Baixe o app para aproveitar ainda mais
Prévia do material em texto
Pontuação desta tentativa: 10 de 10 Enviado 12 set em 19:53 Esta tentativa levou Menos de 1 minuto. 2 / 2 ptsPergunta 1 Recentemente, encontram-se muitas referências na literatura e na mídia em geral ao uso de aprendizagem profunda (ou “deep learning”). Marque a alternativa que representa uma afirmação incorreta: Na aprendizagem profunda, conceitos complexos (de níveis mais altos ou abstratos) são definidos em termos de sua relação com conceitos mais simples (em níveis mais baixos) A aprendizagem profunda não apresenta nenhuma relação com o aprendizado de máquina, podendo ser vista como uma abordagem alternativa para tarefas em que o aprendizado de máquina não consegue obter bons resultados A aprendizagem profunda pode ser entendida como um tipo de aprendizagem de representação em que características mais abstratas são inferidas a partir de características mais simples Uma das razões determinantes para o recente sucesso da aprendizagem profunda se encontra na maior disponibilidade de grandes conjuntos de dados para as mais diversas tarefas Na verdade, a aprendizagem profunda é um tipo de aprendizado de máquina em que características mais abstratas e semanticamente mais relevantes são produzidas a partir de características mais simples; sendo então utilizadas para produção de resultados 2 / 2 ptsPergunta 2 A classificação de imagens represente uma tarefa fundamental na área de visão computacional, sendo desafiadora tanto devido ao “gap” semântico existente entre os dados de entrada e o resultado desejado, quanto às dificuldades oriundas das variações de ponto de vista, iluminação e forma, entre outras. Ao contrário de métodos tradicionais baseados em regras e restrições previamente codificadas, abordagens para a classificação de imagens baseada em dados parecem ter mais sucesso. Marque a alternativa que não representa uma atividade típica e necessária relacionada a uma abordagem baseada em dados para a classificação de imagens: Reunir um conjunto de imagens juntamente com seus rótulos Avaliar o classificador treinado utilizando um conjunto de imagens para teste Processar as imagens para se extrair bordas e contornos para em seguida se inferir sobre os objetos representados Utilizar um método de aprendizado de máquina para treinar um classificador Uma abordagem baseada em dados utiliza de técnicas de aprendizado de máquina para extração de conhecimento diretamente a partir dos “dados brutos” sem a necessidade de processamento prévio dos mesmos 2 / 2 ptsPergunta 3 O aprendizado de máquina estatístico busca construir modelos que sejam eficientes e que forneçam predições o mais próximo das predições corretas quanto possível. Marque a afirmação correta relacionada ao aprendizado de máquina estatístico: Apesar de ser uma abordagem estatística, apenas os valores associados aos alvos são considerados amostras de uma variável randômica; sendo as observações tratadas de forma distinta Para se realizar uma predição do alvo y a partir de uma observação x, deve-se conhecer pelo menos a distribuição condicional P(X=x |Y=y) Denomina-se de modelo a verdadeira distribuição condicional relacionando alvos com observações A função de predição simplifica a tarefa de modelagem, uma vez que se assume a existência de um único alvo para cada observação Uma função de predição associa cada observação a um único alvo e, dessa forma, tende a simplificar o processo de modelagem. 2 / 2 ptsPergunta 4 Uma função de perda mede a diferença entre uma predição do valor alvo e o valor disponível no conjunto de treinamento. Marque a alternativa que representa uma afirmação incorreta: O uso de uma função de perda garante a minimização do risco A função de perda permite que se busque por um modelo que minimize o risco empírico O uso de uma função de perda é uma alternativa interessante para se avaliar a proximidade entre predição e alvo esperado Existem inúmeras funções de perda e, portanto, deve-se selecionar a mais adequada para se avaliar a proximidade entre predição e alvo esperado Não há nenhuma garantia de que uma função de perda leve a minimização do risco, mesmo porque o risco representa na verdade a perda esperada, ou ainda, a esperança matemática do valor de perda futuro. O único caminho para minimização do risco é a redução do erro de generalização que não está associado diretamente ao uso ou não de uma dada função de perda 2 / 2 ptsPergunta 5 Ao se construir e treinar um modelo, muitas vezes é necessário determinar uma série de hiperparâmetros, tais como: qual distância será usada, o número de vizinhos a serem analisados, a quantidade de camadas em uma rede neural artificial, o número de neurônios por camada, entre outros. Marque a afirmação correta relacionada ao ajuste de hiperparâmetros: Em uma validação cruzada de 3 dobras, divide-se o conjunto de treinamento em 3 subconjuntos e, de forma cíclica, se utiliza de cada um deles como conjunto de treinamento enquanto os outros dois são usados para validação dos hiperparâmetros A validação cruzada permite realizar uma avaliação mais isenta dos hiperparâmetros, uma vez que o uso de várias subdivisões tende a reduzir o viés (positivo ou negativo) que poderia existir se apenas uma única divisão do conjunto de treinamento fosse utilizada Experimentar quais valores de hiperparâmetros funcionam melhor utilizando o conjunto de teste pode ser uma boa estratégia É muito usual que se divida o conjunto de teste, de forma a se ter um subconjunto de dados para se avaliar quais valores de hiperparâmetros funcionam melhor A validação cruzada procura realizar uma série de avaliações, de modo a determinar a performance associada a um dado hiperparâmetro independentemente da maneira como os dados foram divididos em subconjuntos ou mesmo do conteúdo desses subconjuntos que são usados para treino e validação. Pontuação do teste: 10 de 10
Compartilhar