Redes Neurais e Inteligência Artificial

Prévia do material em texto

<p>Resolução de questão: Fazer pesquisa e observar material de aula: valendo 2,0</p><p>pontos. Pode fazer em dupla ou individual. Responda e justifique a resposta em</p><p>relação aos julgamentos dos itens.</p><p>1. A respeito de redes neurais artificiais, redes neurais convolucionais e</p><p>processamento de linguagem natural, julgue o item a seguir.</p><p>As redes neurais artificiais são um subconjunto de machine learning, estão no cerne</p><p>dos algoritmos de deep learning e são compostas por camadas de um nó, contendo</p><p>uma camada de entrada, uma ou mais camadas ocultas e uma camada de saída.</p><p>2. A respeito de redes neurais artificiais, redes neurais convolucionais e</p><p>processamento de linguagem natural, julgue o item a seguir.</p><p>As redes neurais convolucionais distinguem-se das demais redes neurais por seu</p><p>desempenho superior, tendo suas entradas três tipos principais de camadas:</p><p>convolucional, de agrupamento e totalmente conectada.</p><p>3. No que se refere a deep learning e mineração de dados, julgue o item</p><p>subsecutivo.</p><p>As redes neurais de deep learning, ou redes neurais artificiais, tentam imitar o</p><p>cérebro humano por meio de uma combinação de entradas de dados, pesos e viés;</p><p>esses elementos trabalham juntos para reconhecer, classificar e descrever com</p><p>precisão os objetos dentro dos dados.</p><p>4. O Sistema Paraná Inteligência Artificial (PIA) é uma iniciativa do Governo do</p><p>Estado do Paraná, no Brasil, que visa promover o uso da inteligência artificial</p><p>para melhorar os serviços públicos, aumentar a eficiência governamental e</p><p>impulsionar o desenvolvimento econômico. O PIA busca aplicar tecnologias de</p><p>IA em diversas áreas, como saúde, segurança pública, educação, gestão</p><p>ambiental e administração pública. Sobre Inteligência Artificial é correto afirmar</p><p>que:</p><p>a) inteligência artificial (IA) como ferramenta de perguntas e respostas aproveita</p><p>o poder das redes neurais e outras técnicas de aprendizado de máquina para</p><p>criar sistemas capazes de compreender e responder a perguntas de maneira</p><p>semelhante aos seres humanos.</p><p>b) redes neurais são como o cérebro humano pois são inspiradas na estrutura do</p><p>cérebro humano, podem aprender tudo sozinhas e sempre produzem resultados</p><p>precisos.</p><p>c) chatbots podem resolver qualquer tipo de problema e lidar com solicitações</p><p>complexas, mesmo situações fora de seu escopo de treinamento e substituirão</p><p>completamente o atendimento humano.</p><p>d) a inteligência artificial pode desempenhar um papel importante na automação</p><p>do envio de mensagens via e-mail, porém apenas grandes empresas podem se</p><p>beneficiar da IA no envio de e-mails pois automatizar tudo é sempre a melhor</p><p>opção.</p><p>e) O SINESP Cidadão faz uso direto e exclusivo de inteligência artificial (IA) em seu</p><p>funcionamento básico, sendo uma plataforma que fornece informações sobre</p><p>veículos e ocorrências policiais, e suas consultas são realizadas com base em</p><p>dados registrados pelos órgãos de segurança pública.</p><p>5. Assinale a alternativa correspondente a tecnologias avançadas aprofundadas de</p><p>maneira independente como um tipo de mecanismo artificial sendo utilizado</p><p>para aprimoramento de práticas organizacionais por meio da análise de dados.</p><p>a) Alavancagem assistida.</p><p>b) Downsizing.</p><p>c) Deep Learning.</p><p>d) Matriz de computação.</p><p>e) Sistema de verticalização artificial.</p><p>6. A respeito de redes neurais artificiais, redes neurais convolucionais e</p><p>processamento de linguagem natural, julgue o item a seguir.</p><p>Umas das principais diferenças entre o backpropagation e o SGD (stochastic gradient</p><p>descent) é a forma como os pesos são atualizados, visto que o SGD utiliza o gradiente</p><p>calculado para todos os dados de treinamento, ao passo que o backpropagation usa o</p><p>gradiente calculado apenas para um mini-batch de dados de treinamento.