Baixe o app para aproveitar ainda mais
Prévia do material em texto
01 Das alternativas abaixo, qual representa uma rede de arquitetura alimentada adiante? Um sistema constituído por duas camadas, entrada e saída, onde as informações são direcionadas em um sentido único, com a camada de entrada alimentada pelo meio externo Um sistema constituído por três camadas (entrada, oculta e saída) em que as informações são reaproveitadas durante o processo de aperfeiçoamento do algoritmo de aprendizagem Um sistema com quatro nós, uma camada de entrada, duas camadas ocultas e uma camada de saída, em que apenas um nó da camada de saída alimenta todos os neurônios da camada de entrada Um sistema de N camadas ocultas, onde a camada de entrada é alimentada por nós de saída e por estímulos externos Um sistema simples, de camada única, em que ao menos um nó de entrada é realimentado por um nó de saída 02 De acordo com a figura abaixo, assinale a alternativa que melhor descreve o grafo Uma rede neural com 8 nós na camada de entrada, duas camadas ocultas e dois nós na camada de saída, totalmente conectada e alimentada adiante Uma rede neural com 8 nós na camada de entrada, uma camada oculta e dois nós na camada de saída, totalmente conectada e alimentada adiante Uma rede neural com 8 nós na camada de entrada, duas camadas ocultas e dois nós na camada de saída, parcialmente conectada e alimentada adiante Uma rede neural com 8 nós na camada de entrada, duas camadas ocultas e dois nós na camada de saída, parcialmente conectada e retroalimentada Uma rede neural com 8 nós na camada de entrada, uma camada oculta e dois nós na camada de saída, parcialmente conectada e retroalimentada 03 De acordo com a figura abaixo, assinale a alternativa que melhor descreve o grafo Uma rede neural com 8 nós na camada de entrada, uma camada oculta e dois nós na camada de saída, parcialmente conectada e retroalimentada Uma rede neural com 8 nós na camada de entrada, duas camadas ocultas e dois nós na camada de saída, totalmente conectada e alimentada adiante Uma rede neural com 8 nós na camada de entrada, duas camadas ocultas e dois nós na camada de saída, parcialmente conectada e retroalimentada Uma rede neural com 8 nós na camada de entrada, uma camada oculta e dois nós na camada de saída, parcialmente conectada e alimentada adiante Uma rede neural com 8 nós na camada de entrada duas camadas ocultas e dois nós na Uma rede neural com 8 nós na camada de entrada, duas camadas ocultas e dois nós na camada de saída, totalmente conectada e retroalimentada 04 De acordo com a figura abaixo, assinale a alternativa que melhor descreve o grafo Uma rede neural com 8 nós na camada de entrada, uma camada oculta e dois nós na camada de saída, totalmente conectada e alimentada adiante Uma rede neural com 8 nós na camada de entrada, uma camada oculta e dois nós na camada de saída, totalmente conectada e retroalimentada Uma rede neural com 8 nós na camada de entrada, uma camada oculta e dois nós na camada de saída, parcialmente conectada e retroalimentada Uma rede neural com 8 nós na camada de entrada, duas camadas ocultas e dois nós na camada de saída, totalmente conectada e alimentada adiante Uma rede neural com 8 nós na camada de entrada, duas camadas ocultas e dois nós na camada de saída, totalmente conectada e retroalimentada 05 Considere uma rede de múltiplas camadas ocultas alimentadas adiante, na qual todos os neurônios operam em suas regiões lineares. Assinale a alternativa correta Uma rede de neurônios com uma distribuição linear de N camadas ocultas equivale a uma rede de camada única Uma rede de neurônios com uma distribuição linear de N camadas ocultas não pode ter mais do que um único nó de saída Uma rede de neurônios com uma distribuição linear de N camadas ocultas equivale a uma rede retroalimentada por seus respectivos nós de saída Uma rede de neurônios com uma distribuição linear de N camadas ocultas equivale a uma rede retroalimentada por apenas um nó de saída Uma rede de neurônios com distribuição linear de N camadas ocultas equivale a uma rede de N camadas 06 Aprendizado não