Prova 1_ Tendências Emergentes no Aprendizado de Máquina

Prévia do material em texto

Prova 1: Tendências Emergentes no Aprendizado de Máquina
Introdução:
Esta prova explora as tendências mais recentes e as inovações emergentes no campo do 
aprendizado de máquina, como técnicas avançadas e novas áreas de aplicação. Foca em 
métodos modernos e o uso de aprendizado profundo, aprendizado por reforço e redes 
neurais convolucionais.
Questão 1
O que é o conceito de transfer learning no contexto do aprendizado de máquina?
a) O aprendizado transferido de um modelo para outro sem modificações.
b) A utilização de grandes quantidades de dados não rotulados para treinar um modelo.
c) A adaptação de um modelo pré-treinado em uma tarefa e sua aplicação a uma tarefa 
diferente.
d) A transferência de aprendizado entre seres humanos e máquinas.
e) A troca de modelos entre diferentes arquiteturas de redes neurais.
Questão 2
Em que cenário o aprendizado por reforço é mais utilizado?
a) Quando há uma grande quantidade de dados rotulados e a tarefa é de classificação.
b) Quando o modelo precisa aprender a partir de interações com um ambiente dinâmico, 
recebendo recompensas ou punições.
c) Quando o modelo lida apenas com dados de séries temporais.
d) Quando a tarefa é simples e envolve a análise de grandes volumes de dados estáticos.
e) Quando se busca otimizar a estrutura de uma rede neural para aumentar sua capacidade
de processamento.
Questão 3
O que são redes neurais convolucionais (CNNs) e para que tipo de dados elas são mais 
adequadas?
a) Redes projetadas para aprender padrões sequenciais em dados temporais, como texto 
ou áudio.
b) Redes especializadas para identificar características espaciais e hierárquicas, sendo 
muito eficazes em tarefas de visão computacional.
c) Redes que utilizam camadas de atenção para melhorar a performance em tarefas de 
tradução de textos.
d) Redes que funcionam com dados tabulares e são comumente usadas em problemas de 
regressão.
e) Redes projetadas para otimizar algoritmos de clustering e agrupamento.
Questão 4
Qual é a principal vantagem do aprendizado não supervisionado em relação ao aprendizado
supervisionado?
a) Ele não precisa de grandes volumes de dados.
b) Ele exige rótulos para as entradas e saídas.
c) Ele pode aprender padrões e estruturas a partir de dados não rotulados.
d) Ele é mais preciso em tarefas de classificação.
e) Ele é mais fácil de treinar com dados de baixa qualidade.
Questão 5
O que é uma rede generativa adversarial (GAN)?
a) Uma rede que usa aprendizado supervisionado para gerar saídas precisas.
b) Um modelo composto por duas redes: um gerador e um discriminador, que competem 
entre si para melhorar a geração de dados.
c) Uma rede que resolve problemas de clustering em grandes volumes de dados não 
estruturados.
d) Um modelo usado exclusivamente para prever dados de séries temporais.
e) Uma rede que trabalha apenas com dados de entrada rotulados para gerar previsões de 
saída.
Questão 6
Qual dos seguintes métodos é frequentemente usado para evitar overfitting em modelos de 
aprendizado profundo?
a) Aumentar o número de camadas na rede neural.
b) A utilização de dropout, uma técnica que desativa aleatoriamente neurônios durante o 
treinamento.
c) Aumentar a taxa de aprendizado para acelerar o treinamento.
d) Reduzir o número de neurônios nas camadas ocultas para simplificar o modelo.
e) Utilizar apenas dados rotulados de alta qualidade.
Questão 7
O que é o conceito de exploração vs. exploração em aprendizado por reforço?
a) O equilíbrio entre encontrar novos comportamentos (exploração) e otimizar o 
desempenho com ações já conhecidas (exploração).
b) O processo de gerar novos dados a partir de um modelo já treinado.
c) A exploração de redes neurais profundas e a otimização de algoritmos de aprendizado 
supervisionado.
d) A exploração de novas arquiteturas de redes para melhorar a precisão do modelo.
e) A técnica de balancear o aprendizado supervisionado com o não supervisionado.
Questão 8
Qual das seguintes técnicas é comumente usada para redução de dimensionalidade?
a) Clustering hierárquico.
b) Principal Component Analysis (PCA).
c) Algoritmos de aprendizado por reforço.
d) Redes neurais convolucionais (CNNs).
e) Máquinas de vetor de suporte (SVM).
Questão 9
Em qual cenário as máquinas de vetor de suporte (SVM) são mais eficazes?
a) Em problemas de regressão linear com grandes volumes de dados.
b) Para problemas de classificação binária, especialmente quando há uma margem clara 
entre as classes.
c) Para análise de dados não estruturados e não rotulados.
d) Quando se busca otimizar a eficiência computacional em modelos de redes profundas.
e) Em tarefas de aprendizado não supervisionado em que o número de classes é 
desconhecido.
Questão 10
Qual é o papel da função de ativação em uma rede neural?
a) A função de ativação decide a quantidade de neurônios que serão usados no modelo.
b) A função de ativação realiza a transformação dos dados de entrada de maneira linear.
c) A função de ativação introduz não-linearidade no modelo, permitindo que ele aprenda 
padrões mais complexos.
d) A função de ativação controla a taxa de aprendizado durante o treinamento.
e) A função de ativação garante a convergência rápida do modelo.
Gabarito e Justificativa
1. c)
○ O transfer learning permite a adaptação de um modelo treinado em uma 
tarefa para ser utilizado em uma tarefa relacionada, sem a necessidade de 
treinar um modelo do zero.
2. b)
○ O aprendizado por reforço é utilizado quando o modelo interage com um 
ambiente e aprende com as recompensas ou punições, como em jogos ou 
robótica.
3. b)
○ As redes neurais convolucionais (CNNs) são projetadas para aprender 
características hierárquicas em dados espaciais, como imagens, sendo 
eficazes em tarefas de visão computacional.
4. c)
○ O aprendizado não supervisionado pode aprender padrões e estruturas a 
partir de dados não rotulados, ao contrário do aprendizado supervisionado 
que exige rótulos.
5. b)
○ As redes generativas adversariais (GANs) consistem em dois modelos que 
competem: um gerador cria dados, e um discriminador tenta identificar se 
esses dados são reais ou falsos, melhorando continuamente.
6. b)
○ A técnica de dropout ajuda a evitar overfitting, desativando aleatoriamente 
neurônios durante o treinamento para melhorar a generalização do modelo.
7. a)
○ Em aprendizado por reforço, exploração refere-se a tentar novas ações para 
encontrar melhores soluções, enquanto exploração refere-se a otimizar as 
ações já conhecidas.
8. b)
○ A redução de dimensionalidade é frequentemente realizada usando Principal
Component Analysis (PCA), que transforma os dados para reduzir o número 
de variáveis mantendo a maior parte da informação.
9. b)
○ As máquinas de vetor de suporte (SVM) são muito eficazes em problemas de
classificação binária, especialmente quando as classes estão bem 
separadas.
10. c)
● A função de ativação introduz não-linearidade no modelo, permitindo que a rede 
aprenda padrões complexos e faça previsões mais precisas.