</p><p>7. No que se refere a deep learning e mineração de dados, julgue o item</p><p>subsecutivo.</p><p>As redes neurais de deep learning, ou redes neurais artificiais, tentam imitar o cérebro</p><p>humano por meio de uma combinação de entradas de dados, pesos e viés; esses</p><p>elementos trabalham juntos para reconhecer, classificar e descrever com precisão os</p><p>objetos dentro dos dados.</p><p>8. Assinale a opção que indica uma técnica que não é considerada como de</p><p>aprendizagem profunda.</p><p>a) difusão estável</p><p>b) redes neurais convolucionais</p><p>c) máquina de vetores de suporte</p><p>d) memória longa de curto prazo</p><p>e) transformers</p><p>9. O modelo transformer tem revolucionado a área de inteligência artificial (IA),</p><p>permitindo uma mudança de paradigma em como a IA pode ser utilizada pela</p><p>humanidade. Recentemente, a comunidade científica considerou o modelo</p><p>transformer, seja para textos ou imagens, como um modelo de fundação</p><p>(foundation model). Em relação ao modelo em questão, assinale a opção correta.</p><p>a) Modelos transformers não são capazes de realizar reconhecimento de entidades</p><p>nomeadas em textos.</p><p>b) Modelos transformers não são capazes de realizar a tarefa de resposta a</p><p>perguntas feitas por texto.</p><p>c) O modelo transformer consiste em uma rede neural residual.</p><p>d) A principal característica do modelo transformer é a ausência da camada de</p><p>atenção.</p><p>e) No processamento de linguagem natural, modelos transformers são utilizados</p><p>para realizar tarefas tipo sequence-to-sequence (seq2seq) em textos.</p><p>10. As redes neurais artificiais (RNA) são técnicas computacionais que, a partir de</p><p>um modelo matemático inspirado na estrutura neural de seres inteligentes,</p><p>adquirem conhecimento por meio da experiência. Em relação às RNA, assinale a</p><p>opção correta.</p><p>a) No processo de aprendizado das RNA, pode ser utilizado o paradigma de</p><p>aprendizado por reforço.</p><p>b) O algoritmo de backpropagation é empregado nas RNA no processo de redução</p><p>do espaço de variáveis de saída.</p><p>c) O modelo proposto por McCullock e Pitts na primeira metade do século XX não</p><p>faz uso de uma função de ativação.</p><p>d) As RNA não possuem camada de saída.</p><p>e) Minsky e Papert analisaram matematicamente o perceptron e demostraram</p><p>que redes de uma camada são capazes de solucionar problemas que não sejam</p><p>linearmente separáveis.</p><p>11. Julgue o próximo item, relativos a redes neurais artificiais (RNA).</p><p>As funções de ativação são elementos importantes nas redes neurais artificiais; essas</p><p>funções introduzem componente não linear nas redes neurais, fazendo que elas</p><p>possam aprender mais do que relações lineares entre as variáveis dependentes e</p><p>independentes, tornando-as capazes de modelar também relações não lineares.</p><p>12. No processo de otimização de redes neurais artificiais, diferentes métodos e</p><p>técnicas são utilizados para determinar os melhores parâmetros do aprendizado.</p><p>Para reduzir o overfitting, uma das técnicas amplamente utilizadas é a</p><p>regularização, que apresenta como características:</p><p>a) adição de um termo que maximiza a função de custo e menor generalização.</p><p>b) redução dos pesos e maior resistência a ruídos no treinamento.</p><p>c) aumento dos pesos e maior generalização por redução dos vieses.</p><p>d) redução dos pesos e menor generalização no aprendizado.</p><p>13. A respeito de redes neurais artificiais, redes neurais convolucionais e</p><p>processamento de linguagem natural, julgue o item a seguir.</p><p>Para permitir que computadores processem a linguagem humana na forma de dados</p><p>de texto, ou de voz, entendendo seu significado integral, o processamento de</p><p>linguagem natural combina linguística computacional, modelagem com base em regras</p><p>da linguagem humana, com modelos estatísticos, de machine learning e de deep</p><p>learning.