supervisionado é uma técnica de aprendizado de máquina em que os usuários não precisam supervisionar o modelo. Em vez disso, permite que o modelo trabalhe por conta própria para descobrir padrões e informações que não foram detectados anteriormente. Ele lida principalmente com os dados não rotulados Partindo do pressuposto acima, podemos afirmar que São autônomos em relação a classificação de padrões, dependendo apenas das condições Possuem autonomia para classificar e agrupar padrões, porém, são suscetíveis à influência externa de observadores Não podem ser utilizadas em processos que porventura possam lidar com padrões de informações bem definidos São úteis apenas na construção de redes com uma ou mais camadas ocultas No aprendizado não supervisionado o conhecimento do professor é transferido para rede em um processo iterativo. Após o processo de treinamento, o professor é dispensado e a rede passa a lidar com o ambiente inteiramente por si mesma 01 Segundo Haykin (2001), um dos mecanismos que definem uma sinapse hebbiana é o mecanismo dependente do tempo, que diz o seguinte O mecanismo dependente do tempo se refere ao fato de que as modificações em uma sinapse hebbiana dependem do tempo exato de ocorrência dos sinais pré-sinápticos e pós-sinápticos Sobre a definição do mecanismo dependente do tempo, assinale a alternativa que representa uma série temporal Análise de risco na aprovação de crédito imobiliário A probabilidade de um acidente aéreo ocorrer em um determinado cenário Evolução de um fundo de investimentos A probabilidade de uma função estacionária transitar para um estado excitado A probabilidade de tirarmos o número 6 em um jogo de dados 02 Considere um grupo de pessoas cuja opinião coletiva sobre um determinado assunto é definida pela média ponderada das opiniões de cada um dos indivíduos. Com o passar do tempo, observa-se que a opinião de um dos membros passa a ser contrária a opinião tida como opinião coletiva do grupo, de modo que o membro em questão se torna uma voz dissonante na multidão, com pouca ou nenhuma relevância Este comportamento é descrito por qual estratégia de aprendizado? Aprendizado por correção de erro Aprendizado competitivo Aprendizado de Boltzmann Aprendizado hebbiano Aprendizado baseado em memória 03 Em um problema de lançamento de dados, calcule o valor esperado para a face voltada para cima após um lançamento. Assinale a alternativa correspondente 4,5 3,5 2,5 3,0 4,0 04 Das alternativas abaixo, qual descreve as principais características da aprendizagem de Boltzmann? Os neurônios podem ocupar apenas dois estados, que são distribuídos de forma aleatória de acordo com os princípios estocásticos Os neurônios podem ocupar apenas dois estados, que são distribuídos de acordo com a afinidade entre os pares Os neurônios podem ocupar qualquer estado, desde que os seus respectivos valores se encontrem entre -1 e +1 Os neurônios podem ocupar apenas dois estados, que são distribuídos a fim de maximizar a função energia A interação entre o exterior e as camadas ocultas se dá pelo subconjunto de neurônios conhecidos por neurônios invisíveis 05 Em uma pesquisa do censo, a idade média de cinco municípios do estado de São Paulo foram as seguintes: 34, 32, 28, 33 e 30. Calcule a variância entre as idades citadas e assinale a alternativa correspondente 4,60 4,61 4,82 4,64 4,80 06 No método de aprendizagem de Boltzmann, vimos que o status de funcionamento de um neurônios é definido por um valor numérico. Esta atribuição de valores ocorre a cada ciclo de máquina de maneira aleatória, de modo que a função energia é minimizada, levando o sistema para o chamado estado de equilíbrio térmico em um limite de tempo suficientemente grande. Sobre o aprendizado de Boltzmann, assinale a alternativa correta De modo geral, o processo de Boltzmann atribui maiorespesos estatísticos aos estados que maximizam a função energia Neste caso, o aprendizado de máquina ocorre durante o processo de iteração, em que neurônios são ligados e desligados aleatoriamente, a fim de minimizar a energia do sistema A distribuição dos valores aos neurônios é feita de