Prova 2_ Desafios e Soluções em Algoritmos de Aprendizado de Máquina

Prévia do material em texto

Prova 2: Desafios e Soluções em Algoritmos de Aprendizado de 
Máquina
Introdução:
A segunda prova aborda os principais desafios enfrentados em aprendizado de máquina, 
desde o tratamento de dados ruidosos até a implementação de soluções escaláveis para 
grandes volumes de dados.
Questão 1
Qual a principal diferença entre aprendizado supervisionado e não supervisionado?
a) O aprendizado supervisionado não usa dados rotulados, enquanto o não supervisionado 
usa.
b) O aprendizado não supervisionado busca encontrar padrões nos dados sem rótulos, 
enquanto o supervisionado usa dados rotulados.
c) O aprendizado supervisionado é mais eficiente do que o não supervisionado.
d) O aprendizado supervisionado envolve redes neurais profundas, enquanto o não 
supervisionado não.
e) O aprendizado não supervisionado é sempre mais rápido.
Questão 2
O que é o overfitting e como ele pode ser evitado?
a) Overfitting ocorre quando o modelo falha em aprender com os dados. Pode ser evitado 
com mais dados.
b) Overfitting ocorre quando o modelo aprende excessivamente os dados de treinamento, 
prejudicando a generalização. Pode ser evitado com regularização.
c) Overfitting ocorre quando o modelo aprende mais rapidamente. Pode ser evitado com 
mais camadas.
d) Overfitting é o nome dado ao erro de previsão, que é inevitável.
e) Overfitting é a incapacidade do modelo de aprender com dados de entrada.
Questão 3
Qual a principal função de uma rede neural convolucional (CNN)?
a) Processar e analisar dados numéricos em grandes volumes.
b) Processar dados sequenciais, como texto ou áudio.
c) Realizar tarefas de visão computacional, como reconhecimento e classificação de 
imagens.
d) Analisar dados tabulares e estruturados.
e) Treinar modelos simples para problemas de regressão.
Questão 4
O que caracteriza o conceito de regularização em aprendizado de máquina?
a) É a técnica de adicionar mais camadas à rede neural.
b) É a técnica de reduzir a complexidade do modelo para evitar overfitting.
c) É a técnica de aumentar a quantidade de dados de treinamento.
d) É uma forma de normalizar os dados de entrada para melhorar o aprendizado.
e) É uma estratégia para ajustar os pesos da rede neural manualmente.
Questão 5
O que é batch normalization e qual seu principal benefício?
a) Uma técnica que acelera o treinamento e melhora a precisão normalizando as saídas das
camadas intermediárias.
b) Uma técnica que regula a rede neural para melhorar a precisão do modelo.
c) Um processo de normalização dos dados de entrada antes do treinamento.
d) Uma técnica que altera a função de ativação para melhorar o desempenho.
e) Um método de ajuste de hiperparâmetros para melhorar a performance.
Questão 6
Qual o principal objetivo do aprendizado por reforço?
a) Maximizar a recompensa acumulada por um agente em um ambiente de interação.
b) Aprender com dados rotulados para fazer previsões.
c) Minimizar o erro de previsão em um conjunto de dados de entrada.
d) Seguir uma sequência fixa de passos para alcançar um objetivo.
e) Ajustar automaticamente os parâmetros de uma rede neural.
Questão 7
Qual é o papel das funções de ativação nas redes neurais?
a) Determinar os pesos iniciais das conexões.
b) Introduzir não-linearidade e permitir que o modelo aprenda representações complexas.
c) Acelerar o treinamento ajustando as taxas de aprendizado.
d) Normalizar as entradas de cada camada.
e) Regularizar a rede para evitar overfitting.
Questão 8
O que é transfer learning e como ele pode ser útil?
a) O processo de aprender com dados ruidosos.
b) A técnica de usar um modelo pré-treinado para resolver um problema diferente, 
economizando tempo e recursos.
c) A técnica de ajustar a arquitetura de um modelo a cada nova tarefa.
d) O uso de redes neurais para transferir dados de uma camada para outra.
e) O processo de treinar uma rede neural do zero para uma tarefa específica.
Questão 9
Qual é a vantagem do uso de Redes Neurais Profundas em comparação com redes rasas?
a) Elas são mais rápidas para treinar.
b) Elas requerem menos dados para alcançar bons resultados.
c) Elas podem aprender representações mais complexas e abstrair melhor os dados.
d) Elas são mais fáceis de implementar e otimizar.
e) Elas são exclusivas para problemas de regressão.
Questão 10
O que é deep learning?
a) Aprendizado com dados não rotulados.
b) Aprendizado utilizando redes neurais profundas para resolver problemas complexos.
c) Aprendizado supervisionado sem a necessidade de modelos preexistentes.
d) Aprendizado rápido por meio de validação cruzada.
e) Aprendizado com pequenas redes neurais.
Gabarito e Justificativa
1. b)
○ O aprendizado supervisionado usa dados rotulados, enquanto o não 
supervisionado busca identificar padrões sem rótulos.
2. b)
○ O overfitting ocorre quando o modelo aprende excessivamente os dados de 
treinamento, prejudicando a capacidade de generalização. A regularização é 
uma solução para isso.
3. c)
○ Redes neurais convolucionais (CNNs) são principalmente usadas em tarefas 
de visão computacional, como o reconhecimento de imagens.
4. b)
○ A regularização é uma técnica usada para reduzir a complexidade do modelo
e evitar overfitting.
5. a)
○ A batch normalization normaliza as ativações das camadas intermediárias 
durante o treinamento, melhorando a precisão e acelerando o processo.
6. a)
○ O objetivo do aprendizado por reforço é maximizar a recompensa acumulada
através da interação de um agente com seu ambiente.
7. b)
○ As funções de ativação introduzem não-linearidade nas redes neurais, 
permitindo que o modelo aprenda representações complexas.
8. b)
○ Transfer learning usa modelos pré-treinados para resolver problemas 
semelhantes, economizando tempo e recursos.
9. c)
○ Redes neurais profundas podem aprender representações mais complexas 
dos dados e abstrair melhor do que as redes rasas.
10. b)
● Deep learning utiliza redes neurais profundas para resolver problemas complexos, 
como reconhecimento de imagem, processamento de linguagem natural e outros.