</p><p>14. As redes neurais artificiais (Artificial Neural Networks - ANN) constituem um</p><p>grupo de algoritmos inspirados nas funções dos neurônios no cérebro humano.</p><p>Diversas arquiteturas de redes neurais são utilizadas para diferentes problemas,</p><p>conforme suas funcionalidades. Existe uma arquitetura</p><p>de rede neural</p><p>específica, especialmente apropriada ao reconhecimento de padrões de imagens</p><p>e vídeos, por possuir as seguintes propriedades:</p><p>As informações fluem apenas em uma direção;</p><p>As informações são propagadas em diferentes camadas neurais que filtram</p><p>características (isto é, as features);</p><p>As informações são propagadas em diferentes camadas que reduzem sua</p><p>dimensionalidade.</p><p>Das opções a seguir, as redes que mais aderem às propriedades listadas acima são as</p><p>redes</p><p>a) de alimentação direta (feedforward).</p><p>b) recorrentes.</p><p>c) convolucionais.</p><p>d) generativas adversárias (GANs).</p><p>e) de Hopfield.</p><p>15. Com relação a sistemas computacionais aplicados às ciências da vida, julgue o</p><p>item seguinte.</p><p>Redes neurais artificiais foram inicialmente inspiradas no potencial de ação de</p><p>células nervosas, que são ativadas a partir dos estímulos que chegam aos</p><p>dendritos (entradas) e são influenciados pela força das conexões (sinapses),</p><p>antes de serem processados por essas células, gerando estímulos nas saídas</p><p>(axônios).</p><p>16. Julgue o próximo item, relativos a redes neurais artificiais (RNA).</p><p>Uma rede neural convolucional é composta por camadas convolucionais,</p><p>unidades de processamento não linear e camadas de subamostragem (pooling);</p><p>ela possui como característica a habilidade em explorar correlações temporais</p><p>e espaciais nos dados.</p><p>17. Redes neurais artificiais são elementos fundamentais para o uso de técnicas de</p><p>aprendizado de máquina. São constituídas por camadas de unidades de</p><p>processamento, chamadas de neurônios.</p><p>Relacione os tipos de redes neurais listadas as seguir, às suas principais características.</p><p>1. Redes de Propagação Direta (feedforward).</p><p>2. Redes Neurais Recorrentes.</p><p>3. Redes de Funções de Base Radial.</p><p>4. Redes Auto-Organizáveis de Kohonen.</p><p>( ) Rede que possui realimentação, de forma que as saídas são direcionadas para as</p><p>entradas, formando-se um loop.</p><p>( ) Rede em que os sinais fluem apenas em uma direção, da entrada para a saída, exceto</p><p>quando em treinamento.</p><p>( ) Rede que é treinada com aprendizado não supervisionado, criando clusters dos dados</p><p>de entrada.</p><p>( ) Rede usada para aproximar funções contínuas a partir de combinações lineares de</p><p>Gaussianas.</p><p>Assinale a opção que indica a relação correta na ordem apresentada.</p><p>a) 2 – 1 – 3 – 4.</p><p>b) 3 – 1 – 4 – 2.</p><p>c) 1 – 2 – 3 – 4.</p><p>d) 2 – 1 – 4 – 3.</p><p>e) 1 – 2 – 4 – 3.</p><p>18. Julgue o próximo item, relativos a redes neurais artificiais (RNA).</p><p>Em RNA formada unicamente de perceptron, uma pequena alteração nos pesos de</p><p>um único perceptron na rede pode ocasionar grandes mudanças na saída desse</p><p>perceptron; mesmo com a inserção das funções de ativação, não é possível controlar</p><p>o nível da mudança, por isso, essas redes são voltadas para a resolução de problemas</p><p>específicos, tais como regressão e previsão de séries temporais.</p><p>19. Analise as afirmativas a seguir referentes à Mineração de Dados.</p><p>i. Cada método de mineração de dados requer diferentes necessidades de</p><p>préprocessamento. Tais necessidades variam em função do aspecto extensional</p><p>da base de dados em que o método será utilizado.</p><p>ii. Os métodos de Knowledge Discovery in Databases (KDD), sendo os métodos de</p><p>Mineração de Dados um caso particular, podem ser considerados operadores</p><p>definidos a partir de pré-condições e efeitos.</p><p>iii. Diversos modelos de Redes Neurais Artificiais podem ser utilizados na</p><p>implementação de métodos de Mineração de Dados.