acordo com o número de camadas ocultas presentes na rede neural A aprendizagem de Boltzmann é um exemplo de aprendizagem por reforço em uma rede supervisionada, alimentada adiante O estado da rede neural é definido pelo número de camadas ocultas presentes na rede neural 01 De acordo com o Perceptron descrito na Figura, assinale a alternativa que corresponde ao resultado da função soma 12,5 12,6 12,8 11,4 11,5 02 De acordo com o Perceptron descrito na Figura, assinale a alternativa que corresponde ao resultado da função soma 20,5 20,4 20,3 19,5 19,6 03 Considere agora uma função degrau associada ao elemento bias, como definido na função output. Se b for igual a -14, qual será o output para os casos apresentados no exercício 1 e 2? 1 e 0, respectivamente 0 e 1, respectivamente 19,6 e 0, respectivamente 12,5 e 1, respectivamente 1 e 19,8, respectivamente 04 De acordo com o Perceptron descrito na Figura 5, assinale a alternativa que corresponde ao resultado da função soma na segunda camada 6,9 6,8 6,7 6,6 6,5 05 De acordo com o Perceptron descrito na Figura, assinale a alternativa que corresponde ao resultado da função soma na segunda camada 20,68 20,69 20,70 20,71 20,72 06 As funções lógicas são um ótimo ponto de partida, pois levam um desenvolvimento natural da teoria por trás do perceptron e, como consequência, das redes neurais A partir do apresentado, analise as asserções a seguir e a relação proposta entre elas I. Um único perceptron com uma função de ativação de heaviside (degrau) pode implementar cada uma das funções lógicas fundamentais (AND, OR e NOT) Pois II. são chamados de fundamentais porque qualquer função lógica, não importa o quão complexa seja, pode ser obtida por uma combinação dessas três A asserção I e II são proposições verdadeiras, e a II é uma justificativa correta da I A asserção I é uma proposição verdadeira, e a II é uma proposição falsa As asserções I e II são proposições verdadeiras, mas a II não é uma justificativa correta da I A asserção I é uma proposição falsa, e a II é uma proposição verdadeira As asserções I e II são proposições falsas 01 De acordo com as descrições abaixo, indique para quais sistemas o uso do aprendizado por reforço é indicado I. Sistemas em que o meio é conhecido, porém, não temos soluções analíticas para o problema II. Sistemas de alta complexidade, em que o número de estados é muito grande III. Sistemas em que apenas uma simulação do ambiente é conhecida IV. Sistemas em que a única forma de coletarmos dados referentes ao ambiente é interagindo com o mesmo I e II II e III I, II, III e IV II, III, IV IV 02 De acordo com as definições de aprendizado por reforço, considere as seguintes assertivas e assinale a alternativa correta. I- A aprendizagem por reforço consiste no enfrentamento de um problema complexo II- As máquinas são programadas para realizar ações indesejadas. III- Aprendizagem por reforço consiste no enfrentamento de um problema complexo com base em um sistema de metas. IV- Ao atingir uma meta específica, a inteligência artificial não é programada para receber recompensas. I e III I e IV II e IV I, II e III I, II e IV 03 Considerando as alternativas abaixo, selecione o caso em que a aplicação do aprendizado por reforço não é recomendada Simulação de jogos como Xadrez ou Gamão Treinamento de IA para carros autônomos Machine learning e processamento de dados Robótica e automação industrial Reconhecimento facial 04 Sobre Q-Learning, considere as seguintes assertivas e assinale o que for correto I. Um problema markoviano pode ser definido como um processo estocástico em que as decisões futuras não são influenciadas pelas escolhas do passado II. O custo de uma determinada ação é determinado por um fator III. A progressão do algoritmo é embasada na política atual I I e II II e III I e III III 05 Um processos de aprendizagem por reforço que independe da avaliação política recebe o nome de processo apolítico processo anárquico processo off-policy processo de política ótima processo de política indeterminada 06 Uma abordagem clássica para a solução de problemas de aprendizado por reforço é a