Prova 1_ Avanços em Inteligência Artificial e Aprendizado de Máquina

Prévia do material em texto

Prova 1: Avanços em Inteligência Artificial e Aprendizado de Máquina
Introdução:
Esta prova aborda os avanços recentes em técnicas de inteligência artificial, com foco no 
aprendizado supervisionado e não supervisionado, redes neurais profundas, e suas 
aplicações em diversas áreas.
Questão 1
Qual das opções abaixo descreve o conceito de aprendizado supervisionado?
a) O modelo aprende a partir de dados não rotulados, buscando padrões de agrupamento.
b) O modelo aprende a partir de exemplos rotulados, tentando prever a saída para novos 
dados.
c) O modelo não requer dados de treinamento, sendo baseado em regras.
d) O modelo utiliza dados rotulados, mas sem a necessidade de validação.
e) O modelo é treinado apenas com dados sintéticos, sem exemplos reais.
Questão 2
Em redes neurais profundas (DNNs), o que é a função de ativação?
a) Uma função matemática que calcula a precisão do modelo.
b) Uma função que determina se o neurônio será ativado com base nos dados de entrada.
c) Uma função que regula a quantidade de dados processados pela rede.
d) Uma técnica para ajustar os pesos da rede neural.
e) Uma camada extra de processamento para melhorar a velocidade de treinamento.
Questão 3
Qual é a principal vantagem de usar máquinas de vetores de suporte (SVM) em problemas 
de classificação?
a) Elas são rápidas e eficazes em problemas com dados não rotulados.
b) Elas conseguem encontrar a melhor linha de separação entre as classes em um espaço 
de alta dimensão.
c) Elas são mais precisas do que outros algoritmos, como regressão linear.
d) Elas não requerem dados de entrada para treinar o modelo.
e) Elas são mais rápidas que as redes neurais profundas em grandes conjuntos de dados.
Questão 4
Qual é o principal objetivo de regularização em aprendizado de máquina?
a) Aumentar a complexidade do modelo para melhorar a precisão.
b) Prevenir o overfitting, ajudando o modelo a generalizar melhor.
c) Melhorar a velocidade de treinamento do modelo.
d) Remover a necessidade de validação do modelo.
e) Simplificar os dados de entrada para facilitar o treinamento.
Questão 5
Qual técnica é usada para reduzir a dimensionalidade de grandes conjuntos de dados, 
preservando as características mais importantes?
a) Regressão linear.
b) Máquinas de vetores de suporte.
c) Análise de componentes principais (PCA).
d) K-means.
e) Redes neurais recorrentes.
Questão 6
No contexto de redes neurais, o que são camadas de pooling?
a) Camadas que ajudam a reduzir a resolução de imagens, mantendo as informações 
essenciais.
b) Camadas que aplicam funções de ativação para melhorar o treinamento.
c) Camadas que aumentam a complexidade da rede para melhor desempenho.
d) Camadas que calculam a saída do modelo com base em entradas sequenciais.
e) Camadas que realizam a normalização dos dados de entrada.
Questão 7
Qual das alternativas é uma aplicação comum das redes neurais convolucionais (CNN)?
a) Previsão de séries temporais em análise financeira.
b) Análise de texto em sistemas de processamento de linguagem natural.
c) Classificação e reconhecimento de objetos em imagens.
d) Análise de sentimentos em redes sociais.
e) Previsão de demanda de produtos em e-commerce.
Questão 8
O que caracteriza o conceito de overfitting em aprendizado de máquina?
a) Quando o modelo é incapaz de fazer previsões precisas com dados de treinamento.
b) Quando o modelo é ajustado excessivamente aos dados de treinamento, perdendo a 
capacidade de generalizar.
c) Quando o modelo é treinado rapidamente, mas com baixa precisão.
d) Quando o modelo faz previsões perfeitas para dados novos.
e) Quando o modelo consegue processar rapidamente grandes volumes de dados.
Questão 9
Qual é o principal uso de redes neurais recorrentes (RNNs)?
a) Análise de imagens estáticas e classificação.
b) Previsão de valores contínuos a partir de dados tabulares.
c) Processamento de dados sequenciais, como texto ou séries temporais.
d) Agrupamento de dados em clusters.
e) Análise de sentimentos em dados de texto.
Questão 10
O que é transfer learning?
a) Um processo de treinamento onde o modelo aprende diretamente dos dados de entrada 
sem ajustes.
b) A técnica de reutilizar um modelo treinado em uma tarefa para uma tarefa diferente, com 
dados limitados.
c) O processo de ajustar a rede neural para diferentes dados de entrada.
d) A técnica que ajusta automaticamente o número de camadas de uma rede neural.
e) O processo de regularização de redes neurais com poucos dados.
Gabarito e Justificativa
1. b)
○ No aprendizado supervisionado, o modelo aprende a partir de dados 
rotulados para fazer previsões em dados não rotulados.
2. b)
○ A função de ativação decide se um neurônio será ativado ou não, ajudando a
rede a aprender padrões complexos.
3. b)
○ As máquinas de vetores de suporte (SVM) buscam a melhor linha de 
separação entre as classes no espaço de alta dimensão, sendo muito 
eficazes para problemas de classificação.
4. b)
○ A regularização é usada para prevenir o overfitting, garantindo que o modelo 
generalize bem para dados não vistos.
5. c)
○ A análise de componentes principais (PCA) reduz a dimensionalidade dos 
dados, preservando as características mais importantes para análise.
6. a)
○ As camadas de pooling são usadas para reduzir a resolução das imagens, 
mantendo as características mais relevantes para a rede.
7. c)
○ As redes neurais convolucionais (CNN) são usadas principalmente para 
classificar e reconhecer objetos em imagens.
8. b)
○ O overfitting ocorre quando o modelo se ajusta excessivamente aos dados 
de treinamento e perde a capacidade de generalizar para dados novos.
9. c)
○ As redes neurais recorrentes (RNNs) são projetadas para lidar com dados 
sequenciais, como texto ou séries temporais.
10. b)
● Transfer learning envolve o uso de um modelo previamente treinado em uma tarefa 
para aplicar em uma nova tarefa, aproveitando o conhecimento adquirido.