01 - Atividade Objetiva 01_ 07 - Redes Neurais e Aprendizagem Profunda (2020)

Prévia do material em texto

Atividade Objetiva 01
Entrega Sem prazo Pontos 10 Perguntas 5
Disponível depois 2 de mar de 2020 em 0:00 Limite de tempo Nenhum
Tentativas permitidas Sem limite
Instruções
Histórico de tentativas
Tentativa Tempo Pontuação
MAIS RECENTE Tentativa 1 6 minutos 8 de 10
 As respostas corretas estão ocultas.
Pontuação desta tentativa: 8 de 10
Enviado 13 jan em 23:41
Esta tentativa levou 6 minutos.
Você deve ler com calma o enunciado de cada uma das questões e responder em seguida de
acordo com a instrução dada pela questão.
Fazer o teste novamente
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)
https://pucminas.instructure.com/courses/46751/quizzes/92378/history?version=1
https://pucminas.instructure.com/courses/46751/quizzes/92378/take?user_id=128102
 
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
0 / 2 ptsPergunta 5IncorretaIncorreta
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
Essa alternativa é incorreta, pois geralmente o conjunto de teste é 
pequeno e deve ser utilizado apenas para avaliação da 
capacidade de generalização do modelo. Na verdade, é muito 
comum que se divida o conjunto de treinamento para se usar 
parte de seus dados no processo de ajuste de hiperparâmetros
Pontuação do teste: 8 de 10