implementação de um algoritmo guloso (greedy algorithm). Sobre algoritmos gulosos, assinale as assertivas corretas I. O algoritmo guloso define a sua ação com base na máxima recompensa, o que justifica seu nome II. Pode ser considerada uma política III. Ao encontrar um máximo local, o algoritmo guloso continua o processo de iteração em busca de um máximo global IV. O algoritmo guloso não pode ser considerada uma política. I e II I, II e III I e IV II e IV IV 01 Cada neurônio está conectado a outro neurônio por meio de um link de conexão. Cada link de conexão está associado a um peso que contém informações sobre o sinal de entrada A rede neural adaline é um elemento linear adaptativo elemento linear automático elemento quadrático adaptativo elemento não linear elemento complexo adaptativo 02 Adaline é uma rede neural tendo uma camada de entrada com N unidades e uma camada de saída com apenas uma unidade Por esse motivo na Adaline existe uma regra chamada Alfa Beta Delta Gama Phi 03 O Perceptron usa os rótulos de classe para aprender os coeficientes do modelo Adaline usa valores preditos contínuos (da entrada líquida) para aprender os coeficientes do modelo. Diante do modelo adaline, qual é a relação entre a saída e o valor de ativação (x)? f(x) = sen(x) f(x) = x /22 f(x) = x3 f(x) = x2 f(x) = x 04 A função sigmóide é a função bem conhecida e ela é definida como: Sendo z: σ(z) = q + e−z 1 z = w x i ∑ i i z = b z = b + w x i ∑ i i b +wx z = b wx 05 Sobre as redes neurais recorrentes analise as assertivas I) A Rede Neural Recorrente lembra o passado e suas decisões são influenciadas pelo que aprendeu com o passado II) A mesma entrada pode produzir uma saída diferente, dependendo das entradas anteriores da série III) As redes neurais profundas tradicionais presumem que as entradas e saídas são independentes diferente das RNR Marque as assertivas considerada(s) verdadeira(s) Apenas I I e II Apenas II I, II e III Apenas III 06 O termo “rede neural recorrente” é usado indiscriminadamente para se referir a duas classes amplas de redes com uma estrutura geral semelhante, onde uma é impulso finito e a outra é impulso infinito. Ambas as classes de redes exibem comportamento dinâmico temporal A partir do apresentado, analise as asserções a seguir e a relação proposta entre elas I. As redes recorrentes têm duas fontes de entrada, o presente e o passado recente Pois II. se combinam para determinar como respondem a novos dados, da mesma forma que fazemos na vida A asserção I e II são proposições verdadeiras, e a II é uma justificativa correta da I A asserção I é uma proposição verdadeira, mas a II é uma proposição falsa As asserções I e II são proposições verdadeiras, mas a II não é uma justificativa correta da I A asserção I é uma proposição falsa, e a II é uma proposição verdadeira As asserções I e II são proposições falsas 01 Qual a derivada de ?f(x) = 6x −2 2 12 12x 8x 6x 0 02 Resolva analiticamente a derivada de f(x)= x² cos(2x) e encontre a taxa de variação no ponto x = π (Pi). Assinale a alternativa que corresponde ao resultado encontrado 2π π/2 0 -2π² π 03 Encontre o vetor gradiente da função f(x,y) = x² + y² no ponto (x,y) = (2,2). Assinale a alternativa que corresponde ao resultado encontrado ∇ f(x,y) = 4x + 2y + 1z ∇ f(x,y) = 4x + 2y + 0z ∇ f(x,y) = 4x + 4y + 1z ∇ f(x,y) = 1x + 1y + 0z ∇ f(x,y) = 4x + 4y + 0z04 Sobre backpropagation, analise as assertivas I. É um processo de aprendizagem supervisionado II. Os pesos sinápticos da rede neural são corrigidos a partir da aplicação do gradiente descendente III. É um processo capaz de analisar o impacto de uma variável específica sobre a rede neural IV. O gradiente descendente é aplicado nas camadas intermediárias da rede neural Alternativa I e II Alternativa I, II e III Alternativa I, II, III e IV Alternativa II e IV Alternativa I e III 05 A velocidade de convergência no método backpropagation depende de alguns fatores, como o número de camadas e a complexidade das funções ativas Das opções listadas abaixo, quais representam os fatores que influenciam na convergência deste método? I. Método de otimizaçãod