Baixe o app para aproveitar ainda mais
Prévia do material em texto
Disc.: INTELIGÊNCIA ARTIFICIAL 1a Questão Acerto: 1,0 / 1,0 O paradigma conexionista, também conhecido por redes neurais artificiais, forma um paradigma de IA que tem inspiração no comportamento do cérebro, além de outras características. Assinale a alternativa representa uma característica desse paradigma: I - Processam a informação de forma paralela e distribuída. II - Generalizam conhecimento aprendido. III - Lidam com conhecimento não simbolicamente representado. IV - São algoritmos de otimização. V - O conhecimento é aprendido por meio do estímulo e resposta. Apenas as afirmativas I, II, III e V estão corretas. Apenas as afirmativas II e III estão corretas. Apenas as afirmativas I e V estão corretas. Apenas as afirmativas I, II e III estão corretas. Apenas as afirmativas I, II e V estão corretas 36:16 Explicação: O paradigma conexionista se baseou em modelos matemáticos simples de neurônios e com eles constituiu uma rede neuronal com a capacidade de simular a memória associativa humana, acessando conteúdo e não endereços como nos computadores clássicos. Sendo assim, os algoritmos de redes neurais fazem parte do paradigma conexionista. Entre as opções, não representam uma característica desse paradigma os algoritmos de otimização, pois eles fazem parte do paradigma evolutivo, que compreende um conjunto de técnicas de busca e otimização inspiradas na evolução natural das espécies. 2a Questão Acerto: 1,0 / 1,0 De acordo com os paradigmas de Inteligência Artificial, para que um problema possa ser representado como um grafo de estados é necessário conhecer o modo de como chegar à resposta. haver uma definição precisa de como proceder a busca pelos estados de interesse. todos os possíveis estados sejam conhecidos. que o grafo seja unidimencionado, ou seja, todas as arestas sejam de mão única. que sejam definidos os estados inicial, final ou finais e as operações possíveis. 37:52 Explicação: O conjunto de todos os estados acessíveis a partir de um estado inicial é chamado de espaço de estados. E o espaço de estados pode ser interpretado como um grafo em que os nós são estados e os arcos são ações. Sendo assim, para que um problema possa ser representado como um grafo de estados é necessário que sejam definidos os estados inicial, final ou finais, as operações possíveis e suas direções. 3a Questão Acerto: 1,0 / 1,0 Os métodos de busca em espaço de estados fazem parte da Inteligência Artificial. Eles podem ser aplicados em áreas como robótica e jogos digitais, por exemplo. Nesse sentido, selecione a opção correta a respeito dos métodos de busca no espaço de estados. São métodos exatos e não dependem de como são implementados. Esses métodos podem não ser exatos. Além disso, eles são sensíveis ao modo como é feita o mapeamento entre condições, ações e estados. Devido ao não determinismo, não é possível medir seu desempenho. A função de utilidade é uma forma de verificar se o método é útil para resolver problemas para os quais ele foi projetado. O seu desempenho é medido de forma exata, analisando apenas a estrutura do método. 39:29 Explicação: Existem métodos exatos para resolver problemas de espaços de estados, no entanto, normalmente, esses algoritmos são lentos para produzir respostas. Ora, o tempo de resposta é fundamental em muitas aplicações, outra coisa a qualidade da resposta, em muitos casos precisa satisfazer algumas condições e não precisa ser, necessariamente, ótima. É por isso que métodos não exatos são utilizados na prática, apesar de serem sensíveis ao mapeamento entre condições, ações e estados. 4a Questão Acerto: 1,0 / 1,0 As estratégias aplicadas aos métodos de busca em espaço de estados devem ser feitas conforme características do problema. Por exemplo, suponha o seguinte caso: ''Um robô pode se locomover por meio de nós que são conectados entre si, de modo que ele possa visitar alguns lugares. Ele começa em um nó e depois vai visitar todos os nós conectados a esse nó e assim por diante''. Nesse sentido, selecione a opção correta a respeito dos métodos de busca no espaço de estados e de suas estratégias para o exemplo apresentado. A estratégia que deve ser aplicada é a de busca em profundidade (Depth First Search). Como a descrição do problema não destaca uma característica que possa ser usada como referência na escolha da melhor estratégia, deve-se aplicar a busca pelo melhor primeiro (Best First Search). O problema não apresenta nenhuma característica que possa ser explorada, portanto, qualquer estratégia pode ser aplicada. O problema não informa quais as ações que o robô pode executar, portanto, o mais adequado é não aplicar nenhuma estratégia específica até que haja um maior detalhamento do problema. Trata-se de um exemplo em que a melhor estratégia é a busca em largura (Breadth First Search). 