</p><p>a) Apenas as afirmativas I e II estão corretas.</p><p>b) Apenas as afirmativas I e III estão corretas.</p><p>c) Apenas as afirmativas II e III estão corretas.</p><p>d) Todas as afirmativas estão corretas.</p><p>20. Durante uma pesquisa, foi necessário realizar a contagem de edifícios em uma</p><p>determinada região. Para atingir este objetivo, decidiu-se empregar técnicas de classificação</p><p>de imagens.</p><p>Considerando as características dessas técnicas, analise as afirmativas a seguir.</p><p>I. Classificadores supervisionados necessitam de um conjunto de treinamento</p><p>previamente classificado, enquanto classificadores não supervisionados podem</p><p>ser aplicados diretamente ao conjunto de imagens.</p><p>II. Redes neurais artificiais que utilizam técnicas como deep learning são</p><p>classificadores não supervisionados, tendo em vista sua capacidade de aprender</p><p>sozinhas.</p><p>III. Independentemente do tipo de classificação, é necessário dividir o conjunto de</p><p>treinamento em pelo menos dois, um para treinar o classificador e outro para</p><p>testá-lo.</p><p>a) I, apenas.</p><p>b) II, apenas.</p><p>c) III, apenas.</p><p>d) I e III, apenas.</p><p>e) II e III, apenas.</p><p>Resumo de redes Neurais Artificiais (RNA) :</p><p>Minsky e Papert analisaram matematicamente o perceptron e demostraram que redes</p><p>de uma camada são capazes de solucionar problemas que não sejam linearmente</p><p>separáveis.</p><p>Uma RNA é um sistema inspirado no funcionamento do cérebro humano e é composta</p><p>por unidades de processamento chamadas neurônios ou, em termos de redes neurais,</p><p>perceptrons.</p><p>Cada perceptron é um classificador binário simples que toma uma decisão com base na</p><p>soma ponderada de suas entradas.</p><p>Quando falamos em "pesos" em uma rede neural, estamos nos referindo aos valores que</p><p>multiplicam as entradas antes de serem somados e, após isso, passam por uma função</p><p>de ativação. Uma mudança nos pesos pode, de fato, alterar o resultado da saída do</p><p>perceptron. No entanto, a afirmação de que "não é possível controlar o nível da</p><p>mudança" é incorreta.</p><p>A função de ativação em uma RNA tem exatamente o propósito de ajudar a controlar e</p><p>normalizar a saída do perceptron. Por exemplo, uma função de ativação comum é a</p><p>função sigmóide, que comprime a saída para um intervalo entre 0 e 1.</p><p>Isso ajuda a lidar com variações nos pesos sem que haja alterações bruscas na saída</p><p>geral do perceptron.</p><p>Além disso, a afirmação de que as redes formadas unicamente por perceptrons são</p><p>"voltadas para a resolução de problemas específicos, tais como regressão e previsão de</p><p>séries temporais" não é precisa.</p><p>Na verdade, o perceptron simples tem limitações significativas e não é capaz de resolver</p><p>problemas que não sejam linearmente separáveis, o que exclui uma grande variedade de</p><p>tarefas complexas como, por exemplo, a previsão de séries temporais que pode requerer</p><p>modelos mais sofisticados de redes neurais, como as redes recorrentes (RNNs).</p><p>As redes neurais artificiais (RNA) são modelos computacionais inspirados no</p><p>funcionamento do cérebro humano.</p><p>Elas são amplamente utilizadas em tarefas que envolvem reconhecimento de padrões,</p><p>classificação, regressão e outras aplicações que exigem aprendizado de dados. Um dos</p><p>componentes essenciais das redes neurais é a função de ativação. A questão aborda</p><p>precisamente a importância dessas funções. Vamos detalhar:</p><p>Funções de Ativação:</p><p>1. Componente Não Linear: A principal função de ativação é introduzir a</p><p>não linearidade no modelo. Sem a não linearidade, a rede neural seria apenas</p><p>uma combinação linear de suas entradas, limitando sua capacidade de resolver</p><p>problemas complexos.</p><p>2. Capacidade de Aprender Relações Não Lineares: As funções de ativação</p><p>permitem que a rede aprenda relações mais complexas entre as variáveis</p><p>dependentes e independentes, modelando tanto relações lineares quanto não</p><p>lineares. É essa característica que habilita as redes neurais a resolver uma ampla</p><p>gama de problemas.