REDES NEURAIS

Prévia do material em texto

<p>REDES NEURAIS</p><p>1. Analise as afirmativas abaixo e assinale a alternativa correta:</p><p>I - Adaptabilidade é uma das características e vantagem das redes neurais, que é a habilidade de se adaptar às novas informações; v</p><p>II - Não podemos utilizar os perceptrons para conceber algoritmos de aprendizado que podem ajustar automaticamente os pesos e os BIAS em uma rede de neurônios artificiais</p><p>III - A função de ativação ou função sigmóide (não linear) faz pequenas alterações nos valores dos pesos ou dos BIAS de modo a se aproximar do resultado correto ou esperado. v</p><p>Todas as afirmativas estão corretas. errada</p><p>Nenhuma afirmativa está correta.</p><p>Apenas as afirmativas I e III estão corretas.</p><p>Apenas a afirmativa I está correta.</p><p>Apenas as afirmativas I e II estão corretas.</p><p>2. Analise as afirmativas abaixo e assinale a alternativa correta:</p><p>I - As redes neurais são modelos de processamento de informações inspirados em uma estrutura natural como o cérebro humano;</p><p>II - Uma RNA consiste em um determinado número de neurônios artificiais interligados por um grande número de conexões;</p><p>III - As redes neurais não conseguem mapear funções matemáticas.</p><p>Apenas as afirmativas I e III estão corretas.</p><p>3. Analise as afirmativas abaixo e assinale a alternativa correta:</p><p>I - As redes neurais são modelos de processamento de informações inspirados em uma estrutura natural como o cérebro humano;v</p><p>II - Uma RNA consiste em um determinado número de neurônios artificiais desconectados uns dos outros; f</p><p>III - A definição dos pesos em cada neurônio é feita pelo processo de treinamento ou aprendizagem da rede neural.</p><p>Apenas as afirmativas I e III estão corretas.</p><p>4. Assinale a alternativa que melhor define a função de ativação Maxout?</p><p>o neurônio Maxout generaliza a função ReLU e sua versão Leaky ReLyu</p><p>5. Analise as afirmativas abaixo e assinale a alternativa correta:</p><p>I - Uma função sigmóide ou um neurônio sigmóide é dada por uma função matemática.</p><p>II - Podemos utilizar os perceptrons para conceber algoritmos de aprendizado que podem ajustar automaticamente os pesos e os BIAS em uma rede de neurônios artificiais</p><p>III - A função de ativação ou função sigmóide (não linear) faz pequenas alterações nos valores dos pesos ou dos BIAS de modo a se aproximar do resultado correto ou esperado.</p><p>Todas as afirmativas estão corretas.</p><p>6. Assinale a alternativa que melhor define a função de ativação Tanh?</p><p>é próxima de uma função sigmoide, porém suas saídas não tem apenas a variação de número entre 0 e 1, ela possui saídas reais entre -1 e 1.</p><p>7. Assinale a alternativa que melhor define a função de ativação Relu?</p><p>função de unidade linear retificada, que não necessariamente é uma função linear, ou seja, uma variação nos pesos ou BIAS pode ser propagada para neurônios em outras camadas e ativá-los ou não, dependendo da proximidade da saída estiver de zero, ela ativará ou não um determinado neurônio.</p><p>Unidade II</p><p>1. É correto afirmar que o número de neurônios de uma rede é uma métrica para se definir o tamanho de uma rede neural?</p><p>Verdadeiro</p><p>2. Analise as afirmativas abaixo e assinale a alternativa correta:</p><p>I - Uma rede neural de camada única descreve uma rede sem camadas ocultas; v</p><p>II - SVMs são simplesmente um caso especial de redes neurais de camada única; v</p><p>III - Em algumas literaturas as redes neurais podem ser denominadas "Redes neurais artificiais" (ANN) ou "Perceptrons de várias camadas" (MLP).</p><p>Todas as afirmativas estão corretas.</p><p>3. Analise as afirmativas abaixo e assinale a alternativa correta:</p><p>I - Para redes neurais regulares, o tipo de camada mais comum é a camada totalmente conectada;</p><p>II - A disposição dos neurônios em rede neurais não pode ser em camadas;</p><p>III - As redes neurais são modeladas como coleções de neurônios conectados em um gráfico acíclico.