AV1 - Aprendizagem Profunda

Prévia do material em texto

1. Pergunta 1 
0,5/0,5 
Em uma rede neural artificial (RNA), é simulada a conexão entre os neurônios, através 
do uso de pesos (weights). Consideramos que os pesos (weights) servem à função de 
definir qual a prioridade para cada dado de entrada ao longo da camada. Conforme a 
RNA é treinada (processo de treinamento), alteram-se os pesos. 
 
Fonte: LUDWIG, O.; COSTA, E. Redes Neurais: Fundamentos e Aplicações com 
Programas em C. Rio de Janeiro: Editora Ciência Moderna, 2007. 
Considerando essas informações e o conteúdo estudado sobre pesos (weights) em 
RNAs, pode-se afirmar que os pesos (weights) alteram-se conforme a rede é treinada 
porque: 
Ocultar opções de resposta 
1. 
mudam à medida que os neurônios da rede neural profunda são zerados 
matematicamente. 
2. 
mudam conforme esses dados são classificados pela rede neural 
profunda. 
3. 
os neurônios passam por divisão matemática. 
4. 
mudam à medida que esses dados se tornam uma função de ativação. 
5. 
mudam à medida que passam pelos neurônios, baseando-se em uma 
informação conhecida como Activity Level (AL). 
Resposta correta 
2. Pergunta 2 
0,5/0,5 
Os algoritmos de otimização, na área de Inteligência Artificial (IA), são utilizados para 
fazerem ajustes no valor dos pesos (weights) dos neurônios à medida que os 
treinamentos são executados, para que cada vez a taxa de erro do algoritmo seja a 
menor possível. Podemos dizer, portanto, que um dos problemas do Adagrad se refere 
à questão de velocidade. 
 
Considerando o conteúdo já estudado sobre o algoritmo Adagrad, analise as 
afirmativas a seguir: 
 
I. Adagrad apresenta baixa velocidade de iteração das variáveis independentes, na 
dimensão com valores de gradiente menores. 
 
II. Adagrad faz correções de pesos, portanto a taxa de aprendizado é desigual durante 
toda a execução. 
 
III. Adagrad mantém-se com velocidade estável, dado que baseia-se em 
backpropagation through time (BPTT). 
 
IV. Adagrad gera resultados multiconvolucionais com velocidade máxima. 
 
Está correto apenas o que se afirma em: 
Ocultar opções de resposta 
1. 
II e III. 
2. 
 I e III. 
3. 
 I e II. 
Resposta correta 
4. 
I e IV. 
5. 
III e IV. 
3. Pergunta 3 
0,5/0,5 
Em Inteligência Artificial (IA), algo interessante entre o algoritmo de otimização de 
redes neurais artificiais profundas Adadelta, e os demais algoritmos, é que ao ser 
comparado com outros percebe-se que o Adadelta possui algumas características 
mantidas de outros algoritmos mais antigos. Entretanto, possui peculiaridades que o 
diferenciam dos outros. 
 
Considerando essas informações e o conteúdo estudado sobre Algoritmos de 
Otimização em IA, pode-se afirmar que o Adadelta é diferenciado dos demais 
algoritmos devido a uma característica ou método de funcionamento, porque: 
Ocultar opções de resposta 
1. 
o algoritmo Adadelta ausenta-se do uso de Bias. 
2. 
o algoritmo Adadelta ausenta-se de camadas de neurônios. 
3. 
o algoritmo Adadelta ausenta-se do uso de neurônios artificiais. 
4. 
o algoritmo Adadelta ausenta-se do uso de hiperparâmetro para taxa de 
aprendizagem. 
Resposta correta 
5. 
o algoritmo Adadelta ausenta-se do uso de funções de ativação como a 
ReLU. 
4. Pergunta 4 
0/0,5 
Na área de Inteligência Artificial (IA), existem os chamados algoritmos de otimização, 
que foram desenvolvidos com o passar dos anos. Dentre eles, nós podemos citar o 
algoritmo de Adagrad. Tal algoritmo possui algumas características específicas. Dentre 
os vários algoritmos de otimização, o Adagrad se diferencia por alguns detalhes. Por 
exemplo, devemos ter em mente que a variável st é produzida por meio de alguma 
forma. 
 
Considerando o conteúdo estudado sobre Adagrad e a produção da variável st, analise 
as afirmativas a seguir: 
 
I. No algoritmo Adagrad, a produção da variável st ocorre por meio de um processo 
“não-convolucional”. 
 
II. No algoritmo Adagrad, a produção da variável st ocorre por meio da ligação da 
camada de saída com a camada de entrada. 
 
