MACHINE LEARNING AV 02

Prévia do material em texto

MACHINE LEARNING AV 02
1. 
Parte superior do formulário
Pergunta 1
0,5 Pontos
Leia o excerto a seguir:
“Há uma metodologia que emprega as ‘mutações com distribuição normal para modificar vetores reais e enfatizam a mutação e recombinação como operadores essenciais ao processo de busca no espaço de busca e no espaço de parâmetros’. O operador de seleção é determinístico, e o tamanho da população pode variar.”
Fonte: CASTRO, L.; VON ZUBEN, F. Introdução à computação evolutiva. Unicamp. Disponível em: <ftp://ftp.dca.fee.unicamp.br/pub/docs/vonzuben/ia707_02/topico8_02.pdf>. Acesso em: 19 out. 2019. (Adaptado).
Considerando essas informações e o conteúdo estudado sobre as árvores de decisão, pode-se afirmar que o excerto faz referência ao conceito de:
Programação Genética (PG).
Estratégias Evolutivas (EE).
Programação Evolutiva (PE).
Greedily Layer-Wise Training.
Algoritmos genericos
Algoritmos Genéticos (AG).
Parte inferior do formulário
2. 
Parte superior do formulário
Pergunta 2
0,5 Pontos
Leia o excerto a seguir:
“Deep Learning é um tipo de Machine Learning que treina computadores para realizar tarefas como seres humanos, o que inclui reconhecimento de fala, identificação de imagem e previsões.”
Fonte: SAS. Deep Learning: O que é e qual sua importância? Disponível em: <https://www.sas.com/pt_br/insights/analytics/deep-learning.html>. Acesso em: 17 out. 2019.
Considerando essas informações e o conteúdo estudado sobre Deep Learning, pode-se afirmar que uma de suas funções é:
abordar as condições de instrução em um nível mais aprofundado com a utilização de redes sintéticas.
verificar o ambiente organizacional em um nível mais limitado com a utilização de redes neutras.
utilizar o aprendizado de máquina para estabelecer um nível mais simples com a utilização de redes neurais.
observar as chances de aprendizagem em um nível mais profundo com o uso de redes neurais.
visualizar as possibilidades de prototipagem em um nível mais elevado com a utilização de redes conexas.
Parte inferior do formulário
3. 
Parte superior do formulário
Pergunta 3
0,5 Pontos
As Deep Learning são usualmente utilizadas para resolver o problema de treinamento de redes neurais artificiais. Elas necessitam de muitos dados para serem treinadas e, com isso, aprenderem as características hierarquicamente, não precisando mais de um humano para selecionar as características que formarão seu modelo de aprendizado.
Considerando essas informações e o conteúdo estudado sobre aos tipos de arquiteturas de Deep Learning, analise as afirmativas a seguir.
I. A primeira arquitetura é a Feed-Forward, muito utilizada em redes multicamadas, como a as redes convolutivas.
II. A segunda é a Feed-Back, frequentemente usada nas redes Stacked Sparse Coding.
III. A terceira é a Bi-Directional, onde em cada camada é realizado o treinamento não supervisionado.
IV. A quarta é a arquitetura puramente supervisionado, usada em Deep Bolzmann e Autoencoders.
Está correto apenas o que se afirma em:
III e IV.
II e IV.
I e III.
I e II.
I e IV.
Parte inferior do formulário
4. 
Parte superior do formulário
Pergunta 4
0,5 Pontos
Leia o excerto a seguir:
“Quando o ambiente é gaussiano, o classificador bayesiano se reduz a um classificador linear. Esta é a mesma forma assumida pelo perceptron. Entretanto, a natureza linear do perceptron não depende da suposição de que as distribuições sejam gaussianas.”
Fonte: HAYKIN, S. Redes Neurais: princípios e prática. 2. ed. São Paulo: Bookman, 2007. p. 169. (Adaptação).
Considerando essas informações e o conteúdo estudado sobre Aprendizagem Bayesiana, pode-se afirmar que o modelo gaussiano se refere ao algoritmo:
Leam.
Imput.
Naive Bayes.
Discreto.
Python.
Parte inferior do formulário
5. 
Parte superior do formulário
Pergunta 5
0,5 Pontos
Leia o excerto a seguir:
“A principal diferença entre Machine Learning tradicional, que utiliza algoritmos não¬ supervisionados, e Deep Learning é o método utilizado para extração de características relevantes para a classificação. Na abordagem tradicional, um programador faz a engenharia de forma manual, determinando quais são as características relevantes para que um certo tipo de dado seja diferenciado das outras possíveis classes.”
Fonte: RAMOS, T. Deep Learning. Disponível em: <https://www.ime.usp.br/~gold/cursos/2015/MAC5742/reports/DeepLearning.pdf>. Acesso em: 18 out. 2019. (Adaptado).
Considerando essas informações e o conteúdo estudado sobre Deep Learning, pode-se afirmar que ele se caracteriza por apresentar:
um método de extração de características feito de forma automática.
um método de análise de características feito de forma automática.
um método de adaptação de características feito de forma neutra.
um método de separação de características feito de forma manual.
um método de inserção de características feito de forma manual.
Parte inferior do formulário
6. 