</p><p>As redes neurais artificiais são de fato um subconjunto do machine learning. Elas foram</p><p>inspiradas pelo funcionamento do cérebro humano e são compostas por várias camadas</p><p>de neurônios artificiais, que imitam os neurônios biológicos. Isso significa que elas</p><p>possuem uma camada de entrada, uma ou mais camadas ocultas e uma camada de</p><p>saída.</p><p>Camadas de uma RNA: Estruturadas em</p><p>camadas de entrada (dados brutos), camadas</p><p>ocultas (processamento) e camada de saída (resultados).</p><p>No machine learning, as redes neurais artificiais atuam como um tipo específico de</p><p>algoritmo que pode aprender e fazer previsões ou classificações com base em dados.</p><p>Elas são fundamentais para o deep learning, que é uma sub-área do machine learning</p><p>que utiliza essas redes neurais profundas, ou seja, com múltiplas camadas ocultas.</p><p>As redes neurais convolucionais (CNNs) são realmente conhecidas por seu desempenho</p><p>superior em várias tarefas, especialmente em processamento de imagens. Vamos</p><p>entender melhor por que isso acontece e como elas se diferenciam de outras redes</p><p>neurais.</p><p>Essas redes possuem três tipos principais de camadas:</p><p>1. Camada Convolucional (Convolutional Layer): Esta camada aplica filtros (ou</p><p>kernels) à entrada para extrair características relevantes como bordas, texturas</p><p>e padrões. Isso é feito por meio de operações matemáticas chamadas</p><p>convoluções. Essa camada é responsável por captar as informações locais da</p><p>entrada.</p><p>2. Camada de Agrupamento (Pooling Layer): Também conhecida como camada de</p><p>subamostragem ou downsampling, essa camada reduz a dimensionalidade das</p><p>representações, mantendo as características mais importantes. Isso ajuda a</p><p>diminuir a complexidade computacional e a evitar overfitting.</p><p>3. Camada Totalmente Conectada (Fully Connected Layer): Esta camada é similar</p><p>às encontradas em redes neurais tradicionais, onde cada neurônio está</p><p>conectado a todos os neurônios da camada anterior. A função principal dessa</p><p>camada é combinar as características extraídas pelas camadas anteriores e</p><p>tomar decisões de classificação ou regressão.</p><p>O aprendizado por reforço é uma das formas de treinar redes neurais, especialmente em</p><p>problemas onde as ações devem ser tomadas em sequência e são avaliadas por meio de</p><p>recompensas ou punições. Este paradigma é amplamente utilizado em áreas como jogos</p><p>e controle robótico.</p><p>O algoritmo de backpropagation é utilizado no processo de ajuste dos pesos das</p><p>conexões entre os neurônios para minimizar o erro de predição.</p><p>A regularização é um método utilizado para melhorar a generalização do modelo, ou</p><p>seja, sua capacidade de performar bem em dados não vistos durante o treinamento. Isso</p><p>é crucial para evitar o overfitting, que ocorre quando o modelo aprende os detalhes e</p><p>ruídos do conjunto de treinamento, mas falha em generalizar para novos dados.</p><p>regularização adiciona um termo que minimiza a função de custo, penalizando pesos</p><p>elevados. Isso resulta em maior generalização, não menor. Por isso o foco é reduzir peso.</p><p>Processamento de Linguagem Natural (PLN) é uma área da Inteligência Artificial que</p><p>visa permitir que computadores compreendam, interpretem e produzam linguagem</p><p>humana de maneira significativa. Para isso, o PLN combina várias técnicas e</p><p>conhecimentos de diferentes áreas:</p><p>1. Linguística Computacional: É o campo que aplica conceitos da</p><p>linguística à informática, ajudando na análise e compreensão da estrutura da</p><p>linguagem.</p><p>2. Modelagem com base em regras: Consiste em usar regras gramaticais e</p><p>sintáticas da linguagem humana para criar sistemas que consigam processar o</p><p>texto de maneira que seja compreensível para máquinas.