Redes Neurais e Modelos de Aprendizado

Prévia do material em texto

1. Em problemas de classificação multiclasse utilizando redes neurais, explique como a função
softmax converte logits em probabilidades e por que ela é apropriada para esse tipo de tarefa. Depois,
selecione a alternativa que descreve corretamente o comportamento da softmax.
A) Converte todos os logits em valores negativos para simplificar o cálculo da perda.
B) Normaliza os logits de modo que sua soma seja igual a 1, criando uma distribuição de
probabilidade.
C) Remove automaticamente classes redundantes durante o treinamento.
D) Substitui a necessidade de funções de ativação nas camadas anteriores.
Resposta correta: B
2. Ao construir um modelo de regressão com suporte vetorial (SVR), descreva como o hiperparâmetro
epsilon influencia a margem de tolerância do modelo e o que isso significa para o ajuste da função. Em
seguida, escolha a alternativa que melhor descreve o efeito de aumentar o valor de epsilon.
A) O modelo se torna mais rígido, diminuindo a margem e aumentando a penalização por erros
pequenos.
B) O modelo passa a ignorar uma faixa maior de erros, aumentando a tolerância e reduzindo a
sensibilidade a pequenas variações.
C) O modelo reduz automaticamente sua complexidade estrutural.
D) O modelo passa a tratar a tarefa como classificação ao invés de regressão.
Resposta correta: B
3. Em modelos baseados em árvores, como Random Forest, explique como a agregação (bagging)
ajuda a reduzir variância e melhorar a robustez do modelo. Em seguida, escolha a alternativa que
corretamente descreve o papel das amostras bootstrap.
A) Garantir que todas as árvores recebam exatamente os mesmos dados.
B) Permitir que as árvores sejam treinadas com subconjuntos dos dados, selecionados com reposição.
C) Criar árvores mais profundas sem risco de overfitting.
D) Remover automaticamente features irrelevantes antes do treinamento.
Resposta correta: B
4. Em redes neurais convolucionais (CNNs), descreva como os filtros aprendem padrões visuais ao
longo das camadas, passando de características simples para complexas. Depois, selecione a
alternativa que identifica corretamente o efeito do uso de camadas de pooling.
A) Aumentar a resolução espacial das imagens para melhorar a detecção.
B) Reduzir gradualmente a dimensionalidade espacial, mantendo características importantes.
C) Substituir completamente a necessidade de convoluções.
D) Criar novas features artificiais não relacionadas ao padrão original.
Resposta correta: B
5. Em problemas que utilizam redes neurais recorrentes (RNNs), explique por que essas arquiteturas
são adequadas para dados sequenciais e como estados ocultos são atualizados ao longo do tempo.
Depois, escolha a alternativa que define corretamente o papel do estado oculto.
A) Armazenar apenas o primeiro valor da sequência.
B) Preservar informações relevantes de etapas anteriores da sequência.
C) Eliminar automaticamente ruídos na entrada.
D) Substituir a camada de saída quando necessário.
Resposta correta: B
6. Em técnicas de redução de dimensionalidade como PCA, explique como a decomposição em
componentes principais identifica as direções de máxima variância nos dados. Em seguida, escolha a
alternativa que melhor descreve o impacto da redução dimensional.
A) Aumento automático da acurácia em qualquer modelo subsequente.
B) Eliminação irreversível de informações consideradas menos relevantes.
C) Geração de novas features aleatórias sem relação com os dados originais.
D) Substituição de todas as variáveis por valores categóricos.
Resposta correta: B
7. Em aprendizado por reforço profundo, descreva o papel da função de valor e como ela ajuda o
agente a avaliar a qualidade de estados ou ações. Depois, selecione a alternativa que melhor
descreve o conceito de política ótima.
A) Uma política que maximiza sempre o ganho imediato, ignorando recompensas futuras.
B) A política que atribui a mesma probabilidade para qualquer ação possível.
C) Uma política que maximiza a recompensa total esperada ao longo do tempo.
D) A política que minimiza as atualizações na rede neural.
Resposta correta: C