EXERCÍCIOS REDES NEURAIS

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