41:18 Explicação: As estratégias de como um agente faz as suas escolhas são fundamentais, de modo a ter um tempo de resposta adequado para obter uma solução de qualidade aceitável. Entre essas estratégias, estão os algoritmos baseados em busca em largura que são caraterizados por explorarem soluções vizinhas. No caso do cenário descrito no exercício, não cabe a busca em profundidade, pois a busca ocorre nos nós vizinhos. 5a Questão Acerto: 1,0 / 1,0 Observe a tabela verdade a seguir: Escolha a opção correta que contém a proposição que satisfaz a tabela verdade. ~p ^ ~q q → p p → q ~p ^ q p v ~q 41:44 Explicação: É necessário substituir os valores lógicos de entrada na tabela verdade na proposição ~p ^ ~q. O único caso que ela retorna verdade é quando o valor lógico da proposição p é F e o valor lógico da proposição q é falso, pois os valores de entrada serão negados resultando na operação lógica V ^ V que resulta em V. 6a Questão Acerto: 1,0 / 1,0 Um dos métodos mais conhecidos para treinamento de uma rede neural é o backpropagation. Em relação a esse método, selecione a opção correta sobre suas características. É um método sofisticado que atua especificamente sobre a camada intermediária para ajustar os pesos. Trata-se de um método com baixa dependência dos ajustes dos parâmetros e dos dados de treinamento. Tem como principal característica o ajuste dos pesos durante o processamento da camada de entrada para a camada de saída. É um método aplicado a redes neurais de múltiplas camadas. É um método exato que, ao final do treinamento, garante que o modelo é capaz de generalizar classificações. 43:34 Explicação: O método backpropagation é um dos mais conhecidos algoritmos de treinamento, cujo objetivo é extrair características dos dados para generalizar classificações. Ele é aplicado para redes de múltiplas camadas. 7a Questão Acerto: 0,0 / 1,0 A respeito dos métodos de planejamento vistos: planejamento progressivo, regressivo e o strips. Assinale a alternativa verdadeira: Planejamento progressivo não requer uso de muita memória. Planejamento progressivo é mais eficiente que o regressivo. Strips sempre acha um plano de execução ao objetivo, se existir um plano. Strips implementa um tipo de busca regressiva. As buscas são de ordem linear em relação ao número de estados. 56:12 Explicação: Sobre os métodos de planejamento progressivo, regressivo e strips, é correto afirmar que os strips implementam um tipo de busca regressiva, modificando-o, sendo assim a alternativa verdadeira corresponde ao strips implementa um tipo de busca regressiva. Em relação ao planejamento progressivo, este requer muito uso de memória, strips nem sempre acha o melhorplano ou um plano (mesmo que exista), não podemos afirmar que planejamento progressivo é mais eficiente que regressivo e as buscas não são de ordem linear em relação ao número de estados. 8a Questão Acerto: 1,0 / 1,0 Dado abaixo as suposições restritivas de um problema de planejamento clássico: Suposição Restritiva Descrição A0 Sistema tem um número finito de estados A1 Sistema é completamente observável. A2 Sistema é determinístico. A3 Sistema é estático A4 O planejador só lida com metas restritivas que são explícitas. A5 Um plano é uma sequência linear finita de ações A6 Ações e eventos não têm duração. A transição de estado é instantânea. A7 O planejador não se preocupa em qualquer mudança que pode acontecer no ambiente, enquanto estiver planejando (offline planning) Considere um robô que tem como objetivo explorar a superfície da lua. No desenvolvimento do robô, fazemos diversas suposições: • O ambiente é estático • O ambiente só é observável em um raio de 2 metros de distância do robô • O robô demora na duração de suas ações, por ter muita cautela na exploração. • O ambiente é contínuo, ou seja, o número de estados do ambiente é infinito. Marque a alternativa que caracteriza as relaxações que deverão ser feitas a respeito das restrições do planejamento clássico: Relaxar somente A0 e A6. Relaxar somente A6. Relaxar A1 somente. Relaxar somente A0, A1 e A6. Relaxar somente A0 e A1. 