</p><p>Apenas as afirmativas I e III estão corretas.</p><p>4. Analise as afirmativas abaixo e assinale a alternativa correta:</p><p>I - Para redes neurais regulares, o tipo de camada mais comum é a camada totalmente conectada;</p><p>II - Os modelos da Rede Neural são frequentemente organizados em camadas distintas de neurônios;</p><p>III - As redes neurais são modeladas como coleções de neurônios conectados em um gráfico acíclico.</p><p>Todas as afirmativas estão corretas.</p><p>Unidade III</p><p>1. Analise as afirmativas abaixo e assinale a alternativa correta:</p><p>I - O processo Backpropagation não pode ser utilizado no processo de aprendizagem em uma rede neural;</p><p>II - A soma dos erros quadrados é um valor importante para se retropropagar o erro para as camadas e neurônios anteriores da rede;</p><p>III - A principal ideia é ajustar os pesos de cada neurônio artificial usando essencialmente o valor esperado para a saída da rede e o erro ou distância da saída da rede para o valor esperado.</p><p>Apenas as afirmativas II e III estão corretas.</p><p>2. Analise as afirmativas abaixo e assinale a alternativa correta:</p><p>I - “Inicializar pesos para os parâmetros que queremos treinar” é um dos passos do algoritmo backpropagation;</p><p>II - “Definir o erro ou função de custo e seus primeiros valores de derivações” é uma etapa da rede neural mas não possui relação com o algoritmo backpropagation;</p><p>III - “Atualizar as estimativas de parâmetro usando a derivada de erro e o valor atual” é um dos passos do algoritmo backpropagation.</p><p>Apenas as afirmativas I e III estão corretas.</p><p>3. Analise as afirmativas abaixo e assinale a alternativa correta:</p><p>I - “Inicializar pesos para os parâmetros que queremos treinar” é um dos passos do algoritmo backpropagation;</p><p>II - “Retropropagar através da rede para determinar os derivados de erro” é um dos passos do algoritmo backpropagation;</p><p>III - “Atualizar as estimativas de parâmetro usando a derivada de erro e o valor atual” é um dos passos do algoritmo backpropagation.</p><p>Todas as afirmativas estão corretas.</p><p>4. Analise as afirmativas abaixo e assinale a alternativa correta:</p><p>I - “Inicializar pesos para os parâmetros que queremos treinar” é uma etapa da rede neural que não tem relação com o algoritmo backpropagation;</p><p>II - “Definir o erro ou função de custo e seus primeiros valores de derivações” é um dos passos do algoritmo backpropagation;</p><p>III - “Atualizar as estimativas de parâmetro usando a derivada de erro e o valor atual” é um dos passos do algoritmo backpropagation.</p><p>Apenas as afirmativas II e III estão corretas.</p><p>Unidade IV</p><p>1. Analise as afirmativas abaixo e assinale a alternativa correta:</p><p>I - As redes de Kohonen tem uma estrutura de feed-forward com uma única camada computacional disposta em linhas e colunas.;</p><p>II - Em uma rede de Kohonen os neurônios não podem ser totalmente conectados;</p><p>III - As redes de Kohonen são um tipo particular de SOM.</p><p>Apenas as afirmativas I e III estão corretas.</p><p>2. É correto afirmar que as redes de Hopefield implementam redes de memória associativa.</p><p>Verdadeiro</p><p>3. Analise as afirmativas abaixo e assinale a alternativa correta:</p><p>I - As redes de Hopfield utilizam o conceito de aprendizagem não supervisionada;</p><p>II - As redes de Hopfield utilizam o conceito de aprendizagem supervisionada;</p><p>III - As redes de Kohonen utilizam o conceito de aprendizagem não supervisionada.</p><p>Apenas as afirmativas II e III estão corretas.</p><p>4. Analise as afirmativas abaixo e assinale a alternativa correta:</p><p>I - Umas das fases do processo de aprendizagem das redes de Kohonen é a competição;</p><p>II - Umas das fases do processo de aprendizagem das redes de Kohonen é a adaptação;</p><p>III - Umas das fases do processo de aprendizagem das redes de Kohonen é a cooperação.</p><p>Todas as afirmativas estão corretas.</p>