Prévia do material em texto

Atividade de Autoaprendizagem 4
1 MÚLTIPLA ESCOLHA INCORRETO 0 / 0
2 MÚLTIPLA ESCOLHA INCORRETO 0 / 0
A busca local e análise de sensibilidade são técnicas fundamentais para ajustes finos e otimizações eficazes. Qual das alternativas melhor descreve como essas técnicas contribuem para a solução de problemas 
complexos de otimização? 
Incorreta:
Os algoritmos de colônia de formigas garantem uma otimização mais rápida que a análise de sensibilidade, pois não dependem da avaliação de como pequenas mudanças impactam o resultado final da 
solução. 
B
Heurísticas híbridas combinam os melhores aspectos dos algoritmos de colônia de formigas e da busca local, eliminando a necessidade de realizar análises de sensibilidade durante o processo de 
otimização.
C
A busca local é a principal responsável pela solução de problemas de rotas e fluxos, enquanto os algoritmos de colônia de formigas servem para reduzir a dependência da análise de sensibilidade no 
processo.
D
Os algoritmos de colônia de formigas garantem a análise completa de todas as variáveis envolvidas, enquanto a análise de sensibilidade é aplicada apenas em casos específicos com alto grau de 
complexidade.
E Resposta correta
Análise de sensibilidade permite ajustes precisos nas soluções propostas por algoritmos de colônia de formigas, garantindo que variações nas condições iniciais não comprometam a 
otimização alcançada.
Uma fazenda inteligente utiliza um sistema especialista para gerenciar a irrigação, dependendo de uma base de conhecimento atualizada. Nesse contexto, a manutenção constante é essencial para incorporar 
novas práticas agrícolas, dados climáticos e informações sobre o solo, garantindo que o sistema ofereça recomendações eficazes e atualizadas.
Qual é a principal razão para essa manutenção contínua? 
A
Bases de conhecimento em sistemas especialistas armazenam dados permanentes que não se alteram; a manutenção é ocasional e ocorre apenas quando o sistema enfrenta mudanças incomuns e de 
longa duração.
B
A base de conhecimento em sistemas especialistas evolui lentamente, mas deve adaptar-se a mudanças graduais do ambiente, como o clima e solo, devido à escassez de atualizações contínuas de dados 
recentes.
C O sistema exige novas regras e parâmetros, mas não atualizações frequentes; a base de conhecimento utiliza dados históricos e prevê cenários futuros com base em análises mais duradouras.
D
Sistemas especialistas podem operar sem revisões frequentes; a manutenção das bases de conhecimento visa exclusivamente aprimorar a eficiência de tarefas específicas, sem impacto significativo no 
desempenho geral.
RECIBO: CD75D90574974318B1406D69CE6B37B3
TENTATIVA 2/5 (ENVIADA EM 19/12/25 22:05)Nota final
Tentativa com a nota mais alta
3 MÚLTIPLA ESCOLHA INCORRETO 0 / 0
4 MÚLTIPLA ESCOLHA INCORRETO 0 / 0
5 MÚLTIPLA ESCOLHA INCORRETO 0 / 0
E Resposta correta
As bases de conhecimento são atualizadas para integrar novas práticas e dados atuais, respondendo de forma eficiente às constantes mudanças do ambiente e mantendo a relevância 
das recomendações do sistema.
As estruturas de aprendizado e associação em redes neurais permitem refinar padrões complexos e recuperar informações incompletas. Com isso, qual das opções abaixo descreve corretamente o benefício 
prático das camadas ocultas no reconhecimento progressivo de padrões em sistemas de aprendizado? 
A Resposta correta
Com o uso de camadas ocultas, é possível transformar características complexas dos dados, refinando progressivamente a qualidade das predições e aumentando a robustez do sistema 
em diferentes aplicações.
B
O uso de camadas ocultas permite realizar associações entre diferentes níveis de informação, garantindo que as redes façam a generalização automática dos dados, sem necessidade de supervisão 
adicional.
C A principal função das camadas ocultas é a capacidade de associar padrões a diferentes contextos de aplicação, permitindo que os sistemas de aprendizado façam previsões em tempo real e ajustadas.
