3 1 Aplicação de redes neurais

Prévia do material em texto

1. O desenvolvimento de tecnologias menores e de menor potência possibilitou o surgimento da IoT, segmento em que mesmo pequenos dispositivos, às vezes até um simples sensor, são capazes de se integrar a outros elementos de uma grande rede. Que outros benefícios uma rede neural pode extrair da IoT?
A. Funções de ativação mais simples, já que os componentes são mais simples.
A IoT integra vários elementos de um mesmo ambiente, e não interfere diretamente na forma como uma rede neural poderá se aproveitar desses elementos, podendo utilizar funções de ativação diversas, dependendo da natureza da aplicação. Isso ocorre da mesma forma com a complexidade e a necessidade de programação. Já a representação dos dados pode, em alguns casos, até ser dificultada, isso porque a IoT pode integrar desde grandes equipamentos até pequenos dispositivos de baixo processamento e que poderão ter dados sem qualquer refinamento ou tratamento prévio. Entretanto, a quantidade de informações é naturalmente ampliada, além de ser possível utilizar sensores e dados que não sejam objeto direto da função desempenhada por ele, como aproveitar um acelerômetro de uma rede de celulares para detecção de terremotos.
B. Acesso à vasta quantidade de informações obtida de forma nem sempre diretamente ligada ao objeto principal do dispositivo que a está fornecendo.
A IoT integra vários elementos de um mesmo ambiente, e não interfere diretamente na forma como uma rede neural poderá se aproveitar desses elementos, podendo utilizar funções de ativação diversas, dependendo da natureza da aplicação. Isso ocorre da mesma forma com a complexidade e a necessidade de programação. Já a representação dos dados pode, em alguns casos, até ser dificultada, isso porque a IoT pode integrar desde grandes equipamentos até pequenos dispositivos de baixo processamento e que poderão ter dados sem qualquer refinamento ou tratamento prévio. Entretanto, a quantidade de informações é naturalmente ampliada, além de ser possível utilizar sensores e dados que não sejam objeto direto da função desempenhada por ele, como aproveitar um acelerômetro de uma rede de celulares para detecção de terremotos.
C. Menor complexidade de desenvolvimento.
A IoT integra vários elementos de um mesmo ambiente, e não interfere diretamente na forma como uma rede neural poderá se aproveitar desses elementos, podendo utilizar funções de ativação diversas, dependendo da natureza da aplicação. Isso ocorre da mesma forma com a complexidade e a necessidade de programação. Já a representação dos dados pode, em alguns casos, até ser dificultada, isso porque a IoT pode integrar desde grandes equipamentos até pequenos dispositivos de baixo processamento e que poderão ter dados sem qualquer refinamento ou tratamento prévio. Entretanto, a quantidade de informações é naturalmente ampliada, além de ser possível utilizar sensores e dados que não sejam objeto direto da função desempenhada por ele, como aproveitar um acelerômetro de uma rede de celulares para detecção de terremotos.
D. Dados representados de forma normalizada graças à distribuição de dados menos centralizada e mais diretamente vinculada à fonte que capturou a informação.
A IoT integra vários elementos de um mesmo ambiente, e não interfere diretamente na forma como uma rede neural poderá se aproveitar desses elementos, podendo utilizar funções de ativação diversas, dependendo da natureza da aplicação. Isso ocorre da mesma forma com a complexidade e a necessidade de programação. Já a representação dos dados pode, em alguns casos, até ser dificultada, isso porque a IoT pode integrar desde grandes equipamentos até pequenos dispositivos de baixo processamento e que poderão ter dados sem qualquer refinamento ou tratamento prévio. Entretanto, a quantidade de informações é naturalmente ampliada, além de ser possível utilizar sensores e dados que não sejam objeto direto da função desempenhada por ele, como aproveitar um acelerômetro de uma rede de celulares para detecção de terremotos.