III. No algoritmo Adagrad, a produção da variável st ocorre por meio de uma operação 
quadrada através de elementos no gradiente estocástico de mini-lote. 
 
IV. No algoritmo Adagrad, a produção da variável st ocorre através do uso da função 
recorrente para classificação. 
 
Está correto apenas o que se afirma em: 
Ocultar opções de resposta 
1. 
 I e III. 
Resposta correta 
2. 
II e IV. 
3. 
I e II. 
4. Incorreta: 
III e IV. 
5. 
II e IV. 
5. Pergunta 5 
0,5/0,5 
Na área de inteligência artificial (IA), sabemos que existe a necessidade de otimizar-se 
os algoritmos, para maior performance ou eficiência. Especificamente sobre gradiente 
descendente ou descida de gradiente, sabemos que na literatura acadêmica é comum 
encontrar a repetição dos principais tipos. Além disso, é importante você saber os 
nomes dos algoritmos no idioma inglês, para familiarizar-se e possibilitar o estudo 
através de uma maior quantidade de textos disponível. 
 
Considerando essas informações e o conteúdo estudado sobre os principais tipos de 
algoritmo gradiente descendente ou descida de gradiente, analise as afirmativas a 
seguir e assinale V para a(s) verdadeira(s) e F para a(s) falsa(s): 
 
I. ( ) Batch gradient descent refere-se a um dos tipos de algoritmo gradiente 
descendente ou descida de gradiente. 
 
II. ( ) Stochastic asynchronous gradient descent refere-se a um dos tipos de algoritmo 
gradiente descendente ou descida de gradiente. 
 
III. ( ) Stochastic gradient descent refere-se a um dos tipos de algoritmo gradiente 
descendente ou descida de gradiente. 
 
IV. ( ) Mini-batch gradient descent refere-se a um dos tipos de algoritmo gradiente 
descendente ou descida de gradiente. 
 
V. ( ) Multi-batch gradient descent refere-se a um dos tipos de algoritmo gradiente 
descendente ou descida de gradiente. 
 