46:43 Explicação: Como o ambiente é estático, não precisamos fazer nenhuma relaxação do planejamento clássico (que assume as 8 restrições). O sistema não é completamente observável, pelo fato de o robô só perceber 2 metros de distância, logo precisamos relaxar a suposição restritiva que diz que o ambiente é observável A1. Como as ações demoram, precisamos relaxar a suposição restritiva A6, por considerar que as ações têm duração. Como o ambiente é contínuo, precisamos relaxar A0, que considera um ambiente com um número finito de estados, e não contínuo. Sendo assim, precisamos relaxar A0, A1 e A6. 9a Questão Acerto: 1,0 / 1,0 Um sistema nebuloso pode ser entendido como um aproximador de função em que a base de regras é responsável pelo mapeamento entre os valores das variáveis de entrada e o valor da variável de saída. Diante disso, imagine que um processo industrial foi observado e para um conjunto de valores de entrada foram medidas suas respectivas saídas. A partir dessas observações, foi possível construir o gráfico a seguir, que ilustra a relação existente entre os dados de entrada e de saída. Imagine ainda que a função analítica que mapeia corretamente as entradas em suas saídas não é conhecida. Supondo que seja necessário identificar essa função e que alguma imprecisão na identificação é tolerada, considere um sistema nebuloso para aproximar a função desejada em que estejam definidas as seguintes variáveis nebulosas: De acordo com as variáveis definidas, qual a base de regras que melhor aproxima a função desejada? 49:11 Explicação: as variáveis nebulosas X e Y da forma como foram definidas (com três conjuntos nebulosos cada), as regiões formadas por essas variáveis no plano XY podem ser representadas conforme a figura a seguir: Considerando ainda que a variável nebulosa Z também foi definida por três conjuntos nebulosos, as regiões obtidas nos planos XZ e YZ também são semelhantes àquelas representadas no plano XY. Portanto, há 27 regiões formadas por todas as combinações possíveis entre os conjuntos nebulosos que compõem as variáveis X, Y e Z. Para cada uma das 9 combinações dos conjuntos que formam as variáveis X e Y, é preciso associar uma região em Z que melhor aproxima a função representada pelo gráfico. Ao observar o gráfico da função, nota-se que Z assume valores mais baixos nos cantos, que correspondem às regiões formadas pelas seguintes combinações de conjuntos de XY: x-baixo e y- baixo; x-baixo e y-alto; x-alto e y-baixo; x-alto e y-alto. Nota-se ainda que Z assume valores médios nas regiões de XY que estão nos centros das bordas, ou seja, nas regiões formadas pelas combinações: x-médio e y-baixo; x-baixo e y-médio; x-médio e y-alto; x-alto e y-médio. Por fim, Z assume valores mais altos na região central de XY, correspondente à combinação: x-médio e y-médio. 10a Questão Acerto: 1,0 / 1,0 Considere um sistema nebuloso com as seguintes especificações: Considerando as entradas E1 = 38 e E2 = 62, a resposta nebulosa obtida na variável S de saída é formada por uma combinação de partes dos conjuntos s1 e s2 porque o processo de inferência aciona todas as regras que mapeiam para os conjuntos s1 e s2 da variável de saída. Assinale a opção correta a respeito dessas asserções. A primeira asserção é uma proposição falsa, e a segunda é uma proposição verdadeira. As duas asserções são proposições verdadeiras, e a segunda é uma justificativa correta da primeira. A primeira asserção é uma proposição verdadeira, e a segunda é uma proposição falsa. As duas asserções são proposições verdadeiras, e a segunda não é uma justificativa correta da primeira. As duas asserções são proposições falsas. 50:28 Explicação: Para a entrada E1 = 38, observa-se que esse valor tem grau de inclusão maior que zero nos conjuntos e11 e e12. No caso da entrada E2 = 62, os graus de inclusão maiores que zero estão nos conjuntos e22 e e23. Assim, as regras acionadas para essas entradas são: se e11 e e22 então s1 se e11 e e23 então s1 se e12 e e22 então s2 se e12 e e23 então s1 Portanto, a resposta nebulosa resultante da inferência é uma região formada por uma combinação de partes dos conjuntos s1 e s2. Contudo, nem todas as regras que mapeiam para s1 ou s2 foram acionadas. Com isso, conclui-se que a primeira afirmação está correta e a segunda não está.
Compartilhar