Baixe o app para aproveitar ainda mais
Prévia do material em texto
INTELIGÊNCIA ARTIFICIAL Lupa Retornar Exercício: CCT0188_EX_A9_201202162606 Matrícula: 201202162606 Aluno(a): FRANCISCO JOSÉ DA SILVA Data: 14/10/2015 13:19:55 (Finalizada) 1a Questão (Ref.: 201202448234) Fórum de Dúvidas (0) Saiba (0) Nas redes tipo Perceptrons de Múltiplas Camadas (MLP) com o algoritmo Backpropagation, o que pode acarretar para a qualidade da rede treinada, o treinamento além do ponto desejado? I - A rede memoriza os padrões aprendidos II - Diminuição da capacidade de generalização da rede III - Otimização do tempo computacional no treinamento De acordo com a abordagem, assinale a opção CORRETA: Apenas a afirmativa III está correta. Apenas a afirmativa II está correta. Todas as afirmativas estão corretas. Apenas as afirmativas I e II estão corretas. Apenas as afirmativas II e III estão corretas. Gabarito Comentado 2a Questão (Ref.: 201202448233) Fórum de Dúvidas (0) Saiba (0) Analise as seguintes afirmativas sobre redes neurais sem ciclos dirigidos, sendo n o número de neurônios e m o número de conexões. I. Uma vez treinada, o uso da rede consiste em aplicar uma entrada e esperar até que ocorra convergência para que seja obtida a saída. II. O processo de treinamento consiste em obter um vetor em um espaço pelo menos m -dimensional. Esse vetor é obtido por meio de um processo de otimização que busca minimizar o erro sobre as instâncias de treino. III. O processo de treinamento consiste em obter um vetor em um espaço pelo menos m -dimensional. Esse vetor é obtido por meio de um processo de otimização que busca minimizar o erro de generalização. A análise permite concluir que: Escolha a alternativa correta Apenas as afirmativas II e III estão corretas. Todas as afirmativas estão corretas. Apenas a afirmativa II está correta. Apenas as afirmativas I e II estão corretas. Apenas a afirmativa III está correta. Gabarito Comentado 3a Questão (Ref.: 201202332836) Fórum de Dúvidas (0) Saiba (0) Nas redes tipo Perceptrons de Múltiplas Camadas (MLP) com o algoritmo Backpropagation, por que tal tipo de treinamento é chamado de treinamento supervisionado? todo o processo deve ser supervisionado por um especialista as entradas e saídas são embaralhadas pelo supervisor antes do treinamento as saídas desejadas são fornecidas e utilizadas para correção dos pesos as respostas são revisadas utilizando o conjunto de validação é utilizado um algoritmo de supervisão dos pesos durante o treinamento Gabarito Comentado 4a Questão (Ref.: 201202414081) Fórum de Dúvidas (0) Saiba (0) Com base no conhecimento sobre Redes Neurais Artificiais, considere as afirmativas a seguir. I. A função booleana ou exclusivo (XOR) pode ser implementada usando uma rede perceptron de camada única. II. Redes Neurais Artificiais do tipo MLP (Multilayer Perceptron) são capazes de classificar padrões de entrada não linearmente separáveis. III. Retropropagação (backpropagation) é um algoritmo de aprendizagem supervisionada. Assinale a alternativa CORRETA. Somente a afirmativas II é correta. Somente as afirmativas I é correta. Somente as afirmativas I e II são corretas. Somente as afirmativas II e III são corretas. Somente as afirmativas I e III são corretas. Gabarito Comentado 5a Questão (Ref.: 201202332830) Fórum de Dúvidas (0) Saiba (0) Nas redes tipo Perceptrons de Múltiplas Camadas (MLP) com o algoritmo Backpropagation, o que pode acarretar para a qualidade da rede treinada, o treinamento além do ponto desejado? I - A rede esquece os padrões aprendidos II - Diminuição da capacidade de generalização da rede III - Apenas desperdício de tempo computacional De acordo com a abordagem, assinale a opção CORRETA: Somente o item III está correto. Somente o item I está correto. Somente o item II está correto. Somente os itens I e III estão corretos Somente os itens II e III estão corretos 6a Questão (Ref.: 201202332839) Fórum de Dúvidas (0) Saiba (0) Nas redes tipo Perceptrons de Múltiplas Camadas (MLP) com o algoritmo Backpropagation, qual é o principal função do termo de momento aplicado à formula de ajuste dos pesos? Para acelerar a convergência utilizando um fator multiplicador arbitrado pelo algoritmo Para acelerar a convergência utilizando a tendência de correção do ciclo anterior Para frear a convergência para o valor de mínimo da função de erro, uma vez que uma descida mais lenta impede que se passe do ponto desejado Para explorar múltiplos pontos de mínimo da função Para frear a convergência, inibindo a atração de mínimos locais e permitindo a convergência para o mínimo global
Compartilhar