Prova 1_ Aplicações Avançadas em Aprendizado de Máquina e Aprendizado Profundo

Prévia do material em texto

Prova 1: Aplicações Avançadas em Aprendizado de Máquina e 
Aprendizado Profundo
Introdução:
Esta prova abrange uma gama de aplicações avançadas no campo do aprendizado de 
máquina e aprendizado profundo, com ênfase em áreas como visão computacional, 
aprendizado por reforço, e técnicas emergentes.
Questão 1
Qual é a principal vantagem do uso de redes neurais convolucionais (CNNs) em 
comparação com redes neurais tradicionais?
a) Elas são mais rápidas para treinar e exigem menos dados.
b) Elas são projetadas para trabalhar com dados sequenciais, como séries temporais.
c) Elas são eficazes em extrair características espaciais hierárquicas em imagens, 
tornando-as ideais para visão computacional.
d) Elas não necessitam de dados rotulados.
e) Elas são mais simples e rápidas de implementar.
Questão 2
Qual é o principal desafio do uso de aprendizado por reforço em ambientes dinâmicos?
a) A dificuldade de identificar padrões em grandes volumes de dados não estruturados.
b) A necessidade de dados rotulados para treinamento.
c) O alto custo computacional devido ao treinamento contínuo e à necessidade de explorar 
diferentes ações.
d) A impossibilidade de aprender com interações em tempo real.
e) A dificuldade de otimizar a função de recompensa.
Questão 3
Em um modelo de aprendizado supervisionado, qual é a principal função da função de 
perda?
a) Acelerar o treinamento do modelo.
b) Avaliar a precisão do modelo em dados não vistos.
c) Calcular a diferença entre as previsões do modelo e os valores reais, orientando o 
processo de aprendizado.
d) Regular o desempenho da rede neural.
e) Ajustar os pesos do modelo durante a fase de validação.
Questão 4
O que é transfer learning e como ele melhora o processo de treinamento de um modelo?
a) O processo de transferir dados de entrada entre diferentes modelos.
b) A técnica de treinar um modelo do zero utilizando um conjunto de dados pequeno.
c) A adaptação de um modelo pré-treinado em uma tarefa específica para um novo domínio 
com menos dados.
d) A utilização de múltiplos modelos de aprendizado não supervisionado.
e) A utilização de aprendizado supervisionado em vez de aprendizado não supervisionado.
Questão 5
Qual das seguintes opções representa uma aplicação típica de redes neurais profundas em 
visão computacional?
a) Previsão de séries temporais de mercado financeiro.
b) Classificação de objetos em imagens e vídeos.
c) Análise de dados tabulares em problemas de regressão.
d) Previsão de comportamento de clientes com base em dados de histórico.
e) Segmentação de texto para análise de sentimentos.
Questão 6
O que caracteriza o aprendizado por reforço em relação ao aprendizado supervisionado?
a) O aprendizado por reforço usa dados rotulados para treinar o modelo.
b) O modelo de aprendizado por reforço aprende a partir das interações com um ambiente e
recebe recompensas ou punições.
c) O aprendizado por reforço exige um número fixo de dados para treinamento.
d) O aprendizado por reforço não usa funções de recompensa ou punição.
e) O aprendizado por reforço é exclusivamente aplicado em tarefas de visão computacional.
Questão 7
Em qual das situações a regularização L2 é comumente utilizada?
a) Quando o modelo tem muitos parâmetros e corre o risco de overfitting.
b) Para melhorar o desempenho do modelo em dados não rotulados.
c) Quando o modelo é pequeno e o treinamento é rápido.
d) Quando a tarefa envolve aprendizado não supervisionado.
e) Para aumentar a capacidade de processamento de uma rede neural.
Questão 8
Qual é a função principal de um autoencoder em aprendizado profundo?
a) Reduzir a dimensionalidade dos dados enquanto preserva as características mais 
importantes.
b) Melhorar a acurácia do modelo em tarefas de classificação.
c) Acelerar o treinamento da rede neural.
d) Automatizar a geração de dados sintéticos.
e) Aprender a partir de dados não rotulados para melhorar a precisão de classificação.
Questão 9
Qual é o principal objetivo do uso de redes neurais recorrentes (RNNs) em tarefas de 
processamento de linguagem natural?
a) Prever dados numéricos a partir de grandes volumes de informações tabulares.
b) Processar dados de imagens em tempo real.
c) Modelar dependências temporais em sequências de texto ou áudio, como em traduções 
automáticas.
d) Analisar grandes volumes de dados para encontrar clusters de comportamento.
e) Realizar operações de clustering em dados não rotulados.
Questão 10
Qual é a principal vantagem das máquinas de vetor de suporte (SVM) em problemas de 
classificação de grandes volumes de dados?
a) Elas são mais rápidas do que redes neurais profundas.
b) Elas conseguem encontrar margens de separação ótimas mesmo em espaços de alta 
dimensão.
c) Elas não necessitam de pré-processamento dos dados.
d) Elas são mais eficazes para problemas de clustering.
e) Elas requerem apenas uma pequena quantidade de dados para treinar.
Gabarito e Justificativa
1. c)
○ As redes neurais convolucionais (CNNs) são eficazes na extração de 
características espaciais hierárquicas, o que as torna ideais para tarefas de 
visão computacional como classificação de imagens e reconhecimento de 
padrões.
2. c)
○ O aprendizado por reforço exige que o modelo explore o ambiente e aprenda
com recompensas ou punições, o que pode ser computacionalmente caro e 
desafiador em ambientes dinâmicos.
3. c)
○ A função de perda calcula a diferença entre as previsões do modelo e os 
valores reais, orientando a atualização dos pesos durante o treinamento para
melhorar a precisão do modelo.
4. c)
○ O transfer learning permite adaptar um modelo pré-treinado para uma nova 
tarefa com menos dados, acelerando o processo de treinamento e 
melhorando a performance em tarefas com dados limitados.
5. b)
○ A classificação de objetos em imagens e vídeos é uma aplicação típica de 
redes neurais profundas em visão computacional, permitindo identificar e 
categorizar elementos em dados visuais.
6. b)
○ O aprendizado por reforço aprende a partir das interações com um ambiente,
recebendo recompensas ou punições, enquanto o aprendizado 
supervisionado usa dados rotulados.
7. a)
○ A regularização L2 é usada quando o modelo tem muitos parâmetros e está 
propenso a overfitting, ajudando a regularizar os pesos para evitar que o 
modelo se ajuste excessivamente aos dados de treinamento.
8. a)
○ Os autoencoders são usados para reduzir a dimensionalidade dos dados, 
preservando as características mais relevantes e ajudando a aprender 
representações compactas dos dados.
9. c)
○ As redes neurais recorrentes (RNNs) são ideais para modelar dependências 
temporais em dados sequenciais, como texto ou áudio, sendo amplamente 
usadas em tarefas de processamento de linguagem natural.
10. b)
● As máquinas de vetor de suporte (SVM) são eficazes em encontrar margens de 
separação ótimas, mesmo em espaços de alta dimensão, sendo muito úteis em 
problemas de classificação complexos com grandes volumes de dados.