Baixe o app para aproveitar ainda mais
Prévia do material em texto
PERGUNTA 1 Um autoencoder pode ser utilizado como meio para desenvolvimento de um classificador semissupervionado. Quais das afirmações abaixo estão corretas em relação a estrutura e treinamento desse modelo? I. Por se tratar de um classificador, precisamos de dados rotulados disponíveis durante a fase de treinamento do modelo de classificação. II. O autoencoder não demanda dados rotulados, logo, pode ser treinado de forma não supervisionada com todos os exemplos disponíveis. O espaço latente do autoencoder é responsável por extrair padrões importantes dos dados e criar uma representação para exemplo. III. Utilizando o codificador do autoencoder e uma camada preditora, concatenada ao codificador, podemos treinar os parâmetros livres da camada preditora usando os exemplos rotulados disponíveis. Assim, o codificador será responsável por codificar os exemplos em sua representação latente, e a camada preditora fará a classificação. IV. O modelo resultante é categorizado como semissupervisionado, pois usamos tanto dados não rotulados quanto rotulados durante o seu desenvolvimento. Selecione a alternativa correta: A. Apenas as afirmações I, II e IV estão corretas. B. Apenas as afirmações I, II e III estão corretas. C. Todas as afirmações estão corretas. D. Apenas as afirmações I, III e IV estão corretas. E. Apenas as afirmações II, III e IV estão corretas. PERGUNTA 2 Um autoencoder pode ser utilizado como uma ferramenta para detecção de padrões anômalos (outliers), como fraudes em transações bancárias ou mal funcionamento de equipamentos industriais. Quais das afirmações abaixo explicam, corretamente, o funcionamento desse detector de outliers? I. Para construir um autoencoder para detecção de outliers, necessitamos agregar uma camada preditiva supervisionada ao modelo. II. O autoencoder aprende a reconstruir o próprio exemplo de entrada. Dessa forma, ao apresentar ao modelo um exemplo distinto dos padrões de treinamento, podemos gerar uma reconstrução com alto erro, este erro pode ser usado como indicativo de outlier. III. Para treinamento do autoencoder para detecção de outliers, precisamos possuir exemplos de todas as classes conhecidas do problema, uma vez que o processo de detecção de outliers é um problema supervisionado. Selecione a alternativa correta: A. Apenas as afirmações I e II estão corretas. B. Apenas a afirmação II está correta. C. Apenas as afirmações II e III estão corretas. D. Todas as afirmações estão corretas. E. Apenas as afirmações I e III estão corretas. PERGUNTA 3 Assim como outros modelos de redes neurais, autoencoders também necessitam ser treinados para se adaptar ao problema em estudo. Quais das afirmações abaixo estão corretas sobre o processo de treinamento de um autoencoder? I. O treinamento de um autoencoder segue o mesmo padrão de uma rede neural densa, como a MLP, ou seja, utiliza o próprio algoritmo de retropropagação e suas variações. II. A saída desejada consiste no próprio sinal de entrada, ou seja, o autoencoder irá mapear um exemplo x no exemplo x’, que representa uma aproximação de x. III. A função de custo, em sua forma padrão, consiste no erro de reconstrução do autoencoder, ou seja, loss=f(x, x’), no qual x’ representa o sinal x reconstruído pelo autoencoder. Selecione a alternativa correta: A. Todas as afirmações estão corretas. B. Apenas as afirmações II e III estão corretas. C. Apenas as afirmações I e II estão corretas. D. Apenas a afirmação I está correta. E. Apenas as afirmações I e III estão corretas. PERGUNTA 4 Ao considerar o autoencoder padrão ilustrado na figura abaixo e assumindo que o treinamento do modelo converge com um baixo erro de reconstrução, o que podemos afirmar sobre o espaço latente aprendido? Ilustração de um exemplo típico de um autoencoder. A entrada consiste em uma imagem contendo um padrão “4” manuscrito codificado em 32x32 pixels, essa entrada alimenta o codificador, representado por um retângulo em cor azul, que é responsável por mapear o padrão 4 na representação latente com 5 dimensões, representado em cor verde. O espaço latente alimenta o decodificador, representado por um retângulo em cor azul, que é responsável pela geração do sinal de saída. A saída ilustra a geração de um dígito manuscrito “4”, também com 32x32 pixels. Selecione a alternativa correta: A. O espaço latente consiste em uma representação de 5 bits responsável por enumerar as imagens utilizadas no treinamento do