Prova 1_ Avançado em Aprendizado de Máquina e Inteligência Artificial

Prévia do material em texto

Prova 1: Avançado em Aprendizado de Máquina e Inteligência Artificial
Introdução:
Esta prova explora temas mais avançados dentro de aprendizado de máquina, com ênfase 
em técnicas, ferramentas, otimização de modelos e a aplicação prática de inteligência 
artificial.
Questão 1
O que caracteriza o aprendizado por reforço?
a) Um modelo de aprendizado que utiliza dados rotulados para realizar previsões precisas.
b) Um tipo de aprendizado que envolve um agente interagindo com o ambiente para 
maximizar uma recompensa através de tentativas e erros.
c) Um método de aprendizado onde o modelo aprende de forma supervisionada com 
feedback direto.
d) Um modelo que aprende a partir de grandes volumes de dados não rotulados.
e) Uma técnica que reduz a complexidade dos dados através de clustering.
Questão 2
Qual é a principal diferença entre classificação e regressão em aprendizado 
supervisionado?
a) A classificação prevê valores contínuos, enquanto a regressão prevê categorias.
b) A classificação trata de categorizar dados, enquanto a regressão trata de prever valores 
contínuos.
c) A classificação é usada apenas para dados não rotulados, enquanto a regressão é para 
dados rotulados.
d) A classificação usa algoritmos baseados em árvores, enquanto a regressão usa redes 
neurais.
e) A regressão usa somente dados sequenciais, enquanto a classificação usa dados não 
sequenciais.
Questão 3
O que significa gradiente descendente em aprendizado de máquina?
a) Um algoritmo usado para maximizar a função de perda e melhorar o modelo.
b) Um método de otimização utilizado para minimizar a função de perda ajustando os 
parâmetros do modelo.
c) Uma técnica de regularização utilizada para prevenir overfitting.
d) Um algoritmo usado para identificar padrões e clusters em grandes conjuntos de dados.
e) Um processo de predição de classes para novos dados com base em aprendizado 
supervisionado.
Questão 4
O que é um autoencoder em redes neurais?
a) Uma rede neural que classifica dados em diferentes categorias.
b) Uma rede neural usada para reduzir a dimensionalidade e aprender uma representação 
compacta dos dados.
c) Um algoritmo de clustering usado para agrupar dados em categorias.
d) Uma técnica de regularização usada para reduzir a complexidade do modelo.
e) Uma rede neural de aprendizado supervisionado para prever valores contínuos.
Questão 5
Qual é a principal vantagem do uso de máquinas de vetores de suporte (SVM)?
a) Elas são muito eficientes para tarefas de classificação em dados de alta 
dimensionalidade.
b) Elas são utilizadas exclusivamente em aprendizado não supervisionado.
c) Elas são mais rápidas do que redes neurais em grandes volumes de dados.
d) Elas são eficazes apenas para dados sequenciais.
e) Elas não requerem pré-processamento de dados.
Questão 6
O que caracteriza uma rede neural profunda (DNN)?
a) Uma rede neural com muitas camadas ocultas que pode aprender representações mais 
complexas de dados.
b) Uma rede neural simples com uma única camada oculta para tarefas de classificação 
básica.
c) Uma rede neural que utiliza apenas uma camada de entrada e saída.
d) Uma rede que se concentra em aprendizado supervisionado com pequenas quantidades 
de dados.
e) Uma rede baseada em árvores de decisão.
Questão 7
O que é o problema do desvanecimento do gradiente em redes neurais?
a) Quando os gradientes se tornam extremamente grandes e causam uma instabilidade no 
treinamento da rede.
b) Quando os gradientes se tornam muito pequenos e dificultam a atualização dos pesos 
durante o treinamento.
c) Quando a rede neural não consegue aprender padrões dos dados de entrada.
d) Quando os dados de treinamento são insuficientes para treinar o modelo 
adequadamente.
e) Quando o modelo tem dificuldades em generalizar para novos dados.
Questão 8
O que é uma função de ativação ReLU (Rectified Linear Unit)?
a) Uma função de ativação linear que faz uma transformação simples nas saídas da rede.
b) Uma função que é usada para reduzir a dimensionalidade do modelo.
c) Uma função não linear que retorna a entrada diretamente se for positiva e 0 se for 
negativa.
d) Uma função que realiza a normalização dos dados de entrada para a rede neural.
e) Uma função de regularização usada para prevenir overfitting.
Questão 9
Qual é o objetivo do aprendizado não supervisionado?
a) Prever resultados contínuos com base em dados rotulados.
b) Agrupar dados em categorias ou descobrir padrões sem o uso de rótulos.
c) Ajustar os parâmetros de uma rede neural utilizando dados rotulados.
d) Otimizar os hiperparâmetros de um modelo.
e) Classificar dados em classes pré-definidas utilizando exemplos rotulados.
Questão 10
O que é o algoritmo de K-vizinhos mais próximos (KNN)?
a) Um algoritmo de classificação que prevê a classe de um ponto com base nos dados de 
treinamento mais próximos.
b) Um algoritmo de otimização utilizado para ajustar os parâmetros do modelo.
c) Uma técnica de regularização que evita o overfitting de modelos complexos.
d) Um algoritmo que reduz a dimensionalidade dos dados para melhorar a precisão do 
modelo.
e) Um método de agrupamento usado para dividir dados em diferentes categorias.
Gabarito e Justificativa
1. b)
○ O aprendizado por reforço envolve um agente interagindo com o ambiente, 
realizando ações e aprendendo com recompensas ou penalidades.
2. b)
○ A classificação é usada para prever categorias, enquanto a regressão é 
usada para prever valores contínuos.
3. b)
○ O gradiente descendente é um método de otimização que ajusta os 
parâmetros do modelo para minimizar a função de perda.
4. b)
○ Um autoencoder é uma rede neural que aprende uma representação 
compacta dos dados, frequentemente usada para redução de 
dimensionalidade.
5. a)
○ O SVM é eficiente em tarefas de classificação, especialmente quando se 
trabalha com dados de alta dimensionalidade.
6. a)
○ Uma rede neural profunda (DNN) tem muitas camadas ocultas e é capaz de 
aprender representações mais complexas dos dados.
7. b)
○ O desvanecimento do gradiente ocorre quando os gradientes se tornam 
muito pequenos, dificultando a atualização dos pesos durante o treinamento.
8. c)
○ A ReLU é uma função não linear amplamente usada em redes neurais, que 
retorna a entrada diretamente se positiva e zero se negativa.
9. b)
○ O aprendizado não supervisionado é focado em agrupar dados ou descobrir 
padrões sem a necessidade de rótulos.
10. a)
● O algoritmo KNN classifica um ponto com base nas classes dos seus vizinhos mais 
próximos nos dados de treinamento.