E. Ato de abolir a necessidade de programação.
A IoT integra vários elementos de um mesmo ambiente, e não interfere diretamente na forma como uma rede neural poderá se aproveitar desses elementos, podendo utilizar funções de ativação diversas, dependendo da natureza da aplicação. Isso ocorre da mesma forma com a complexidade e a necessidade de programação. Já a representação dos dados pode, em alguns casos, até ser dificultada, isso porque a IoT pode integrar desde grandes equipamentos até pequenos dispositivos de baixo processamento e que poderão ter dados sem qualquer refinamento ou tratamento prévio. Entretanto, a quantidade de informações é naturalmente ampliada, além de ser possível utilizar sensores e dados que não sejam objeto direto da função desempenhada por ele, como aproveitar um acelerômetro de uma rede de celulares para detecção de terremotos.
2. As redes neurais adentraram a área da agronomia em todos os setores, tanto para a pesquisa, quanto para o desenvolvimento de soluções finais. Para uma pesquisa de campo que pretenda prever o tempo de germinação de sementes em diferentes ambientes, é relevante considerar as variáveis de profundidade, espécie e tipo de solo. Dentre as alternativas, qual delas é uma afirmação coerente com o projeto de uma rede neural para atender a essa demanda?
A. Problemas de regressão como o da pesquisa demandam que se obtenha maior desempenho por meio do aprendizado por reforço. Nesse caso, podem ser utilizadas recompensas e punições para guiar a rede na obtenção de um melhor resultado.
O resultado deverá ser o tempo de germinação. Para tanto, a rede fará a regressão para obter a função que melhor se aproxime do tempo real a partir das características de entrada. Aproveitando os resultados das amostras colhidas em campo, como saída esperada, a rede será capaz de aprender de forma supervisionada, avaliando o custo entre tempo previsto e tempo desejado.
B. A rede neural deverá classificar as plantas de acordo com características em comum que podem ser obtidas pelo método de aprendizado não supervisionado capaz de detectar características nem sempre conhecidas.
O resultado deverá ser o tempo de germinação. Para tanto, a rede fará a regressão para obter a função que melhor se aproxime do tempo real a partir das características de entrada. Aproveitando os resultados das amostras colhidas em campo, como saída esperada, a rede será capaz de aprender de forma supervisionada, avaliando o custo entre tempo previsto e tempo desejado.
C. Não deverão ser utilizadas camadas ocultas, uma vez que todas as variáveis são de prévio conhecimento.
O resultado deverá ser o tempo de germinação. Para tanto, a rede fará a regressão para obter a função que melhor se aproxime do tempo real a partir das características de entrada. Aproveitando os resultados das amostras colhidas em campo, como saída esperada, a rede será capaz de aprender de forma supervisionada, avaliando o custo entre tempo previsto e tempo desejado.
D. Problema de regressão que utilizará as variáveis de profundidade, espécie e tipo de solo como neurônios de entrada. O aprendizado do tipo supervisionado utilizará as amostras da pesquisa para tentar prever o tempo de germinação de uma semente.
O resultado deverá ser o tempo de germinação. Para tanto, a rede fará a regressão para obter a função que melhor se aproxime do tempo real a partir das características de entrada. Aproveitando os resultados das amostras colhidas em campo, como saída esperada, a rede será capaz de aprender de forma supervisionada, avaliando o custo entre tempo previsto e tempo desejado.
E. A função de custo calculará a diferença entre a profundidade desejada e a profundidade obtida.
O resultado deverá ser o tempo de germinação. Para tanto, a rede fará a regressão para obter a função que melhor se aproxime do tempo real a partir das características de entrada. Aproveitando os resultados das amostras colhidas em campo, como saída esperada, a rede será capaz de aprender de forma supervisionada, avaliandoo custo entre tempo previsto e tempo desejado.
3. Existem diversas vantagens das redes neurais no dia a dia. Sobre elas, é possível afirmar o seguinte: 
A. Sem o uso das redes neurais, muitas das soluções modernas seriam impraticáveis devido à dificuldade de se modelar um sistema que, muitas vezes, não é de amplo conhecimento da ciência atual.