Parte superior do formulário
Pergunta 6
0,5 Pontos
Leia trecho a seguir:
“Esta rede é formada por duas partes: um grafo onde cada nó representa uma variável, e os arcos que ligam os nós representam a probabilidade condicional. A estrutura da rede e as tabelas de probabilidades podem ser aprendidas por um algoritmo ou até mesmo construídas manualmente em uma ferramenta apropriada.”
Fonte: AMARAL, F. Aprenda mineração de dados: teoria e prática. Rio de Janeiro: Altas Books, 2016. p. 42.
Considerando essas informações e o conteúdo estudado sobre a aprendizagem bayesiana, pode-se afirmar o excerto faz referência ao conceito de:
algoritmos evolucionários.
rede bayesiana.
Greedily Layer-Wise Training.
inteligência artificial.
aprendizagem bayesiana.
Parte inferior do formulário
7. 
Parte superior do formulário
Pergunta 7
0,5 Pontos
Também pode ser caracterizado como sendo do tipo supervisionado, visto que são fornecidas instâncias ao algoritmo de aprendizagem de máquina, juntamente com suas classes. De acordo com o paradigma estatístico, os algoritmos utilizam as fórmulas estatísticas e cálculo de probabilidades para obter a classificação.
Considerando essas informações e o conteúdo estudado na unidade, pode-se afirmar que o trecho faz referência ao conceito de:
Greedily Layer-Wise Training.
rede bayesiana.
inteligência artificial.
algoritmos evolucionários.
aprendizado bayesiano.
Parte inferior do formulário
8. 
Parte superior do formulário
Pergunta 8
0,5 Pontos
Leia o excerto a seguir:
“Construindo a representação gráfica das diferentes ações possíveis e dos diferentes acontecimentos possíveis, a árvore de decisão obriga os decisores de investimento a realizar uma análise profunda dos respectivos problemas e a encarar as diferentes hipóteses que lhe são oferecidas.”
Fonte: SILVA, E. S. Árvores de decisão nos projetos de investimento. São Paulo: Vida Economia, 2014. p. 75.
De acordo com essas informações e com o conteúdo estudado sobre árvores de decisão e suas vantagens, analise as afirmativas a seguir e assinale V para a(s) verdadeira(s) e F para a(s) falsa(s).
I. ( ) As árvores de decisão são de difícil entendimento, pois exigem conhecimento analítico e estatístico, tanto para ler como para interpretar.
II. ( ) Os problemas analisados são mais fáceis de compreender, visto que não exigem conhecimento analítico e estatístico para ler ou interpretar.
III. ( ) As árvores de decisão são rápidas em identificar as variáveis mais significativas e a relação entre duas ou mais variáveis.
IV. ( ) A exploração dos dados se torna mais útil, visto que esse benefício possibilita a criação de novas variáveis e/ou características com melhores condições para predizer a variável-alvo.
Agora, assinale a alternativa que apresenta a sequência correta:
V, F, F, V.
V, V, F, F.
F, V, V, V.
V, F, V, F.
V, V, F, V.
Parte inferior do formulário
9. 
Parte superior do formulário
Pergunta 9
0,5 Pontos
Uma rede CNN pode ter diversos estágios empilhados após a camada de entrada e, depois da camada de estágio final, são adicionas uma ou mais camadas complementares, de modo que elas fiquem conectadas entre si.
Considerando essas informações e o conteúdo estudadosobre redes CNN, pode-se afirmar, em relação à camada de amostragem de uma rede CNN, que:
a camada opera de uma maneira muito parecida com os features de entrada; reduz a vizinhança pegando o valor máximo e, ao realizar esse procedimento, por vezes reduz as variações da representação do feature.
os neurônios possuem pesos que se associam a cada vetor de entrada; em CNNs, a camada full connected, que é chamada também de FC, é posicionada após múltiplas camadas convolutivas, pois a FC redimensiona os dados que provêm das camadas anteriores, produzindo uma combinação linear dos vetores.
aumenta a vizinhança pegando o valor mínimo e, ao realizar esse procedimento, aumenta a representação da amostra.
cada neurônio não está ligado a todas as entradas da rede; como um subconjunto local, uma rede convolutiva dedica vários neurônios para possibilitar o mapeamento de todas as entradas.
é a camada que faz a ligação da última camada de neurônio com a saída da classificação.
Parte inferior do formulário
10. 
Parte superior do formulário
Pergunta 10
0,5 Pontos
Leia o excerto a seguir:
“A variável contínua é aquela que permite um conjunto ordenado de valores dentro de determinada amplitude. Ela possibilita, consequentemente, medidas: notas escalares, idades, graus de calor e altura. Variável categórica é a que assume valores descontínuos; pertence ao tipo de medida denominada ‘nominal’.”
Fonte: GRESSLER, L. A. Introdução à pesquisa: pesquisa e relatórios. 2. ed. São Paulo, 2004. p. 120. (Adaptado).
Considerando essas informações e o conteúdo estudado na unidade, pode-se afirmar que as variáveis categóricas e contínuas estão relacionadas ao conceito de:
árvores de decisão.
inteligência artificial.
aprendizagem bayesiana.
Greedily Layer-Wise Training.