Agora, assinale a alternativa que apresenta a sequência correta: 
Ocultar opções de resposta 
1. 
V, F, F, V, V. 
2. 
V, F, F, V, F. 
3. 
V, F, V, V, F. 
Resposta correta 
4. 
F, V, V, F, F. 
5. 
F, F, F, V, V. 
6. Pergunta 6 
0,5/0,5 
É impossível falar de Redes Neurais Profundas, isto é, de Deep Learning, sem antes 
resgatar a origem das Redes Neurais Artificiais. Historicamente, as redes neurais 
artificias se referem a meados da década de 50, na segunda metade do século XX. Tal 
época seria marcada pela criação de Frank Rosenblatt. 
Fonte: ROSENBLATT, Frank. The Perceptron: A perceiving and recognizing automaton. 
Report 85-460-1, Cornell Aeronautical Laboratory, 1957. 
Considerando essas informações e o conteúdo estudado sobre redes neurais 
profundas, pode-se afirmar que a segunda metade do século XX foi importante para a 
área de IA porque: 
Ocultar opções de resposta 
1. 
foi uma década em que a Inteligência Artificial teve uma grande evolução 
e a subárea de Deep Learning (DL) seria criada em 1957. 
2. 
os algoritmos de redes neurais profundas foram desenvolvidos nessa 
década, com a criação da subárea de Machine Learning (ML) em 1957. 
3. 
foi quando a inteligência passou a ser utilizada em vários setores da 
computação, como troca de dimensionalidade. 
4. 
os Perceptrons de Rosenblatt chegaram nas casas da grande maioria das 
pessoas nessa década, com a comercialização e implementação de 
automações residenciais. 
5. 
a década de 50 foi o período no qual a própria área da Inteligência 
Artificial nasceu por meio do lançamento do Perceptron. 
Resposta correta 
7. Pergunta 7 
0,5/0,5 
Em aprendizagem supervisionada ou aprendizado supervisionado (considerando-se 
que as palavras aprendizagem e aprendizado popularmente são usadas como 
sinônimos na área de IA), tem-se que os modelos de resolução de problemas objetivam 
encontrar uma saída a partir dos dados de entrada rotulados, ou seja, conhecidos e 
informados ao algoritmo. 
Fonte: AKERKAR, R. Introduction to artificial intelligence. [S.l.]:PHI Learning Pvt. Ltd., 
2014. 
Considerando essas informações e o conteúdo estudado sobre aprendizagem ou 
aprendizado de máquina, qual é a função do tipo aprendizagem supervisionada? 
Ocultar opções de resposta 
1. 
O algoritmo supervisionado seleciona os valores mais coerentes dos 
treinos aos testes, com auxílio de outro algoritmo que o supervisiona. 
2. 
Os valores de teste têm que ser muito parecidos com os de treinamento, 
pois, caso contrário, gera-se aumento de dimensionalidade. 
3. 
Objetiva-se encontrar uma entrada a partir dos dados de saída rotulados. 
4. 
Objetiva-se encontrar parâmetros ótimos para gerar uma saída 
equivalente ao desejado, com base nos rótulos. Tal busca ocorre no 
processo de treinamento da rede. 
Resposta correta 
5. 
Os algoritmos necessitam de valores classificados para ter uma base de 
respostas previamente definidas na base de dados do algoritmo. 
8. Pergunta 8 
0,5/0,5 
A Ciência da Computação é uma área da ciência com diversas ramificações e 
aplicações. Dentro dela, estudamos uma em particular, conhecida como Inteligência 
Artificial - IA. Esta área é responsável por estudar e desenvolver modelos que 
representem o conhecimento humano e da natureza para a resolução de problemas 
reais. É possível definir IA como uma área voltada para a produção de algoritmos. 
Considerando essas informações e o conteúdo estudado sobre algoritmos em 
Inteligência Artificial (IA), analise as afirmativas a seguir. 
I. Algoritmos de IA simulam o cérebro humano. 
II. Algoritmos de IA imitam o funcionamento de neurônios humanos. 
III. Algoritmos de IA tem como função majoritária se conectar com o cérebro humano 
no computador, por meio da internet. 
IV. Algoritmos de IA realizam cálculos ainda imprecisos sobre o funcionamento interno 
do cérebro humano. 
Está correto apenas o que se afirma em: 
Ocultar opções de resposta 
1. 
I e II. 
Resposta correta 
2. 
II e III. 
3. 
II e IV. 
4. 
I e IV. 
5. 
III e IV. 
9. Pergunta 9 
0,5/0,5 
O bias, parte integrante do cálculo de saída de um Perceptron, passa por uma função 
de ativação e, por último, gera um output, ou seja, uma saída específica para o conjunto 
de entrada de dados. O bias é elemento importantíssimo para o funcionamento correto 
de uma estrutura de rede neural artificial. Porém, para o valor do bias ser um valor 
correto e funcional, é necessário que haja a multiplicação deste por alguns valores. 
 
Fonte: HAYKIN, Simon. Redes Neurais: Princípios e Prática. 2. ed. Porto Alegre: 
Bookman, 2001. 
Considerando essas informações e o conteúdo estudado sobre bias em redes neurais, 
analise as afirmativas a seguir. 
I. Bias é multiplicado pelos pesos das entradas. 
II. Bias é multiplicado pelo valor das entradas. 
III. Bias é multiplicado pelo número de neurônios. 
IV. Bias é multiplicado pelo número de camadas. 
Está correto o que se afirma em: 
Ocultar opções de resposta 
1. 
II e IV. 
2. 
II e III. 
3. 
III e IV. 
4. 
I e II. 
Resposta correta 
5. 
 I e IV. 
10. Pergunta 10 
0,5/0,5 
Apesar de não ser uma conexão explícita, há uma conexão implícita entre as áreas de 
Teoria da Informação e de Inteligência Artificial (AI). Podemos recuperar a relação 
entre as duas áreas, conectando-se a temática da Entropia na primeira com a temática 
da Entropia Cruzada na segunda, exemplificando-se a evolução da Ciência. 
 
Considerando essas informações e o conteúdo estudado sobre a Teoria da Informação 
e Entropia, podemos afirmar que: 
Ocultar opções de resposta 
1. 
Albert Einstein ficaria conhecido como “pai” da Teoria da Informação, 
devido aos seus estudos sobre Entropia. 
2. 
Rudolf Clausius ficaria conhecido como “pai” da Teoria da Informação, 
devido aos seus estudos sobre Entropia. 
3. 
Solomon Kullback ficaria conhecido como “pai” da Teoria da Informação, 
devido aos seus estudos sobre Entropia. 
4. 
Frank Rosenblatt ficaria conhecido como “pai” da Teoria da Informação, 
devido aos seus estudos sobre Entropia. 
5. 
Claude Shannon ficaria conhecido como “pai” da Teoria da Informação, 
devido aos seus estudos sobre Entropia.