Baixe o app para aproveitar ainda mais
Prévia do material em texto
Fazer teste: Semana 7 - Atividade Avaliativa Informações do teste Descrição Instruções Várias tentativas Este teste permite 3 tentativas. Esta é a tentativa número 2. Forçar conclusão Este teste pode ser salvo e retomado posteriormente. Suas respostas foram salvas automaticamente. 1. Para responder a esta atividade, selecione a(s) alternativa(s) que você considerar correta(s); 2. Após selecionar a resposta correta em todas as questões, vá até o fim da página e pressione “Enviar teste”. 3. A cada tentativa, as perguntas e alternativas são embaralhadas Olá, estudante! Pronto! Sua atividade já está registrada no AVA. PERGUNTA 1 Liste as principais diferenças entre as unidades GRU (Gated Recurrent Unit) e LSTM (Long Short-Term Memory): A GRU e LSTM diferem no número de camadas utilizadas no modelo. A GRU possui apenas uma camada oculta e a LSTM possui duas camadas ocultas. A GRU possui apenas uma variável de estado (sinal de memória) e 2 portas de controle, a LSTM possui duas variáveis de estado (sinal memória) e 3 portas. A GRU possui duas variáveis de estado (sinal de memória) e 2 portas, a LSTM possui apenas uma variável de estado (sinal memória) e 3 portas. A GRU e LSTM possuem a mesma quantidade de portas e variáveis de estado. A diferença principal está na forma de treinamento dos modelos. A GRU não permite a criação de uma arquitetura bidirecional. Esta só é possível com as unidades LSTM. 1,66 pontos Salva PERGUNTA 2 Quais dos problemas abaixo são comumente abordados com redes neurais recorrentes? Classificação de imagens, agrupamento de dados e classificação binária. Análise de sentimentos; reconhecimento de fala e tradução. Análise de sentimentos, classificação de imagens e criação memórias associativas. Classificação de imagens, aproximação de funções e criação de memórias associativas. Classificação de imagens, agrupamento de dados e análise de sentimentos. 1,66 pontos Salva PERGUNTA 3 Associe a arquitetura de rede recorrente abaixo a um possível problema que possa utilizá-la. 1) 2) Estado de Conclusão da Pergunta: 1,66 pontos Salva Clique em Salvar e Enviar para salvar e enviar. Clique em Salvar todas as respostas para salvar todas as respostas. Salvar todas as respostas Salvar e Enviar https://ava.univesp.br/webapps/assessment/take/launch.jsp?course_assessment_id=_126984_1&course_id=_8361_1&new_attempt=1&content_id=_1111809_1&step=# https://ava.univesp.br/webapps/assessment/take/launch.jsp?course_assessment_id=_126984_1&course_id=_8361_1&new_attempt=1&content_id=_1111809_1&step=# 3) a. Transcrição de áudio em texto. b. Predição do valor futuro de uma ação. c. Geração automática de texto. 1-a; 2-b; 3-c. 1-b; 2-a; 3-c. 1-a; 2-c; 3-b. 1-c; 2-b; 3-a. 1-b; 2-c; 3-a. PERGUNTA 4 Qual é a função da porta de saída (gate de output) de uma rede LSTM? O gate de output é responsável por controlar a formação do estado candidato, representado por ct, gerado no tempo t que, posteriormente, irá compor a saída da rede. O gate de output é responsável pela atualização do sinal interno do neurônio, representado por ct. O gate de output é responsável por indicar qual parte do sinal anterior, representado por at-1, irá compor a saída da camada LSTM (representada por at). O gate de output é responsável por indicar qual parte do sinal interno gerado, representado por ct, irá compor a saída da camada LSTM (representada por at). O gate de output, que consiste numa porta binária, é responsável por habilitar ou não a saída dos neurônios da camada LSTM. 1,66 pontos Salva PERGUNTA 5 Qual é a função do truncamento no algoritmo de retropropagação através do tempo? O truncamento funciona como uma regularização do modelo, evitando que os pesos se saturem. O truncamento elimina o problema do desaparecimento ou explosão do vetor gradiente. O truncamento possui como objetivo limitar o tamanho do vetor gradiente. O truncamento possui duas funções principais: limitação do custo computacional e estabilidade numérica do cálculo do gradiente. O truncamento é responsável por interromper o processo de treinamento de forma antecipada, evitando o overfitting dos dados. 1,68 pontos Salva PERGUNTA 6 Qual das equações abaixo representa a formulação correta para o cálculo do estado do neurônio oculto (a) no tempo t? Estado de Conclusão da Pergunta: Clique em Salvar e Enviar para salvar e enviar. Clique em Salvar todas as respostas para salvar todas as respostas. Salvar todas as respostas Salvar e Enviar 1,68 pontos Salvar resposta Obs.: x representa a entrada do neurônio x=[x1,x2], a representa o estado interno do neurônio oculto e y o sinal de saída. Os pesos associados a entrada são representados por wx=[wx1, wx2], os pesos associados à realimentação são representados por wa, por fim, o peso da unidade de saída é representado por wy. A unidade sobrescrita, i.e., t em xt representa o sinal no tempo t. Phi representa a função de ativação dos neurônios. Considere que o neurônio acima não possui o bias. α t = φ (ω a α t − 1 + ω x X + ω y y ) α t = φ (ω a α t − 1 + ω x X t + ω y y t ) α t = φ (ω a α t − 1 + ω x X t ) α t = φ (ω a α t + ω x X) α t = φ (ω a α t − 1 + ω x X) Estado de Conclusão da Pergunta: Clique em Salvar e Enviar para salvar e enviar. Clique em Salvar todas as respostas para salvar todas as respostas. Salvar todas as respostas Salvar e Enviar
Compartilhar