O aprendizado de máquina possibilitou o desenvolvimento de equipamentos e resolução de problemas sem prévio conhecimento da estrutura com que os dados se relacionam utilizando metodologias de aprendizado não supervisionado. Apesar de possibilitar soluções complexas e de alta tecnologia, uma rede neural pode ser tão simples quanto algumas poucas linhas de computador. A IoT se beneficia das redes neurais em muitos casos, permitindo maior integração entre os componentes, mas não depende dela, e ainda contribui para o próprio sucesso de outras redes neurais. As soluções apresentadas podem ter forte atuação física ou se resumir à avalição de imagens e textos já presentes no meio digital.
B. Devido ao alto custo de desenvolvimento, as redes neurais ainda são pouco utilizadas em áreas alheias à medicina.
O aprendizado de máquina possibilitou o desenvolvimento de equipamentos e resolução de problemas sem prévio conhecimento da estrutura com que os dados se relacionam utilizando metodologias de aprendizado não supervisionado. Apesar de possibilitar soluções complexas e de alta tecnologia, uma rede neural pode ser tão simples quanto algumas poucas linhas de computador. A IoT se beneficia das redes neurais em muitos casos, permitindo maior integração entre os componentes, mas não depende dela, e ainda contribui para o próprio sucesso de outras redes neurais. As soluções apresentadas podem ter forte atuação física ou se resumir à avalição de imagens e textos já presentes no meio digital.
C. As redes neurais mudaram os rumos da ciência. A IoT, por exemplo, deve sua existência às redes neurais, já que somente sensores inteligentes são capazes de se integrar a outros em ambientes complexos.
O aprendizado de máquina possibilitou o desenvolvimento de equipamentos e resolução de problemas sem prévio conhecimento da estrutura com que os dados se relacionam utilizando metodologias de aprendizado não supervisionado. Apesar de possibilitar soluções complexas e de alta tecnologia, uma rede neural pode ser tão simples quanto algumas poucas linhas de computador. A IoT se beneficia das redes neurais em muitos casos, permitindo maior integração entre os componentes, mas não depende dela, e ainda contribui para o próprio sucesso de outras redes neurais. As soluções apresentadas podem ter forte atuação física ou se resumir à avalição de imagens e textos já presentes no meio digital.
D. Todas as áreas podem se beneficiar do uso de redes neurais. Para isso, são necessários o uso de robôs e a adequação do ambiente para eles.
O aprendizado de máquina possibilitou o desenvolvimento de equipamentos e resolução de problemas sem prévio conhecimento da estrutura com que os dados se relacionam utilizando metodologias de aprendizado não supervisionado. Apesar de possibilitar soluções complexas e de alta tecnologia, uma rede neural pode ser tão simples quanto algumas poucas linhas de computador. A IoT se beneficia das redes neurais em muitos casos, permitindo maior integração entre os componentes, mas não depende dela, e ainda contribui para o próprio sucesso de outras redes neurais. As soluções apresentadas podem ter forte atuação física ou se resumir à avalição de imagens e textos já presentes no meio digital.
E. Redes neurais são mais facilmente integráveis aos campos da medicina e da agronomia pela forte relação biológica entre elas, campo de estudo que originou a criação dos próprios neurônios artificiais.
O aprendizado de máquina possibilitou o desenvolvimento de equipamentos e resolução de problemas sem prévio conhecimento da estrutura com que os dados se relacionam utilizando metodologias de aprendizado não supervisionado. Apesar de possibilitar soluções complexas e de alta tecnologia, uma rede neural pode ser tão simples quanto algumas poucas linhas de computador. A IoT se beneficia das redes neurais em muitos casos, permitindo maior integração entre os componentes, mas não depende dela, e ainda contribui para o próprio sucesso de outras redes neurais. As soluções apresentadas podem ter forte atuação física ou se resumir à avalição de imagens e textos já presentes no meio digital.
