Baixe o app para aproveitar ainda mais
Prévia do material em texto
PERGUNTA 1 Quais das afirmações abaixo estão corretas em relação à estrutura e ao funcionamento das redes adversarias generativas (GAN)? I. As redes GAN são compostas por duas redes neurais distintas, a geradora e a discriminadora. II. As redes GAN podem assumir arquiteturas rasas ou profundas. III. O gerador produz padrões (i.e., imagens) o mais próximo possível dos padrões reais para enganar o discriminador. IV. O discriminador tem como objetivo distinguir os padrões gerados de padrões reais. Selecione a alternativa correta: A. Apenas as afirmações I, II e IV estão corretas. B. Apenas as afirmações II, III e IV estão corretas. C. Apenas as afirmações I, III e IV estão corretas. D. Todas as afirmações estão corretas. E. Apenas as afirmações I, II e III estão corretas. PERGUNTA 2 A área de aprendizado de máquina possui uma infinidade de modelos, dentre eles os modelos generativos e os modelos discriminativos. Qual é a principal diferença entre essas classes de modelos? Selecione a alternativa correta: A. Modelos generativos são mais precisos do que modelos discriminativos em problemas de classificação, mas são menos eficientes em termos de tempo de treinamento e recursos computacionais. B. Os modelos generativos são baseados em redes neurais, por outro lado, os modelos discriminativos são baseados em lógica simbólica. C. Modelos generativos aprendem uma distribuição de probabilidade conjunta dos dados. Por outro lado, os modelos discriminativos aprendem a probabilidade condicional de y dado x. D. Modelos generativos usam técnicas de agrupamento para agrupar os dados de entrada em classes, enquanto modelos discriminativos usam técnicas de redução de dimensionalidade para projetar os dados de entrada em um espaço de características de menor dimensão. E. Modelos generativos são usados para classificação, enquanto modelos discriminativos são usados para geração de novas amostras. PERGUNTA 3 Autoencoders variacionais (VAE) são modelos de aprendizado de máquina generativos. Qual é o principal objetivo de um autoencoder variacional? A. Projetar os exemplos de baixa dimensionalidade em um espaço esparso de alta disponibilidade. B. Reduzir a dimensionalidade dos dados permitindo a visualização em uma representação de baixa dimensionalidade. C. Aprender a distribuição latente dos dados e gerar novas amostras a partir dessa distribuição. D. Classificar imagens em diferentes categorias. E. Gerar novos dados a partir da combinação dos exemplos presentes no conjunto de treinamento. PERGUNTA 4 O treinamento de um autoencoder variacional (VAE), assim como outros modelos de redes neurais, tem por objetivo reduzir o erro observado na saída do modelo. No caso específico do VAE, como é calculado o erro durante o treinamento? A. Por se tratar de um modelo não supervisionado, não há uma função de erro explícito para essa classe de modelos. B. O erro de treinamento (função de custo) é calculado via erro quadrático médio entre os exemplos do conjunto de treinamento e as suas respectivas reconstruções. C. O erro de treinamento (função de custo) é composto pela soma da divergência KL (Kullback-Leibler) entre a distribuição latente aprendida e uma distribuição normal e o erro de reconstrução. D. O erro de treinamento (função de custo) é calculado a partir da diferença entre a entrada e a saída do decodificador. E. O erro de treinamento (função de custo) é obtido via entropia cruzada do sinal latente e da saída do modelo. PERGUNTA 5 O treinamento de uma rede adversarial generativa (GAN) consiste num processo indireto de se aprender a distribuição dos dados, ou seja, não comparamos diretamente as distribuições verdadeiras e geradas. Quais das afirmações abaixo estão corretas em relação a esse processo? I. A rede geradora (gerador) aprende a gerar os dados de forma indireta buscando maximizar o erro do discriminador. II. O gerador é treinado de forma supervisionada para gerar dados próximos aos dados reais. Por sua vez, o discriminador aprende, de forma não supervisionada, a reconhecer se os dados gerados são reais ou sintéticos. III. O aprendizado da distribuição dos dados por uma rede GAN é um processo não supervisionado, no qual tanto o gerador quanto o discriminador são otimizados, de forma simultânea, para produzir dados mais próximos dos dados pertencentes à distribuição real. Selecione a alternativa correta: A. Apenas as afirmações I e III estão corretas. B. Apenas a afirmação I está correta. C. Apenas a afirmação III está correta. D. Apenas a afirmação II está correta. E. Apenas as afirmações I e II estão corretas. PERGUNTA 6 Qual é o objetivo do truque de reparametrização (reparametrization trick) no treinamento de autoencoders variacionais? Selecione a alternativa correta: A. Permitir a aplicação do algoritmo de retropropagação no treinamento do VAE. B. Acelerar o processo de treinamento em autoencoders. C. Reduzir a complexidade computacional dos autoencoders. D. Evitar o problema do overfitting em autoencoders aplicando regularização na última camada do encoder. E. Ampliar a geração de amostras a partir do modelo treinado. PERGUNTA 7 O que podemos afirmar sobre a função de custo (loss function) utilizada no treinamento de uma rede neural adversária generativa (GAN)? I. A função de custo padrão de uma GAN é denominada min-max (ou minimax). II. Consiste em um processo antagônico (adversário), no qual o gerador busca derrotar o discriminador, ao mesmo tempo que o discriminador busca derrotar o gerador. III. O gerador e o discriminador possuem objetivos distintos em relação a função de custo. O gerador busca maximizar a função enquanto o discriminador busca minimizá-lo. Selecione a alternativa correta: A. Apenas a afirmação III está correta. B. Apenas as afirmações I e II estão corretas. C. Apenas as afirmações II e III estão corretas. D. Apenas as afirmações I e III estão corretas. E. Todas as afirmações estão corretas. EXTRA Autoencoders variacionais (VAE) e redes neurais adversariais generativas (GAN) constituem duas classes de importantes modelos generativos. Quais das afirmações abaixo estão corretas em relação as suas principais diferenças e semelhanças? I. VAEs e GANs diferem em relação a suas arquiteturas. As GANs são compostas por duas redes neurais. Por sua vez, os VAEs são compostos por apenas uma rede neural com duas partes, o codificador e o decodificador. II. Ambas possuem objetivos semelhantes, ou seja, gerar novos exemplos compatíveis com os dados de treinamento. III. O VAE gera novos exemplos a partir de amostras extraídas do espaço latente aprendido, as GANs geram novos exemplos a partir de amostras aleatórias. Selecione a alternativa correta: A. Apenas as afirmações I e II estão corretas. B. Apenas as afirmações I e III estão corretas. C. Apenas a afirmação I está correta. D. Todas as afirmações estão corretas. E. Apenas as afirmações II e III estão corretas.
Compartilhar