</p><p>3. Modelos Estatísticos: Utilizam dados históricos para prever o</p><p>comportamento e a estrutura da linguagem. Isso é fundamental para identificar</p><p>padrões e inferir significado.</p><p>4. Machine Learning: Envolve algoritmos que permitem que sistemas</p><p>aprendam a partir dos dados, melhorando seu desempenho em tarefas de PLN</p><p>conforme recebem mais exemplos.</p><p>5. Deep Learning: É uma subcategoria do machine learning que utiliza</p><p>redes neurais profundas para modelar e entender dados de linguagem de</p><p>maneira mais complexa e eficaz.</p><p>Backpropagation é um algoritmo utilizado para ajustar os pesos das conexões em uma</p><p>rede neural. Ele calcula o gradiente do erro em relação a cada peso, utilizando a regra da</p><p>cadeia, de trás para frente na rede. O objetivo é minimizar a função de erro, ajustando os</p><p>pesos com base nos erros cometidos pela rede.</p><p>Por outro lado, o Stochastic Gradient Descent (SGD) é um método de otimização que</p><p>também visa ajustar os pesos para minimizar a função de erro. No SGD, ao invés de</p><p>calcular o gradiente usando todo o conjunto de dados de treinamento de uma vez (como</p><p>no Gradient Descent tradicional), o gradiente é calculado e os pesos são atualizados para</p><p>cada amostra individual ou para pequenos subconjuntos de dados chamados de</p><p>minibatches.</p><p>A questão afirma que o SGD utiliza o gradiente calculado para todos os dados de</p><p>treinamento, enquanto o backpropagation usa o gradiente calculado apenas para um</p><p>mini-batch de dados de treinamento. Isso está incorreto por duas razões principais:</p><p>1. SGD não utiliza todos os dados de treinamento de uma só vez. Na verdade, essa é a</p><p>característica do Batch Gradient Descent, não do SGD. O SGD atualiza os pesos usando</p><p>gradientes calculados a partir de amostras individuais ou mini-batches.</p><p>2. Backpropagation não está restrito a usar gradientes calculados a partir de</p><p>minibatches. Ele pode ser utilizado tanto com SGD quanto com Batch Gradient Descent.</p><p>Backpropagation é simplesmente o método para calcular os gradientes,</p><p>independentemente de serem utilizados todos os dados de treinamento, amostras</p><p>individuais ou mini-batches.</p><p>Uma Rede Neural Convolucional é composta por várias camadas, incluindo:</p><p>• Camadas convolucionais</p><p>• Unidades de processamento não linear (como a função ReLU)</p><p>• Camadas de subamostragem (pooling)</p><p>Essas camadas trabalham juntas para extrair e hierarquizar características dos dados de</p><p>entrada, permitindo que a rede capture correlações temporais e espaciais nos dados. Por</p><p>exemplo, em imagens, essas correlações podem incluir bordas, texturas e formas em</p><p>diferentes níveis de abstração.</p><p>Redes Neurais Recorrentes (RNNs) : As RNNs possuem realimentação, ou seja, suas saídas</p><p>podem ser direcionadas de volta para as entradas, formando um loop. Isso permite que</p><p>elas processem sequências de dados e memorizem informações anteriores.</p><p>Correspondência: Rede que possui realimentação, de forma que as saídas são</p><p>direcionadas para as entradas, formando-se um loop.</p><p>Redes de Propagação Direta (Feedforward) : Nestas redes, os sinais fluem apenas em</p><p>uma direção, da entrada para a saída, exceto durante o treinamento. Elas são as redes</p><p>neurais mais simples e comuns.</p><p>Correspondência: Rede em que os sinais fluem apenas em uma direção, da entrada para</p><p>a saída, exceto quando em treinamento.</p><p>Redes Auto-Organizáveis de Kohonen : Essas redes são treinadas por aprendizado não</p><p>supervisionado e são utilizadas para criar clusters dos dados de entrada. Elas se</p><p>autoorganizam para encontrar padrões no conjunto de dados.</p><p>Redes de Funções de Base Radial (RBF) : Usadas para aproximar funções contínuas a</p><p>partir de combinações lineares de funções Gaussianas. São especialmente úteis para</p><p>problemas de regressão e classificação.</p><p>Correspondência: Rede usada para aproximar funções contínuas a partir de combinações</p><p>lineares de Gaussianas.</p>