4. Um dos campos de estudo mais complexos da medicina certamente é a área de sequenciamento genético. Organismos de todo tipo têm seu código genético mapeado e posteriormente aproveitado para compreender um pouco mais sobre as origens e as características que tornam a vida possível e como interagem com outros seres e elementos do ambiente. A partir dessas informações, é possível desenvolver medicamentos para tipos específicos de vírus e bactérias. Sabe-se que o código genético tem apenas quatro nucleotídeos fundamentais cujas ligações e contexto em que aparecem determinam as diversas características do organismo. De que forma esses dados costumam ser representados?
A. O código genético tem infinitos elementos, e somente redes neurais com aprendizado não supervisionado são capazes de compreendê-los.
São quatro elementos básicos que compõem o DNA, sendo expressos por suas siglas A, G, T e C, que devem ser representados em linguagem compreensível pela máquina; assim, cada nucleotídeo pode ser expresso por um número binário diretamente. A ordem e o contexto em que aparecem os nucleotídeos, assim como em sistemas de processamento de linguagem, são o que, de fato, pode ser traduzido para alguma característica relevante. Isso justifica a necessidade de se ampliar a entrada da rede para detectar não apenas um nucleotídeo por vez, mas um conjunto deles.
B. Apenas quatro nucleotídeos fundamentais (adenina, guanina, timina e citosina) são suficientes para uma rede neural detectar a presença deles para relacionar a alguma característica específica.
São quatro elementos básicos que compõem o DNA, sendo expressos por suas siglas A, G, T e C, que devem ser representados em linguagem compreensível pela máquina; assim, cada nucleotídeo pode ser expresso por um número binário diretamente. A ordem e o contexto em que aparecem os nucleotídeos, assim como em sistemas de processamento de linguagem, são o que, de fato, pode ser traduzido para alguma característica relevante. Isso justifica a necessidade de se ampliar a entrada da rede para detectar não apenas um nucleotídeo por vez, mas um conjunto deles.
C. O código genético não pode ser representado adequadamente para ser utilizado por redes neurais, demandando o uso de algoritmos genéticos específicos.
São quatro elementos básicos que compõem o DNA, sendo expressos por suas siglas A, G, T e C, que devem ser representados em linguagem compreensível pela máquina; assim, cada nucleotídeo pode ser expresso por um número binário diretamente. A ordem e o contexto em que aparecem os nucleotídeos, assim como em sistemas de processamento de linguagem, são o que, de fato, pode ser traduzido para alguma característica relevante. Isso justifica a necessidade de se ampliar a entrada da rede para detectar não apenas um nucleotídeo por vez, mas um conjunto deles.
D. O código genético requer uma representação não binária de dados, já que cada entrada individual pode ser de quatro tipos diferentes.
São quatro elementos básicos que compõem o DNA, sendo expressos por suas siglas A, G, T e C, que devem ser representados em linguagem compreensível pela máquina; assim, cada nucleotídeo pode ser expresso por um número binário diretamente. A ordem e o contexto em que aparecem os nucleotídeos, assim como em sistemas de processamento de linguagem, são o que, de fato, pode ser traduzido para alguma característica relevante. Isso justifica a necessidade de se ampliar a entrada da rede para detectar não apenas um nucleotídeo por vez, mas um conjunto deles.
E. Sendo a ordem e o contextoem que cada nucleotídeo aparece os fatores determinantes, os nucleotídeos podem ser expressos de forma binária, mas deverão ser agrupados em conjuntos maiores como se fossem palavras.
São quatro elementos básicos que compõem o DNA, sendo expressos por suas siglas A, G, T e C, que devem ser representados em linguagem compreensível pela máquina; assim, cada nucleotídeo pode ser expresso por um número binário diretamente. A ordem e o contexto em que aparecem os nucleotídeos, assim como em sistemas de processamento de linguagem, são o que, de fato, pode ser traduzido para alguma característica relevante. Isso justifica a necessidade de se ampliar a entrada da rede para detectar não apenas um nucleotídeo por vez, mas um conjunto deles.