II. Direção de propagação das informações III. Número de variáveis IV. Taxa de aprendizado V. Aleatoriedade dos pesos iniciais Alternativa I, II, IV e V Alternativa I, III, IV e V Alternativa I, II e III Alternativa I, II, III e IV Alternativa II, III, IV e V 06 No aprendizado de máquina, backpropagation é um algoritmo amplamente usado para treinar redes neurais feedforward A partir do apresentado, analise as asserções a seguir e a relação proposta entre elas I. Backpropagation basicamente é um processo de otimização dos pesos sinápticos Pois: II. Visa aprimorar os resultados da camada final da rede neural A asserção I e II são proposições verdadeiras, e a II é uma justificativa correta da I A asserção I é uma proposição verdadeira, mas a II é uma proposição falsa As asserções I e II são proposições verdadeiras, mas a II não é uma justificativa correta da I A asserção I é uma proposição falsa, e a II é uma proposição verdadeira As asserções I e II são proposições falsas 01 Um mapa de auto-organização (SOM) é um tipo de rede neural artificial (RNA) que é treinada usando Aprendizagem Supervisionada Aprendizagem Não Supervisionada Aprendizagem por Reforço Aprendizagem Automática Aprendizagem Recorrente 02 Os mapas auto-organizáveis diferem de outras redes neurais artificiais, pois aplicam Aprendizagem Competitiva Aprendizagem de Conjunto Aprendizagem Estrutural Aprendizagem Reforço Aprendizagem Híbrida 03 O Mapa Auto-Organizável (Mapa de Kohonen ou SOM) é um tipo de Rede Neural Artificial que também é inspirada por modelos biológicos de sistemas neurais da década de 1970 Sobre os mapas de Kohonen, assinale a alternativa correta de acordo com seguintes assertivas I. SOM é usado para técnicas de agrupamento e mapeamento (ou redução de dimensionalidade) para mapear dados multidimensionais II. SOM tem duas camadas, uma é a camada de entrada e a outra é a camada de saída III. Camada de Kohonen é uma rede de unidades de processamento para a qual as entradas são mapeadas Apenas I II e III I e III I, II e III Apenas a III 04 Assinale a alternativa correta de acordo com seguintes assertivas I. Uma das etapas do processo de auto-organização é a competição, que visa a distinção do neurônio vencedor a partir do cálculo de uma função II. O neurônio vencedor é escolhido com base na maximização de uma função dita função discriminante III. Com base na posição no plano Euclidiano do neurônio vencedor, podemos determinar os vizinhos a partir de uma relação de proximidade IV. Inicialmente, os pesos são distribuídos de maneira aleatória. A partir da primeira iteração, os pesos são atualizados de acordo com uma equação proporcional a distância euclidiana entre o vetor x e o vetor peso I e II I e IV II, III e IV I, III e IV II e IV 05 Em relação a redes de Kohonen, assinale a alternativa correta I. Podemos classificar como Rede de Kohonen uma rede com oito colunas e vinte fileiras, em que apenas os neurônios das fileiras pares são ligadas aos inputs da camada inicial II. Uma Rede Kohonen só admite a configuração feedforward III. Apesar de ser um caso raro, podemos encontrar Redes de Kohonen com mais de duas dimensões I e II I, II e III II e III I e III I 06 Das alternativas listadas abaixo, quais são ideais para a aplicação do algoritmo SOM? I. Mineração de textos: A mineração pode usar como parâmetro palavras chave ou autores específicos, a fim de encontrar ou classificar textos científicos em repositórios especializados em mais de uma área do saber, como física, química ou biologia II. Segmentação de imagens: Podemos separar certos elementos em uma imagem a partir dos padrões de entrada do algoritmo. Uma aplicação prática deste exemplo seria a remoção dos fundos verdes de uma foto III. Reconhecimento de caracteres ou frases comuns: A identificação de equações ou até mesmo frases simples como endereço ou avisos de segurança (Fique longe, alta tensão!) podem auxiliar em aplicativos de digitalização de texto ou aplicativos de tradução de placas em realidade aumentada IV. Detecção de fraudes em sistemas bancários: Podemos definir certas características que definem uma