PROVA ON-LINE_ 08 - Redes Neurais e Aprendizagem Profunda (2022)

Prévia do material em texto

4/9/23, 6:38 PM PROVA ON-LINE: 08 - Redes Neurais e Aprendizagem Profunda (2022)
https://pucminas.instructure.com/courses/90425/quizzes/336773 1/13
PROVA ON-LINE
Entrega Sem prazo Pontos 60 Perguntas 10 Disponível depois 29 de ago de 2022 em 10:00
Limite de tempo 60 Minutos Tentativas permitidas Sem limite
Instruções
Histórico de tentativas
ATENÇÃO: Verifique em "Notas" se você não atingiu o aproveitamento necessário nesta disciplina.
Caso você já tenha realizado uma prova anterior e opte por uma nova tentativa, será identificado como uma prova extra e resultará em
pagamento de taxa extra.
INSTRUÇÕES DA AVALIAÇÃO ON-LINE
A prova tem a duração de 60 minutos. 
Ao clicar em PROVA ON-LINE, no menu “Testes” você iniciará a prova. A partir daí não será possível desistir de realizá-la.
A prova é composta de 10 questões objetivas, cada uma no valor de 6 pontos.
Ao final do teste não se esqueça de enviá-lo, clicando no botão “ENVIAR TESTE”. Só utilize esse botão quando tiver finalizado a avaliação.
Se necessário, durante a prova, entre em contato pelo link “Atendimento”.
ATENÇÃO: Todas as provas iniciadas e que não houverem sido submetidas serão automaticamente encerradas pelo sistema
transcorridos os 60 minutos de duração.
Boa Prova!
Fazer o teste novamente
https://pucminas.instructure.com/courses/90425/quizzes/336773/take?user_id=197796
4/9/23, 6:38 PM PROVA ON-LINE: 08 - Redes Neurais e Aprendizagem Profunda (2022)
https://pucminas.instructure.com/courses/90425/quizzes/336773 2/13
Tentativa Tempo Pontuação
MAIS RECENTE Tentativa 1 15 minutos 60 de 60
Pontuação desta tentativa: 60 de 60
Enviado 9 abr em 18:38
Esta tentativa levou 15 minutos.
6 / 6 ptsPergunta 1
A classificação de imagens representa 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. 
 Utilizar um método de aprendizado de máquina para treinar um classificador. 
 Avaliar o classificador treinado utilizando um conjunto de imagens para teste. 
https://pucminas.instructure.com/courses/90425/quizzes/336773/history?version=1
4/9/23, 6:38 PM PROVA ON-LINE: 08 - Redes Neurais e Aprendizagem Profunda (2022)
https://pucminas.instructure.com/courses/90425/quizzes/336773 3/13
 
Processar as imagens para se extrair bordas e contornos para, em seguida, se inferir sobre os objetos
representados.
Correto!Correto!
Uma abordagem baseada em dados utiliza técnicas de aprendizado de máquina para extração de 
conhecimento diretamente a partir dos “dados brutos” sem a necessidade de seu processamento prévio.
6 / 6 ptsPergunta 2
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:
 
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 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.
Correto!Correto!
4/9/23, 6:38 PM PROVA ON-LINE: 08 - Redes Neurais e Aprendizagem Profunda (2022)
https://pucminas.instructure.com/courses/90425/quizzes/336773 4/13
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.
 
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.
 
Experimentar quais valores de hiperparâmetros funcionam melhor utilizando o conjunto de teste pode ser uma
boa estratégia.
6 / 6 ptsPergunta 3
O método de propagação retrógrada (ou backpropagation) permite se obter os gradientes em um grafo de
computação de forma eficaz.
Marque a alternativa que representa uma afirmação incorreta:
 O método de propagação retrógrada (ou backpropagation) se baseia na utilização da regra da cadeia. 
4/9/23, 6:38 PM PROVA ON-LINE: 08 - Redes Neurais e Aprendizagem Profunda (2022)
https://pucminas.instructure.com/courses/90425/quizzes/336773 5/13
 
A derivada da perda em relação a uma entrada de um elemento qualquer do grafo de computação pode ser
obtida a partir da derivada da saída desse elemento em relação a essa entrada e o gradiente da perda em
relação a saída do mesmo elemento.
 
Um elemento de adição no grafo de computação faz com que o gradiente da perda em relação a saída desse
elemento seja distribuído para todas as entradas desse elemento uma vez que todas as derivadas “locais” são
unitárias.
 