D As camadas ocultas permitem que redes associativas realizem a análise de padrões em grandes volumes de dados, mesmo em cenários de dados ausentes ou distorcidos, promovendo alta flexibilidade. 
E
Camadas ocultas auxiliam na recuperação de padrões conhecidos, utilizando redes associativas para lidar com dados incompletos, o que melhora a precisão de modelos em ambientes com informações 
parciais.
Em um sistema especialista usado na medicina, que compara sintomas de pacientes com uma base de conhecimento, qual fator que mais contribui para garantir diagnósticos e tratamentos mais precisos e 
eficazes?
A A integração de dados de longa duração, mas sem alterações frequentes, para evitar que o sistema sofra com mudanças rápidas e garanta um diagnóstico mais estável e confiável.
B A utilização de algoritmos que filtram apenas dados recentes, ignorando estudos antigos, permitindo que o sistema se concentre em avanços modernos e diagnósticos de alta precisão.
C Resposta correta
A atualização contínua com pesquisas e casos recentes, o que mantém o sistema adaptado a novas descobertas, ampliando a precisão dos diagnósticos e a eficácia dos tratamentos 
recomendados.
D A inclusão restrita de casos clínicos e estudos históricos apenas, excluindo dados recentes, ajudando o sistema a simplificar o processo e evitar sobrecargas desnecessárias de informações.
E A capacidade do sistema de priorizar dados históricos específicos, sem considerar novas pesquisas, reduzindo erros e promovendo uma base de conhecimento focada em diagnósticos de longo prazo.
5 MÚLTIPLA ESCOLHA INCORRETO 0 / 0
6 MÚLTIPLA ESCOLHA INCORRETO 0 / 0
7 MÚLTIPLA ESCOLHA INCORRETO 0 / 0
As redes neurais de múltiplas camadas e redes associativas são abordagens diferentes em inteligência artificial. Com base nas características das redes de múltiplas camadas e redes associativas, qual das 
alternativas melhor explica a diferença na forma como essas redes processam padrões complexos e incompletos?
A Redes associativas utilizam várias camadas para processar detalhes visuais e gerar resultados mais precisos, enquanto redes de múltiplas camadas apenas relembram padrões já conhecidos e distorcidos.
B
A principal diferença está no fato de que as redes associativas podem ajustar suas camadas intermediárias, enquanto as redes de múltiplas camadas necessitam de dados completos para realizar 
predições precisas.
C
Redes associativas refinam padrões detalhados em etapas sucessivas, enquanto redes de múltiplas camadas associam automaticamente informações incompletas durante o processamento de dados 
complexos. 
D Resposta correta
Redes de múltiplas camadas processam padrões detalhados em várias etapas, enquanto redes associativas lembram padrões distorcidos ou incompletos, preenchendo lacunas com base 
no que já foi aprendido.
E
As redes de múltiplas camadas têm a capacidade de generalizar informações incompletas, mas não podem lembrar padrões com distorções, ao contrário das redes associativas, que são especializadas 
nisso.
TensorFlow e Keras são bibliotecas fundamentais para criar e treinar redes neurais de forma eficiente, simplificando a aplicação de inteligência artificial. Qual das alternativas descreve melhor como essas 
bibliotecas facilitam a criação de redes neurais aplicadas a soluções práticas do cotidiano? 
A
TensorFlow e Keras facilitam a integração de redes neurais a grandes sistemas, mas sua aplicabilidade é limitada em contextos como recomendações baseadas em preferências ou dados nutricionais 
específicos.
B Resposta correta
O uso de TensorFlow e Keras facilita a criação de redes neurais profundas por meio de módulos e funções prontos, permitindo que desenvolvedores criem soluções complexas sem 
necessidade de programar do zero.
C
As bibliotecas TensorFlow e Keras são mais adequadas para projetos pequenos, já que a complexidade dos módulos disponíveis impede a implementação de redes neurais para tarefas práticas do 
cotidiano.
D
Ao utilizar TensorFlow e Keras, desenvolvedoresprecisam codificar manualmente todas as funções de redes neurais, pois essas bibliotecas não oferecem suporte adequado para modelos de aprendizado 
profundo.
E TensorFlow e Keras permitem criar modelos personalizados de IA, mas a simplicidade de uso dificulta o treinamento de redes neurais em dados grandes e variados, limitando sua eficiência prática. 
