Redes Neurais: Fundamentos e Aplicações

Prévia do material em texto

PERGUNTA 1 Durante treinamento de uma rede neural multicamada, um engenheiro de dados utilizou algoritmo de retropropagação para ajustar os pesos da rede a fim de minimizar o erro entre a saída desejada e a saída real. Para isso, ele considerou cálculo da energia do erro para cada exemplo de treino, propagou o erro de volta pela rede e atualizou os pesos sinápticos com base no gradiente da função de custo. Ao observar os ajustes ao longo das épocas, percebeu como sinal de erro e os fatores de sensibilidade influenciaram diretamente na direção e intensidade da correção dos pesos. Com base no cenário descrito e nos fundamentos do algoritmo de retropropagação, observe as afirmativas a seguir: I. sinal de erro para um neurônio de saída é obtido pela diferença entre a saída desejada e a saída real desse neurônio. II. A energia média do erro quadrado é utilizada como função de custo e é minimizada ao longo do processo de treinamento. III. A derivada parcial da função de erro em relação ao peso sináptico indica a direção de busca no espaço de pesos. IV. A retropropagação utiliza a média das saídas reais como referência para atualização dos pesos na camada de entrada. Está correto o que se afirma em: a. e IV, apenas. b.l, e III, apenas. III e IV, apenas. d. e II, apenas. e.l, II, III e IV. PERGUNTA 2 As funções de ativação desempenham um papel importante no desempenho das redes neurais de múltiplas camadas. Elas são responsáveis por introduzir a não linearidade no modelo, permitindo que a rede aprenda e represente funções complexas. Existem várias funções de ativação utilizadas em redes neurais, cada uma com características e aplicações específicas. Assinale a alternativa que descreve características da função de ativação sigmoide: a. A função sigmoide mapeia valores reais para o intervalo 0, 1 e é contínua, o que permite representar estados intermediários de ativação dos neurônios. b. A função sigmoide é uma função linear que transforma valores de entrada em saídas diretamente proporcionais. A função sigmoide mapeia valores reais para o intervalo -1, 1 e é simétrica em torno da origem. d.A função sigmoide é utilizada apenas em redes neurais convolucionais devido à sua simplicidade. e. A função sigmoide mapeia valores reais para o intervalo -1, 1 e é usada principalmente para funções de classificação linear. PERGUNTA 3 A avaliação de desempenho de redes neurais é fundamental para garantir que o modelo aprenda corretamente e generalize bem para novos dados. Durante a videoaula, foram mostradas as curvas de erro de treinamento e validação ao longo das épocas. Assinale a alternativa que interpreta corretamente uma queda contínua nas curvas de erro de treinamento e validação ao longo das épocas: a. Indica que modelo está sofrendo overfitting. b. Indica que modelo tem um erro constante. Indica que modelo tem uma alta variância. d. Indica que modelo está sofrendo underfitting. e. Indica que modelo está aprendendo adequadamente.PERGUNTA 4 Um estudante está desenvolvendo um projeto de previsão com redes neurais e opta por utilizar framework PyTorch para construir um modelo do tipo MLP (Multilayer Perceptron). Ele define uma arquitetura sequencial com duas camadas lineares, aplica funções de ativação entre elas e configura treinamento com um otimizador baseado em gradiente e uma função de custo adequada ao problema de regressão. Após a implementação, ele executa treinamento da rede, monitora desempenho nos conjuntos de treino e validação e ajusta os hiperparâmetros conforme os resultados obtidos. Conforme discutido, sobre a estrutura e funcionamento do código de implementação de uma rede MLP, analise as afirmativas a seguir: I. A arquitetura MLP foi implementada utilizando modelo sequencial, com duas camadas lineares e funções de ativação entre elas. II. A função de custo escolhida no código foi a entropia cruzada, ideal para problemas de regressão contínua. III. otimizador selecionado foi 0 SGD, sendo configurado com