Caso um elemento do grafo de computação apresente várias saídas (ou ramificações), durante o passo retrógado
deve utilizar apenas o maior dos valores de gradiente da perda em relação às saídas.
Correto!Correto!
Na verdade, caso ocorra uma ramificação (isto é, um elemento do grafo possua várias saídas), deve-se 
realizar a soma de todos os gradientes da perda relacionadas a cada uma das saídas antes de se aplicar a 
regra da cadeia para obtenção dos gradientes em relação às entradas.
6 / 6 ptsPergunta 4
Redes neurais artificiais são modelos inspirados pelo sistema nervoso e são capazes de realizar o
aprendizado de máquina a partir dos dados, tendo sido usadas para resolver uma grande variedade de
tarefas, tais como visão computacional e reconhecimento de voz, que são difíceis de abordar por meio de
métodos tradicionais da IA.
Marque a alternativa que representa uma afirmação incorreta:
4/9/23, 6:38 PM PROVA ON-LINE: 08 - Redes Neurais e Aprendizagem Profunda (2022)
https://pucminas.instructure.com/courses/90425/quizzes/336773 6/13
 
Em um neurônio artificial, as entradas são primeiramente submetidas a uma função de ativação para só depois
serem combinadas em uma única saída por meio de uma soma ponderada.
Correto!Correto!
Na verdade, ocorre exatamente o oposto, as entradas são primeiramente combinadas por meio de um 
somatório ponderado para só depois se aplicar uma função de ativação ao resultado do somatório e se 
produzir a saída do neurônio artificial.
 Uma rede neural com mais neurônios possui uma maior capacidade. 
 
Uma rede neural feed-forward têm neurônios agrupados em camadas, sendo que os neurônios de uma mesma
camada não são conectados entre si e o sinal percorre a rede em uma única direção, da entrada para a saída.
 
A função de ativação é essencial para introduzir um componente de não linearidade nas redes neurais artificiais e
com isso aumentar a capacidade de representação e aproximação destas.
6 / 6 ptsPergunta 5
A otimização da função de perda de uma rede neural busca obter um modelo que seja capaz de realizar
boas predições. Para tanto, procura-se alcançar um ponto de mínimo da função de perda utilizando a
direção contrária do gradiente.
Marque a alternativa que não representa uma atividade relacionada ao método do gradiente:
4/9/23, 6:38 PM PROVA ON-LINE:08 - Redes Neurais e Aprendizagem Profunda (2022)
https://pucminas.instructure.com/courses/90425/quizzes/336773 7/13
 Calcular o gradiente da taxa de aprendizado. Correto!Correto!
No método do gradiente, deve-se calcular o gradiente da função de perda em relação aos pesos e utilizá-lo 
juntamente com o tamanho do passo (ou taxa de aprendizado) para se ajustar os pesos de forma a se 
obter preferencialmente um novo conjunto de pesos mais próximo do ótimo. Não faz nenhum sentido e 
nem é necessário se calcular o gradiente da taxa de aprendizado (ou tamanho do passo).
 Avaliar a função de perda em relação ao conjunto de pesos ou parâmetros atuais. 
 
Ajustar o conjunto de pesos ou parâmetros de modo a obter um novo conjunto, de preferência, mais próximo do
ótimo.
 
Usar o gradiente da função de perda e o tamanho do passo para modificar os pesos ou parâmetros a cada passo
do método.
6 / 6 ptsPergunta 6
Tanto o SGD como as suas variações que utilizam outras regras para atualização de pesos possuem a taxa
de aprendizado como um hiperparâmetro.
Considerando o gráfico abaixo, marque a afirmação que relaciona de forma correta o valor da taxa de
aprendizado a cada curva de perda:
4/9/23, 6:38 PM PROVA ON-LINE: 08 - Redes Neurais e Aprendizagem Profunda (2022)
https://pucminas.instructure.com/courses/90425/quizzes/336773 8/13
 1=Muito Alta; 2=Boa; 3=Baixa; 4=Alta 
 1=Muito Alta; 2=Boa; 3=Alta; 4=Baixa 
 1=Muito Alta; 2=Baixa; 3=Alta; 4=Boa Correto!Correto!
A curva de perda para uma taxa muito alta sempre será “explosiva”; enquanto que para uma taxa baixa, ela 
será suave e, para um valor alto, ela apresenta uma queda “abrupta” seguida de um “platô” Por fim, um 
bom valor de taxa de aprendizado, faz com que a curva de perda se mantenha reduzindo de forma 
“assintótica”.
4/9/23, 6:38 PM PROVA ON-LINE: 08 - Redes Neurais e Aprendizagem Profunda (2022)
https://pucminas.instructure.com/courses/90425/quizzes/336773 9/13
 1=Baixa; 2=Muito Alta; 3=Alta; 4=Boa 
6 / 6 ptsPergunta 7
A ideia principal da técnica de “dropout” é descartar aleatoriamente unidades da rede neural (junto com
suas conexões) durante a etapa de treinamento.
Marque a afirmação incorreta relacionada à técnica de “dropout”:
 O uso da técnica de “dropout” força a rede a construir uma representação distribuída e redundante. 
 