modelo, logo, podemos afirmar que apenas 25 imagens podem ser representadas por este autoencoder. B. O espaço latente com cinco dimensões é capaz de codificar o padrão original de 32x32 pixels. Dessa forma, o espaço latente aprendido caracteriza uma representação compacta dos exemplos (imagens). C. Considerando que uma rede neural é um modelo “caixa-preta”, não há como interpretar o que foi aprendido pelo autoencoder em seu espaço latente. D. O espaço latente consiste em uma representação de 5 bits dos dados originais fornecidos como entrada e saída do modelo. E. O espaço latente com cinco dimensões é constituído pelas cinco dimensões (características) mais relevantes da imagem apresentada como entrada. Logo, o autoencoder funciona como um seletor de características para o problema. PERGUNTA 5 Além do autoencoder padrão, que tipicamente segue a arquitetura de uma rede MLP, há diversos outros tipos de específicos de autoencoders, como os autoencoders esparsos. Ao comparar um autoencoder esparso com um autoencoder padrão, podemos afirmar: I. Em um autoencoder esparso, a dimensão da representação latente é superior à dimensão original do problema. II. Em um autoencoder padrão, a representação latente possui dimensionalidade reduzida, forçando o modelo a aprender características relevantes do problema. III. Ao contrário de um autoencoder padrão, um autoencoder esparso exige a inclusão de um termo de regularização durante o treinamento para evitar a convergência para a função identidade. Selecione a alternativa correta: A. Apenas as afirmações II e III estão corretas. B. Apenas as afirmações I e III estão corretas. C. Apenas as afirmações I e II estão corretas. D. Apenas a afirmação II está correta. E. Todas as afirmações estão corretas. PERGUNTA 6 Associe a arquitetura do autoencoder, indicada na coluna da esquerda, à sua possível aplicação, indicada na coluna da direita: A imagem é uma tabela com duas colunas onde a coluna da esquerda possui o título Tipo de autoencoder e contém as linhas A. Autoencoder Padrão, B. Autoencoder Convolucional, C. Autoencoder Sequencial, D. Autoencoder Denoising. A segunda coluna possui o título Possível aplicação e contém as linhas 1. Redução de dimensionalidade, 2. Redução de ruído nos dados, 3. Codificação de imagens e 4. Aprendizado de representação em sentenças de texto Selecione a alternativa correta: A. A-1, B-3, C-2 e D-4 B. A-1, B-3, C-4 e D-2 C. A-1, B-2, C-4 e D-3 D. A-4, B-3, C-1 e D-2 E. A-1, B-2, C-3 e D-4 PERGUNTA 7 Assim como outros modelos de redes neurais artificiais, os autoencoders podem assumir arquiteturas rasas ou profundas. Ao assumir uma arquitetura profunda, o autoencoder é denominado autoencoder profundo. Quais das afirmações abaixo estão corretas em relação aos autoencoders profundos (deep autoencoders)? I. Tanto o encoder quanto o decoder possuem arquiteturas profundas, ou seja, mais que duas camadas ocultas. II. O treinamento de autoencoders profundos pode ser realizado camada a camada, evitando o problema do desaparecimento ou explosão do gradiente observado em redes profundas. III. O empilhamento de máquinas restritas de Boltzmann (RBM) também pode ser considerado na construção de autoencoders profundos, denominados Deep Belief Networks (DBN) Selecione a alternativa correta: A. Apenas a afirmação I está correta. B. Todas as afirmações estão corretas. C. Apenas as afirmações I e II estão corretas. D. Apenas as afirmações I e III estão corretas. E. Apenas as afirmações II e III estão corretas. EXTRA Autoencoders representam umafamília específica de modelos de redes neurais e, como tal, possuem suas particularidades em relação a sua arquitetura e forma de treinamento. Quais das afirmações abaixo estão corretas em relação à estrutura e ao treinamento de um autoencoder? I. O treinamento de autoencoders demanda dados rotulados. II. Em sua forma padrão, um autoencoder é composto por duas partes principais, o codificador e o decodificador. III. O treinamento de um autoencoder está associado ao paradigma autossupervisionado, que representa um caso particular do paradigma não supervisionado. IV. O codificador e decodificador de um autoencoder devem ser formados pelo mesmo tipo de neurônio. Selecione a alternativa correta: A. Apenas as afirmações II e IV estão corretas. B. Apenas as afirmações III e IV estão corretas. C. Apenas as afirmações I e IV estão corretas. D. Apenas as afirmações I e III estão corretas. E. Apenas as afirmações II e III estão corretas.
Compartilhar