MACHINE DEEP LEARNING

Prévia do material em texto

Disc.:  MACHINE & DEEP LEARNING
	
	Aluno: 202310199025 - MARCOS FLAVIO DE SOUZA
		Professor: JOSE FERNANDO CUADROS BOHORQUEZ
	Turma: 9001/AA
	
	Avaliação:
5,00
	Nota Trab.:
	Nota Partic.:
	Nota SIA:
	
	 1.
	Ref.: 4332283
	Pontos: 1,00  / 1,00
	
	O agrupamento de dados no aprendizado de máquina procura grupos semelhantes e diferentes em uma massa de dados que caracterizam uma população de indivíduos. A categoria que se baseia na teoria dos grafos e dispensa a definição de protótipos utilizados para segmentar a base de dados em diferentes grupos é denominada:
		
	
	Delimitação
	
	Regressão
	
	Classificação
	 
	Clusterização
	
	Associação
	Respondido em 21/02/2024 17:37:09
	
	
	 2.
	Ref.: 4329330
	Pontos: 0,00  / 1,00
	
	Com o objetivo de obter informações por meio do aprendizado de máquina, verificou-se que o processo que estava sendo realizado consistia em reduzir o número de características de determinado objeto, identificando quais as características mais relevantes; verificou-se também o uso de algoritmos de aprendizado não supervisionados. Identifique que ação está sendo realizada:
		
	 
	Estimativa de densidade
	
	Regressão
	
	Classificação
	
	Clustering
	 
	Redução dimensional
	Respondido em 21/02/2024 17:37:05
	
	
	 3.
	Ref.: 7807342
	Pontos: 0,00  / 1,00
	
	De acordo com as métricas genéricas de homogeneidade e completude, e a média harmônica das duas, é sabido que temos uma variável de viés β  na fórmula, cuja valoração é associada diretamente com o peso dado a uma das componentes. Sinalize a opção correta sobre essa variável.
		
	 
	β > 1 é o valor padrão, β < 1 implica em dar mais valor à completude, β=1  implica em dar mais valor à homogeneidade.
	
	β > 1 implica em dar mais importância à homogeneidade, β < 1 é o valor padrão, β=1  implica em dar mais importância à completude.
	
	β > 1 implica em dar mais importância à homogeneidade, β < 1 implica em dar mais importância à completude, β=1  é o valor padrão.
	 
	β > 1 implica em dar mais importância à completude, β < 1 implica em dar mais importância à homogeneidade, β=1  é o valor padrão.
	
	β > 1 implica em dar mais importância ao Ground Truth, β < 1 implica em dar mais importância à Acurácia, β=1  é o valor padrão.
	Respondido em 21/02/2024 17:51:13
	
	
	 4.
	Ref.: 7807329
	Pontos: 0,00  / 1,00
	
	O K-Means é um algoritmo clássico de agrupamento. Qual é o seu diferencial?
		
	
	Autonomia total na execução do algoritmo.
	
	Particionamento Hierárquico.
	
	Redução da dimensionalidade.
	 
	Inicialização de um conjunto inicial de quantidade predefinida.
	 
	Agrupamento das observações mais relevantes apenas.
	Respondido em 21/02/2024 17:43:12
	
	
	 5.
	Ref.: 4467275
	Pontos: 1,00  / 1,00
	
	Dado um conjunto de dados cujas características são: Peso, Idade, Altura, e Densidade Óssea. Além do agrupamento da idade em grupos ou estratos, bem como sua codificação, que outra tarefa de pré-processamento deve ser feita a fim de otimizar o uso do PCA para redução da dimensionalidade?
		
	
	Multiplicar a matriz por uma constante k.
	 
	Rescaling dos dados.
	
	Rotacionar o conjunto de dados.
	
	Binarização do conjunto por completo.
	
	Remover os dados faltantes.
	Respondido em 21/02/2024 17:43:55
	
	
	 6.
	Ref.: 4392320
	Pontos: 1,00  / 1,00
	
	Qual a função dos vetores de suporte no SVM?
		
	
	Maximizar a distância intra cluster e minimizar a distância inter cluster.
	
	Minimizar a distância entre a função de decisão e as amostras.
	
	Servem para a tomada de decisão.
	 
	Definir margens de classificação para o cálculo do vetor de decisão.
	
	Maximizar a métrica de avaliação do modelo.
	Respondido em 21/02/2024 17:44:01
	
	
	 7.
	Ref.: 7807355
	Pontos: 0,00  / 1,00
	
	Avaliar os resultados dos algoritmos de agrupamento é uma etapa essencial para poder aplicá-los. A respeito da validação dos grupos dos algoritmos de agrupamento, selecione a opção correta.
		
	
	Os grupos de dados são essencialmente figuras geométricas que podem facilmente ser visualizadas.
	
	Devido às limitações de tempo, devem ser utilizadas planilhas para validar os resultados.
	 
	Devido às características predominantemente probabilísticas dos algoritmos de agrupamento não faz sentido visualizar os grupos para validá-los.
	
	Sempre se deve aplicar a visualização dos grupos para validar os grupos.
	 
	A visualização dos resultados é uma ferramenta útil em alguns casos.
	Respondido em 21/02/2024 17:44:21
	
	
	 8.
	Ref.: 7807172
	Pontos: 1,00  / 1,00
	
	Como é a abstração de camadas na biblioteca Keras?
		
	
	Model.pop(Dense(128, activation="sigmoid")).
	
	Model.append(Dense(128, activation="sigmoid")).
	 
	Model.add(Dense(128, activation="sigmoid")).
	
	Model.add(Dense(128, activation="centroid")).
	
	Model.remove(Dense(128, activation="sigmoid")).
	Respondido em 21/02/2024 17:46:27
	
	
	 9.
	Ref.: 7807170
	Pontos: 1,00  / 1,00
	
	Em relação à arquitetura AlexNet das redes de convolução (CNN), selecione a opção correta.
		
	
	Sua principal característica é a aplicação da função de ativação Softmax depois de cada camada de convolução
	
	Essa arquitetura utiliza o hiperparâmetro de preenchimento (padding) apenas com o valor válido
	 
	Ela possui mais camadas que a arquitetura de rede LeNet
	
	Ela é estruturada para precisar de menos tempo de treinamento do que a LeNet
	
	Ela não utiliza filtros, por isso tem melhor desempenho do que a arquitetura LeNet
	Respondido em 21/02/2024 17:48:48
	
	
	 10.
	Ref.: 7807289
	Pontos: 0,00  / 1,00
	
	Uma operação matemática importante nas arquiteturas LSTM e GRU é o produto de Hadamard, representado pelo símbolo ⨀, como mostra o exemplo a seguir:
Assinale a alternativa que soma todos os elementos do produto de Hadamard apresentado:
		
	 
	11
	 
	5
	
	15
	
	18
	
	16
	Respondido em 21/02/2024 17:48:50
	
	
	
Anotações: Avaliação realizada no navegador SIA.