Para a realização de “dropout”, basta se multiplicar as ativações por variáveis aleatórias de Bernoulli com uma
dada probabilidade.
 
Durante a predição, todas as unidades são mantidas ativas não sendo necessário se realizar nenhum outro ajuste
das ativações.
Correto!Correto!
Durante a predição, apesar de todas as unidades serem mantidas ativas, deve-se tomar o cuidado de 
ajustar os valores das ativações de forma que a saída de cada neurônio corresponda a expectativa de 
valor da saída durante o treinamento.
4/9/23, 6:38 PM PROVA ON-LINE: 08 - Redes Neurais e Aprendizagem Profunda (2022)
https://pucminas.instructure.com/courses/90425/quizzes/336773 10/13
 
O uso da técnica de “dropout” pode ser visto como equivalente a treinar uma grande coleção (ou “ensemble”) de
modelos que compartilham parâmetros.
6 / 6 ptsPergunta 8
Mais recentemente, as redes GoogLeNet e ResNet introduziram importantes concepções no projeto e
implementação de redes neurais profundas.
Marque a alternativa que representa uma afirmação incorreta:
 
A rede ResNet utiliza conexões “laterais” (desvios) nos blocos básicos de resíduos para garantir um bom fluxo de
gradientes e, consequentemente, viabilizar o treinamento de redes com centenas de camadas.
 A rede GoogLeNet introduziu o uso de vários filtros diferentes em sequência por meio do módulo “Inception”. Correto!Correto!
O módulo “Inception” realiza vários filtros diferentes em paralelo conseguindo assim extrair diferentes 
características a partir da mesma entrada.
 
De forma a minimizar seu alto custo computacional, o módulo “Inception” faz uso de convoluções 1 x 1 para
redução da dimensionalidade, apesar do aumento do número de parâmetros.
4/9/23, 6:38 PM PROVA ON-LINE: 08 - Redes Neurais e Aprendizagem Profunda (2022)
https://pucminas.instructure.com/courses/90425/quizzes/336773 11/13
 
A rede GoogLeNet se utiliza de agrupamento pela média (“average pooling”) no final da rede ao invés de
camadas completamente conectadas para se reduzir o número de parâmetros.
6 / 6 ptsPergunta 9
O tamanho do passo (“stride”) e o uso de preenchimento (“padding”) afetam os resultados de uma camada
convolucional.
Marque a alternativa que representa uma afirmação incorreta:
 
Uma camada convolucional com 6 filtros de tamanho 1×1 aprende como realizar uma combinação dos mapas de
ativação (ou características) da entrada para produzir 6 novos mapas (ou características) na saída.
 
Para uma entrada de tamanho N x N e um filtro de tamanho F x F, a dimensão da saída será (N – F) / S + 1, em
que S representa o tamanho do passo (“stride”).
 Preenchimento não ajuda a minimizar o efeito da redução rápida de dimensionalidade espacial. Correto!Correto!
Para um filtro de tamanho F, o preenchimento realizado de forma a acrescentar uma borda de zeros com 
tamanho (F – 1) / 2 é capaz de eliminar o efeito de redução da dimensão espacial quando o passo for 1.
4/9/23, 6:38 PM PROVA ON-LINE: 08 - Redes Neurais e Aprendizagem Profunda (2022)
https://pucminas.instructure.com/courses/90425/quizzes/336773 12/13
 
Nas camadas convolucionais com passo unitário e filtros de tamanho F x F, é comum se utilizar de preenchimento
por meio de uma borda de zeros com tamanho (F – 1) / 2.
6 / 6 ptsPergunta 10
As redes AlexNet e VGG representam dois importantes marcos na evolução das redes neurais profundas
aplicadas à tarefa de classificação de imagens.
Marque a alternativa que representa uma afirmação incorreta:
 Foi necessário se utilizar de forma intensiva de “data augmentation” para treinamento da rede AlexNet. 
 A rede AlexNet alcançou uma redução da taxa de erro de aproximadamente 10%. 
 A rede VGG foi a primeira a se utilizar da função de ativação ReLU (“Rectified Linear Unit”). Correto!Correto!
Na verdade, a rede AlexNet foi a primeira a utilizar a função de ativação ReLU.
 
A rede VGG introduziu a ideia de se utilizar filtros menores em redes mais profundas, uma vez que eles
conseguem o mesmo efeito e cobertura de filtros maiores utilizando um número menor de parâmetros.
4/9/23, 6:38 PM PROVA ON-LINE: 08 - Redes Neurais e Aprendizagem Profunda (2022)
https://pucminas.instructure.com/courses/90425/quizzes/336773 13/13
Pontuação do teste: 60 de 60