fraude bancária, como o comportamento de gastos de um cliente, para identificar possíveis compras não autorizadas V. Simulação de jogos: Podemos utilizar o algoritmo SOM em um jogo de xadrez a fim de identificar padrões pré estabelecidos, como uma abertura italiana ou gambito da dama, que seriam armazenados em uma memória de fácil acesso ao algoritmo. Feito isso, o programa seria capaz de indicar qual seria a melhor defesa, ou ataque, para uma jogada específica Alternativa I, II e III Alternativa I, III e V Alternativa I, II, III e IV Alternativa II, III, IV e V Alternativa IV e V 01 Analise as assertivas I. A regressão linear simples é uma estratégia estatística que nos permite resumir e estudar as conexões entre duas variáveis contínuas ou quantitativas II. Em estatística, um modelo de regressão linear simples usa uma única variável para prever o resultado da outra variável III Regressão linear é usada para aprender a relação linear entre o alvo e um ou mais previsores Marque a(s) Assertiva(s) verdadeira(s) Apenas a I I e II I, II e III I e III Apenas a III 02 Sobre o modelo de regressão logística I. Os coeficientes do algoritmo de regressão logística devem ser estimados a partir de seus dados de treinamento II. Os melhores coeficientes resultariam em um modelo que preveria um valor muito próximo de 1 ou 0 III. A intuição de máxima verossimilhança para regressão logística é que um procedimento de pesquisa busca valores para os coeficientes que minimizam o erro nas probabilidades previstas Marque a(s) assertiva(s) verdadeira(s) Apenas a I I,II e III Apenas a II I,II Apenas a III 03 Para conduzir uma regressão linear simples, é necessário fazer certas suposições sobre os dados. Isso ocorre porque é um teste paramétrico. Partindo dessa premissa, analise as assertivas a seguir I. Homogeneidade de variância (homocedasticidade) - Uma das principais previsões em um método de regressão linear simples é que o tamanho do erro permanece constante II. Independência das observações - Todas as relações entre as observações são transparentes, o que significa que nada está oculto e apenas métodos de amostragem válidos são usados durante a coleta de dados III. A linha é sempre uma linha reta - Não há curva ou fator de agrupamento durante a condução de uma regressão linear. Existe uma relação linear entre as variáveis (variável dependente e variável independente) Marque a(s) assertiva(s) verdadeira(s) Apenas a I Apenas a II Apenas a III I e II I, II, III I, II, III 04 Partindo do seu conhecimento de estatística. Analise as assertivas a seguir ( ) Variáveis discretas são contáveis em uma quantidade finita de tempo ( )Variáveis contínuas (literalmente) levariam uma eternidade para serem contadas ( ) O desvio padrão é indicado pela raiz quadrada da variância Considere V,V,V V,V,F F,F,F V,V,F F,V,V 05 Root Mean Square Error (RMSE) é o desvio padrão dos resíduos (erros de predição). Partindo do pressuposto acima, analise as assertivasa seguir I. Resíduos são uma medida de quão longe os pontos de dados da linha de regressão estão II. O RMSE é uma medida de quão espalhados são esses resíduos III. O erro quadrático médio é comumente usado em climatologia, previsão e análise de regressão para verificar os resultados experimentais Marque a(s) assertiva(s) verdadeiras (s) Apenas a I I, II I, II e III Apenas a II I e III 06 A regressão linear pode ser descrita como um método de análise estatística que pode ser usado para estudar a relação entre duas variáveis quantitativas A partir do apresentado, analise as asserções a seguir e a relação proposta entre elas I. Força da relação entre a dupla dada de variáveis Pois II. O objetivo é prever uma variável independente a partir da variável dependente A asserção I e II são proposições verdadeiras, e a II é uma justificativa correta da I A asserção I é uma proposição verdadeira, mas a II é uma proposição falsa As asserções I e II são proposições verdadeiras, mas a II não é uma justificativa correta da I A asserção I é uma proposição falsa, e a II é uma proposição verdadeira As asserções I e II são proposições falsas
Compartilhar