armazenados que mais se assemelha ao padrão
apresentado. Em outras palavras, um conteúdo parcial pode
atuar como endereço para o conteúdo completo que a rede
“lembra-se” do padrão armazenado.
0 / 1 ptsPergunta 6IncorretaIncorreta
Analise as afirmativas abaixo e assinale a alternativa correta:
I - As redes de Kohonen tem uma estrutura de feed-forward com uma
única camada computacional disposta em linhas e colunas.;
II - Em uma rede de Kohonen os neurônios não podem ser totalmente
conectados;
III - As redes de Kohonen são um tipo particular de SOM.
 Todas as afirmativas estão corretas. 
 Apenas a afirmativa I está correta. 
 Apenas as afirmativas I e II estão corretas. 
 Nenhuma afirmativa está correta 
 Apenas as afirmativas I e III estão corretas. 
Redes Kohonen: Devemos nos concentrar no tipo particular de
SOM conhecido como Rede Kohonen, este SOM tem uma
estrutura de feed-forward com uma única camada
computacional disposta em linhas e colunas. Cada neurônio
está totalmente conectado a todos os nós de origem na camada
de entrada.
1 / 1 ptsPergunta 7
Analise as afirmativas abaixo e assinalea alternativa correta:
I - Tanh é um tipo de função de ativação utilizada em redes neurais.
II - ReLU é um tipo de função de ativação utilizada em redes neurais.
III - Maxout é um tipo de neurônio artificial sigmóide.
 Apenas as afirmativas I e II estão corretas. 
 Apenas as afirmativas I e III estão corretas. 
 Todas as afirmativas estão corretas. 
 Apenas a afirmativa I está correta. 
 Nenhuma afirmativa está correta. 
Na literatura não há apenas estes dois tipos de função de
ativação para um neurônio, pode-se utilizar outros tipos de
funções de ativação, pois uma função sigmóide pode ter saídas
indesejadas dependendo do tipo de entrada, como por
exemplo, estacionar as saídas em zero, de acordo com a
entrada, o que em outras palavras pararia o processo de
aprendizagem. Podemos encontrar outras funções como:
• Tanh: que é próxima de uma função sigmoide, porém suas
saídas não tem apenas a variação de número entre 0 e 1, ela
possui saídas reais entre -1 e 1. Dada pela função: tanh( x ) = 2
σ ( 2 x ) – 1.
• ReLU: função de unidade linear retificada, que não
necessariamente é uma função linear, ou seja, uma variação
nos pesos ou BIAS pode ser propagada para neurônios em
outras camadas e ativá-los ou não, dependendo da proximidade
da saída estiver de zero, ela ativará ou não um determinado
neurônio. Dada pela função: f(x) = max (0,x).
• Leaky ReLU ou “com vazamento”: ReLUs com vazamento
são uma tentativa de corrigir o problema de "ReLU moribundo".
Em vez de a função ser zero quando x <0, uma ReLU com
vazamento terá uma pequena inclinação negativa (de 0,01 ou
mais), de modo a mitigar os problemas encontrados na função
ReLU inicialmente proposta. Ela é dada pela função: f(x) = 1
(x<0) (αx) + 1 (x>=0) (x).
• Maxout: o neurônio Maxout generaliza a função ReLU e sua
versão Leaky ReLyu. O neurônio Maxout calcula a função: 
 . O neurônio Maxout
desfruta de todos os benefícios de uma unidade ReLU (regime
linear de operação, sem saturação) e não possui suas
desvantagens (ReLU moribundo).
1 / 1 ptsPergunta 8
É correto afirmar que à medida que aumentamos o tamanho e o
número de camadas em uma rede neural, a capacidade da rede
aumenta:
 Verdadeiro 
 Falso 
observe que, à medida que aumentamos o tamanho e o número
de camadas em uma rede neural, a capacidade da rede
aumenta. Ou seja, o espaço das funções representáveis
aumenta, pois os neurônios podem colaborar para expressar
muitas funções diferentes. Por exemplo, suponha que
tenhamos um problema de classificação binária em duas
dimensões.
1 / 1 ptsPergunta 9
Analise as afirmativas abaixo e assinale a alternativa correta:
I - “Inicializar pesos para os parâmetros que queremos treinar” é um
dos passos do algoritmo backpropagation;
II - “Definir o erro ou função de custo e seus primeiros valores de
derivações” é uma etapa da rede neural mas não possui relação com o
algoritmo backpropagation;
III - “Atualizar as estimativas de parâmetro usando a derivada de erro e
o valor atual” é um dos passos do algoritmo backpropagation.
 Apenas as afirmativas I e III estão corretas. 
 Apenas a afirmativa I está correta. 
 Todas as afirmativas estão corretas. 
 Apenas as afirmativas II e III estão corretas. 
 Nenhuma afirmativa está correta. 
Seguem sucintamente os passos do algoritmo:
(1) Inicializar pesos para os parâmetros que queremos treinar; 
(2) Propagar para frente através da rede para obter os valores
de saída; 
(3) Definir o erro ou função de custo e seus primeiros valores de
derivações; 
(4) Retropropagar através da rede para determinar os derivados
de erro; 
(5) Atualizar as estimativas de parâmetro usando a derivada de
erro e o valor atual;
1 / 1 ptsPergunta 10
Analise as afirmativas abaixo e assinale a alternativa correta:
I - Ao contrário de todas as camadas de uma rede neural, os neurônios
da camada de saída geralmente não têm uma função de ativação;
II - SVMs são simplesmente um caso especial de redes neurais de
camada única;
III - Em algumas literaturas as redes neurais podem ser denominadas
"Redes neurais artificiais" (ANN) ou "Perceptrons de várias camadas"
(MLP).
 Todas as afirmativas estão corretas. 
 Apenas as afirmativas I e II estão corretas. 
 Apenas a afirmativa I está correta. 
 Nenhuma afirmativa está correta. 
 Apenas as afirmativas I e III estão corretas. 
Observe que, quando dizemos rede neural de camada N, não
contamos a camada de entrada. Portanto, uma rede neural de
camada única descreve uma rede sem camadas ocultas
(entrada mapeada diretamente para a saída). Nesse sentido, às
vezes você pode ouvir as pessoas dizerem que a regressão
logística ou SVMs são simplesmente um caso especial de redes
neurais de camada única. Em algumas literaturas as redes
neurais podem ser denominadas "Redes neurais artificiais"
(ANN) ou "Perceptrons de várias camadas" (MLP). Muitas
pessoas não gostam das analogias entre redes neurais e
cérebros reais e preferem se referir aos neurônios como
unidades.
Camada de saída: Ao contrário de todas as camadas de uma
rede neural, os neurônios da camada de saída geralmente não
têm uma função de ativação (ou você pode pensar neles como
tendo uma função de ativação de identidade linear). Isso ocorre
porque a última camada de saída geralmente é usada para
representar as pontuações da classe (por exemplo, na
classificação), que são números arbitrários com valor real ou
algum tipo de alvo com valor real (por exemplo, em regressão).
Pontuação do teste: 9 de 10