Prova 2_ Desafios e Avanços em Redes Neurais e Aprendizado Profundo

Prévia do material em texto

Prova 2: Desafios e Avanços em Redes Neurais e Aprendizado Profundo
Introdução:
Esta prova explora os desafios, técnicas e inovações nas áreas de redes neurais e 
aprendizado profundo, com foco em sua aplicação em diferentes tipos de dados e 
problemas complexos.
Questão 1
Qual é a principal vantagem do aprendizado profundo em relação ao aprendizado 
tradicional?
a) Ele requer menos dados para ser eficaz.
b) Ele não exige nenhum tipo de pré-processamento dos dados.
c) Ele pode aprender representações hierárquicas e complexas diretamente dos dados 
brutos.
d) Ele é menos suscetível a overfitting.
e) Ele é sempre mais rápido para treinar do que modelos tradicionais.
Questão 2
O que é uma rede neural recorrente (RNN)?
a) Uma rede usada exclusivamente para classificação de imagens.
b) Uma rede que possui ciclos em sua arquitetura, permitindo processar sequências de 
dados, como texto ou séries temporais.
c) Uma rede que usa apenas uma camada de perceptrons para prever valores contínuos.
d) Uma rede com camadas de entrada, mas sem camadas de saída.
e) Uma rede usada apenas para agrupar dados em clusters.
Questão 3
Qual é o papel da função de ativação em redes neurais?
a) Transformar os dados de entrada em uma forma que a rede pode processar.
b) Introduzir não-linearidade no modelo, permitindo que a rede aprenda padrões complexos.
c) Normalizar os dados de entrada.
d) Ajustar os pesos das camadas de maneira linear.
e) Combinar os resultados de diferentes camadas da rede.
Questão 4
O que é transfer learning (aprendizado por transferência)?
a) A técnica de transferir um modelo de aprendizado supervisionado para um ambiente não 
supervisionado.
b) A técnica de usar um modelo treinado em um problema para resolver um novo problema 
relacionado, aproveitando os conhecimentos adquiridos.
c) A técnica de ajustar os pesos do modelo para evitar overfitting.
d) A técnica de transferir dados de um conjunto de treinamento para outro.
e) A técnica de usar múltiplos modelos ao mesmo tempo.
Questão 5
Como as redes neurais convolucionais (CNN) tratam imagens?
a) Elas segmentam a imagem em diferentes regiões e as processam separadamente.
b) Elas aplicam filtros para extrair características importantes e reduzem a complexidade da 
imagem.
c) Elas usam apenas um conjunto de camadas para classificar a imagem.
d) Elas não são aplicáveis a imagens, sendo limitadas a dados tabulares.
e) Elas transformam as imagens em texto para facilitar a análise.
Questão 6
O que caracteriza o aprendizado por reforço?
a) O modelo aprende com dados rotulados para prever resultados específicos.
b) O modelo aprende com base em interações com o ambiente, recebendo recompensas ou
penalidades.
c) O modelo aprende apenas com dados não rotulados.
d) O modelo usa redes neurais profundas para classificar imagens.
e) O modelo ajusta automaticamente seus parâmetros sem precisar de dados.
Questão 7
O que é o Batch Normalization?
a) Uma técnica usada para regularizar os dados de entrada, tornando-os mais homogêneos.
b) Uma técnica para melhorar a convergência do modelo ao normalizar a saída de cada 
camada durante o treinamento.
c) Uma técnica para reduzir a dimensionalidade dos dados.
d) Uma técnica para aplicar uma função de ativação aos dados de entrada.
e) Uma técnica para ajustar os pesos da rede durante o treinamento.
Questão 8
O que é overfitting em aprendizado de máquina?
a) Quando o modelo aprende padrões simples, mas não consegue generalizar para novos 
dados.
b) Quando o modelo se adapta perfeitamente aos dados de treinamento, mas falha em 
prever dados novos e desconhecidos.
c) Quando o modelo treina muito rapidamente.
d) Quando o modelo não consegue aprender nada durante o treinamento.
e) Quando o modelo faz previsões imprecisas para os dados de treinamento.
Questão 9
O que é deep reinforcement learning?
a) O aprendizado supervisionado com múltiplas camadas.
b) O aprendizado por reforço combinado com redes neurais profundas para resolver 
problemas complexos.
c) O aprendizado não supervisionado usando técnicas de redes neurais profundas.
d) O uso de dados não rotulados para treinar modelos de aprendizado de máquina.
e) O treinamento de redes neurais sem a necessidade de feedback.
Questão 10
Qual é a função do optimizer no treinamento de redes neurais?
a) Ajustar os pesos das camadas da rede para minimizar a função de perda.
b) Ajustar os dados de entrada para melhorar o desempenho.
c) Aumentar o número de camadas da rede.
d) Aumentar a complexidade do modelo durante o treinamento.
e) Reduzir a quantidade de dados necessários para o treinamento.
Gabarito e Justificativa
1. c)
○ O aprendizado profundo é capaz de aprender representações hierárquicas 
diretamente dos dados brutos, como imagens e texto, sem a necessidade de 
engenharia manual de características.
2. b)
○ Redes neurais recorrentes (RNNs) têm ciclos em sua arquitetura, permitindo 
processar sequências de dados, como texto ou séries temporais.
3. b)
○ A função de ativação introduz não-linearidade no modelo, permitindo que a 
rede aprenda padrões complexos.
4. b)
○ Transfer learning permite usar um modelo treinado em um problema para 
resolver um novo problema relacionado, aproveitando os conhecimentos 
adquiridos.
5. b)
○ As CNNs aplicam filtros convolucionais para extrair características das 
imagens, reduzindo sua complexidade e melhorando a precisão na 
classificação.
6. b)
○ O aprendizado por reforço envolve o modelo aprender com base em 
interações com o ambiente, recebendo recompensas ou penalidades.
7. b)
○ O Batch Normalization normaliza as saídas de cada camada para acelerar a 
convergência durante o treinamento.
8. b)
○ O overfitting ocorre quando o modelo se adapta excessivamente aos dados 
de treinamento, mas falha em generalizar para novos dados.
9. b)
○ Deep reinforcement learning combina aprendizado por reforço com redes 
neurais profundas para resolver problemas complexos.
10. a)
● O optimizer ajusta os pesos das camadas da rede para minimizar a função de perda 
e melhorar o desempenho do modelo.