a taxa de aprendizagem definida pelo usuário. IV. o método forward da rede é responsável por propagar a entrada X através das camadas e retornar a saída do modelo. V. código utilizou a função sigmoid na camada de saída para produzir valores entre mesmo em tarefas de múltiplas classes. Está correto o que se afirma em: a. I, e V, apenas b. II, III e V, apenas I, IV e V, apenas III e V, apenas e.l, III e IV, apenas PERGUNTA 5 No desenvolvimento de uma rede neural, a manipulação adequada dos dados é fundamental para o sucesso do treinamento. Uma abordagem específica é necessária para converter atributos categóricos em atributos numéricos, permitindo que as redes neurais possam processar os dados corretamente. Considerando exemplo de classificação de tipo de orquídeas (Setosa, Virginica e Versicolor), assinale a alternativa que apresenta a abordagem utilizada para converter os atributos categóricos do dataset Iris em atributos numéricos: a. Utilização de One-Hot Encoding. b. Utilização de PCA (Principal Component Analysis). Utilização de Feature Scaling. d. Utilização de Label Encoding. e. Utilização de Min-Max Scaling. PERGUNTA 6 As funções de ativação não lineares são essenciais para desempenho das redes neurais de múltiplas camadas (MLPs). Elas permitem que a rede aprenda e represente relações complexas que não poderiam ser capturadas por funções lineares simples. Uma dessas funções de ativação é a ReLU ( Rectified Linear Unit), que é amplamente utilizada devido às suas vantagens específicas. Logo, assinale a alternativa que descreve corretamente uma das vantagens da função de ativação ReLU e explica como essa função contribui para a eficiência do treinamento em redes neurais profundas: a. A função ReLU é uma função linear que transforma valores de entrada em saídas diretamente proporcionais. b. A função ReLU mantém os valores positivos inalterados, mapeando os valores negativos para zero. A função ReLU transforma os valores de saída em probabilidades, distribuindo-os de forma que a soma seja igual a 1. d. A função ReLU mapeia valores reais para intervalo 1,1 e é contínua, que permite representar estados intermediários de ativação dos neurônios. e. A função ReLU é utilizada apenas em redes neurais convolucionais devido à sua simplicidade.PERGUNTA 7 Durante 0 treinamento de redes neurais, diversas abordagens podem ser utilizadas para ajustar os parâmetros da rede de forma eficiente. processo de otimização deve levar em conta 0 custo computacional, a qualidade da estimativa dos gradientes e a estabilidade numérica da rede. Nesse cenário, algumas estratégias se destacam por oferecerem um equilíbrio entre desempenho e viabilidade de execução, especialmente em contextos de grande volume de dados. Sobre a situação em destaque, assinale a alternativa que compreende uma das vantagens do uso da descida do gradiente estocástica (SGD) no treinamento de redes neurais: a. Eliminar a necessidade de regularização por meio da normalização das camadas intermediárias. b. Aumentar a complexidade do modelo ao utilizar todos os dados simultaneamente durante a atualização dos pesos. Garantir que a função de perda atinja sempre mínimo global, independentemente da arquitetura da rede d. Substituir completamente outras formas de otimização por métodos determinísticos de segunda ordem. e. Reduzir o custo computacional por atualização ao utilizar pequenos subconjuntos de dados em cada etapa. PERGUNTA 8 Durante desenvolvimento de uma rede neural, é comum utilizar um dataset específico para treinamento, amplamente reconhecido por sua simplicidade e estrutura balanceada. No exemplo de classificação de tipos orquídeas (Setosa, Virginica e Versicolor), esse dataset contém as três classes de flores com igual número de exemplos para cada classe, facilitando aprendizado dos conceitos básicos de aprendizado de máquina. Com base nisso, assinale alternativa que apresenta dataset utilizado para treinamento da rede neural: a. dataset MNIST. dataset Iris. dataset CIFAR-10. d.O dataset ImageNet. e.O dataset COCO.