Prova 1_ Avanços Tecnológicos em Inteligência Artificial e Aprendizado Profundo

Prévia do material em texto

Prova 1: Avanços Tecnológicos em Inteligência Artificial e Aprendizado 
Profundo
Introdução:
Esta prova aborda tópicos avançados de aprendizado de máquina e inteligência artificial, 
com foco em inovações tecnológicas em visão computacional, aprendizado por reforço e 
suas aplicações em diferentes indústrias.
Questão 1
Qual das alternativas a seguir é a principal vantagem de usar redes neurais convolucionais 
(CNNs) para classificação de imagens?
a) Elas requerem menos dados de treinamento do que as redes neurais tradicionais.
b) Elas podem processar dados temporais como áudio e vídeo de maneira mais eficiente.
c) Elas extraem automaticamente características hierárquicas dos dados visuais, como 
bordas e formas.
d) Elas são mais rápidas de treinar do que as redes neurais recorrentes (RNNs).
e) Elas são melhores para análise de dados não estruturados, como texto.
Questão 2
O que caracteriza o aprendizado por reforço no contexto de inteligência artificial?
a) O modelo aprende de forma supervisionada a partir de dados rotulados.
b) O modelo aprende a tomar decisões em um ambiente com base em recompensas e 
punições.
c) O modelo requer dados não rotulados para aprender.
d) O modelo usa uma rede neural para prever dados de entrada.
e) O modelo aplica técnicas de clustering para agrupar dados.
Questão 3
Qual é a principal diferença entre redes neurais profundas e redes neurais tradicionais?
a) Redes neurais profundas têm várias camadas de processamento, enquanto as 
tradicionais têm apenas uma camada.
b) Redes neurais profundas são utilizadas exclusivamente para problemas de regressão, 
enquanto as tradicionais são usadas para classificação.
c) Redes neurais profundas exigem mais dados de treinamento do que as tradicionais.
d) Redes neurais profundas são menos eficazes do que redes tradicionais para tarefas de 
classificação de imagens.
e) Redes neurais tradicionais utilizam menos parâmetros que redes profundas.
Questão 4
Em qual cenário o transfer learning é mais eficaz?
a) Quando temos uma grande quantidade de dados rotulados e podemos treinar um modelo
do zero.
b) Quando o modelo precisa aprender de forma não supervisionada.
c) Quando se deseja adaptar um modelo pré-treinado para uma nova tarefa com um 
conjunto de dados limitado.
d) Quando o modelo será utilizado exclusivamente em séries temporais.
e) Quando o modelo é utilizado para prever valores contínuos.
Questão 5
O que caracteriza o modelo autoencoder em aprendizado profundo?
a) Ele é usado para classificar dados rotulados em várias categorias.
b) Ele é utilizado para gerar novos dados a partir de um conjunto inicial.
c) Ele aprende representações compactas dos dados, geralmente para redução de 
dimensionalidade.
d) Ele utiliza múltiplas camadas de convolução para analisar imagens.
e) Ele aplica técnicas de aprendizado supervisionado para prever resultados.
Questão 6
Quais são as principais características do aprendizado não supervisionado?
a) O modelo aprende com dados rotulados e é utilizado para previsão de valores numéricos.
b) O modelo é treinado com dados não rotulados para encontrar padrões e estruturas 
ocultas.
c) O modelo utiliza técnicas de classificação para aprender com dados de entrada.
d) O modelo requer feedback explícito para aprender e melhorar.
e) O modelo é utilizado apenas para análise de dados tabulares.
Questão 7
Qual é a principal vantagem do uso de redes neurais recorrentes (RNNs) para 
processamento de linguagem natural?
a) Elas são mais rápidas para treinar do que as redes neurais convolucionais.
b) Elas podem modelar dependências temporais em dados sequenciais, como texto e fala.
c) Elas são usadas principalmente em problemas de regressão, em vez de classificação.
d) Elas são adequadas para trabalhar com dados não estruturados em tempo real.
e) Elas não necessitam de dados rotulados para aprender.
Questão 8
O que é a técnica de dropout em redes neurais?
a) A aplicação de uma taxa de aprendizado constante durante o treinamento.
b) A eliminação aleatória de neurônios durante o treinamento para evitar o overfitting.
c) A redução da complexidade do modelo para melhorar a eficiência computacional.
d) A seleção de dados rotulados para melhorar a precisão do modelo.
e) A aplicação de técnicas de regularização para melhorar o desempenho.
Questão 9
Qual é a principal utilidade do algoritmo K-means no contexto de aprendizado de máquina?
a) Realizar tarefas de classificação supervisionada.
b) Encontrar padrões em dados não rotulados através de clustering.
c) Predizer valores contínuos a partir de dados históricos.
d) Melhorar a acurácia de redes neurais profundas.
e) Gerar novos dados a partir de exemplos existentes.
Questão 10
Qual é o principal objetivo do uso de regularização L2 em modelos de aprendizado de 
máquina?
a) Acelerar o treinamento do modelo ao reduzir o número de parâmetros.
b) Melhorar a capacidade do modelo de generalizar para novos dados, prevenindo o 
overfitting.
c) Aumentar a complexidade do modelo para capturar mais informações dos dados.
d) Reduzir o tempo de processamento durante a inferência.
e) Melhorar a capacidade do modelo de trabalhar com dados não rotulados.
Gabarito e Justificativa
1. c)
○ As redes neurais convolucionais (CNNs) são eficazes em extrair 
características hierárquicas das imagens, como bordas e formas, que são 
essenciais para tarefas de classificação de imagens.
2. b)
○ O aprendizado por reforço é caracterizado pela interação do modelo com o 
ambiente, aprendendo por meio de recompensas e punições.
3. a)
○ A principal diferença entre redes neurais profundas e tradicionais é que as 
profundas possuem várias camadas de processamento, o que permite 
aprender representações complexas dos dados.
4. c)
○ O transfer learning é mais eficaz quando se adapta um modelo pré-treinado 
para uma nova tarefa com um conjunto de dados limitado, evitando a 
necessidade de treinar um modelo do zero.
5. c)
○ O autoencoder aprende representações compactas dos dados, sendo 
comumente utilizado para redução de dimensionalidade.
6. b)
○ O aprendizado não supervisionado é caracterizado pelo uso de dados não 
rotulados para encontrar padrões e estruturas ocultas nos dados.
7. b)
○ As redes neurais recorrentes (RNNs) são ideais para modelar dependências 
temporais em dados sequenciais, como texto e fala, sendo amplamente 
usadas no processamento de linguagem natural.
8. b)
○ A técnica de dropout consiste na eliminação aleatória de neurônios durante o
treinamento para evitar que o modelo se ajuste excessivamente aos dados 
de treinamento (overfitting).
9. b)
○ O algoritmo K-means é utilizado para clustering, ou agrupamento de dados 
não rotulados, identificando padrões ou grupos em dados semelhantes.
10. b)
● A regularização L2 ajuda a prevenir o overfitting, melhorando a capacidade do 
modelo de generalizar para dados não vistos ao penalizar grandes valores de pesos.