5. Redes neurais são capazes de encontrar padrões em ambientes e dados complexos, muitos deles naturais ao ser humano como identificar e classificar imagens. Porém, muitas vezes, as características detectadas por elas vão além do compreendido pelo ser humano. A medicina tira proveito disso ao utilizar redes neurais no diagnóstico e na reconstrução de imagens de ressonância nuclear magnética. Qual alternativa apresenta uma abordagem de aprendizado válida para esse tipo de aplicação?​​​​​​​
A. Aprendizado supervisionado, em que o projetista é responsável por fornecer os pesos e vieses necessários para se reconhecer os padrões necessários.
É possível que redes aprendam de três maneiras diferentes: de forma supervisionada com entradas fornecidas juntamente da saída desejada para que o erro seja calculado e retropropagado; por reforço quando a rede receberia de um agente externo valores de recompensa ou punição para as previsões feitas; e de maneira não supervisionada, quando a rede irá criar clusters de informação, agrupando tudo aquilo que, de alguma maneira, tenha características em comum. Esta última, por não depender de avalição humana ou de conhecimento prévio, é mais recomendada especialmente para pesquisa de novas doenças ou de padrões que auxiliem no melhor entendimento de doenças já conhecidas.
B. Aprendizado por reforço, utilizando em conjunto com as entradas o valor esperado na saída.
É possível que redes aprendam de três maneiras diferentes: de forma supervisionada com entradas fornecidas juntamente da saída desejada para que o erro seja calculado e retropropagado; por reforço quando a rede receberia de um agente externo valores de recompensa ou punição para as previsões feitas; e de maneira não supervisionada, quando a rede irá criar clusters de informação, agrupando tudo aquilo que, de alguma maneira, tenha características em comum. Esta última, por não depender de avalição humana ou de conhecimento prévio, é mais recomendada especialmente para pesquisa de novas doenças ou de padrões que auxiliem no melhor entendimento de doenças já conhecidas.
C. Aprendizado não supervisionado, com a atribuição de penalidades e recompensas toda vez que um diagnóstico correto é obtido.
É possível que redes aprendam de três maneiras diferentes: de forma supervisionada com entradas fornecidas juntamente da saída desejada para que o erro seja calculado e retropropagado; por reforço quando a rede receberia de um agente externo valores de recompensa ou punição para as previsões feitas; e de maneira não supervisionada, quando a rede irá criar clusters de informação, agrupando tudo aquilo que, de alguma maneira, tenha características em comum. Esta última, por não depender de avalição humana ou de conhecimento prévio, é mais recomendada especialmente para pesquisa de novas doenças ou de padrões que auxiliem no melhor entendimento de doenças já conhecidas.
D. Aprendizado supervisionado, permitindo que a rede seja capaz de agrupar sozinha, sem qualquer informação, retorno sobre o erro obtido.
É possível que redes aprendam de três maneiras diferentes: de forma supervisionada com entradas fornecidas juntamente da saída desejada para que o erro seja calculado e retropropagado; por reforço quando a rede receberia de um agente externo valores de recompensa ou punição para as previsões feitas; e de maneira não-supervisionada quando a rede irá criar clusters de informação, agrupando tudo aquilo que de alguma maneira tenha características em comum. Esta última por não depender de avalição humana ou de conhecimento prévio é mais recomendada especialmente para pesquisa de novas doenças ou de padrões que auxiliem no melhor entendimento de doenças já conhecidas.
E. Aprendizado não supervisionado, deixando que a rede, ao receber diversas entradas, encontre por si elementos em comum entre cada imagem e passe a classificá-las.
É possível que redes aprendam de três maneiras diferentes: de forma supervisionada com entradas fornecidas juntamente da saída desejada para que o erro seja calculado e retropropagado; por reforço quando a rede receberia de um agente externo valores de recompensa ou punição para as previsões feitas; e de maneira não supervisionada, quando a rede irá criar clusters de informação, agrupando tudo aquilo que, de alguma maneira, tenha características em comum. Esta última, por não depender de avalição humana ou de conhecimento prévio, é mais recomendada especialmente para pesquisa de novas doenças ou de padrões que auxiliem no melhor entendimento de doenças já conhecidas.