As redes neurais artificiais são modelos computacionais baseados na estrutura do cérebro humano. Qual das alternativas melhor explica o processo pelo qual uma rede neural consegue aprender a identificar 
gatos em imagens após ser treinada com milhares de exemplos? 
8 MÚLTIPLA ESCOLHA INCORRETO 0 / 0
9 MÚLTIPLA ESCOLHA INCORRETO 0 / 0
A
O aprendizado se dá pela criação de associações entre entradas e saídas, mas a rede não é capaz de modificar seus parâmetros internos ao longo do treinamento para melhorar sua precisão em novas 
imagens.
B A rede neural cria um banco de dados interno com imagens de gatos, comparando diretamente os novos inputs com essas imagens armazenadas para decidir se há semelhança com um gato.
C
O aprendizado das redes neurais ocorre por meio da comparação direta das entradas com saídas previamente conhecidas, sem a necessidade de identificar padrões intermediários complexos nas 
imagens.
D Resposta correta
O treinamento da rede envolve a identificação gradual de características como bigodes e formato das orelhas, ajustando pesos entre neurônios para que ela possa generalizar e 
reconhecer gatos em novos contextos.
E O processo de aprendizado envolve o ajuste de parâmetros de saída em cada camada da rede, permitindo que os neurônios artificiais reconheçam os padrões básicos antes de gerar uma resposta final.
A construção e manutenção de bases de conhecimento em sistemas especialistas são essenciais para garantir diagnósticos precisos e recomendações relevantes. Qual das alternativas descreve corretamente um 
fator crítico para garantir a eficácia de sistemas especialistas?
A Resposta correta
Manter a base de conhecimento atualizada é crucial, pois a inclusão de novas regras e a revisão das existentes garantem que os sistemas especialistas permaneçam eficazes diante de 
novas regulamentações e mudanças.
B A eficácia de sistemas especialistas em ambientes dinâmicos está ligada à automação total da manutenção das bases de conhecimento, eliminando a necessidade de interação humana contínua. 
C
A construção inicial da base de conhecimento é suficiente para garantir a precisão dos sistemas especialistas, visto que as regras e informações dos especialistas humanos raramente sofrem alterações no 
tempo.
D
A principal tarefa da manutenção é remover dados antigos da base de conhecimento, já que a obsolescência de informações compromete a capacidade do sistema especialista em lidar com problemas 
complexos.
E
A inclusão de regras adicionais na base de conhecimento deve ser feita exclusivamente por algoritmos de aprendizado de máquina, substituindo o envolvimento de especialistas humanos na atualização 
de dados.
Em uma cidade movimentada como São Paulo ou Rio de Janeiro, otimizar rotas de entrega com algoritmos genéticos envolve etapas evolutivas que buscam soluções eficientes. Nesse contexto, qual fator é 
essencial para garantir que o processo evolutivo conduza o algoritmo à rota mais eficaz em cenários tão complexos?
A Resposta correta
A seleção das rotas mais promissoras e a definição de uma função de aptidão precisa garantem que o algoritmo evolua de forma direcionada e converge para uma solução eficiente e 
otimizada.
10 MÚLTIPLA ESCOLHA INCORRETO 0 / 0
B A aplicação de mutações rigorosas, combinadas com a seleção das rotas menos eficientes, amplia a diversidade do conjunto de soluções e evita que o sistema se acomode em rotas subótimas.
C A combinação aleatória de rotas bem-sucedidas e menos promissoras, sem priorizar função de aptidão, oferece um processo mais democrático e permite rotas alternativas de otimização inesperadas.
D O uso de rotas iniciais aleatórias e inalteradas ao longo do processo, focando a consistência dos dados, proporciona uma base sólida e promove a estabilidade dos resultados gerados no sistema.
E A repetição ininterrupta das rotas iniciais, sem alterações genéticas, assegura que o algoritmo mantenha soluções estáveis e evita mudanças desnecessárias que poderiam prejudicar a convergência final.
A técnica de Transfer Learning aproveita modelos pré-treinados para resolver problemas similares, economizando tempo e recursos. Qual das alternativas descreve corretamente como essas abordagens podem 
melhorar a eficiência de aplicações de IA em dispositivos móveis? 
A
Transfer Learning garante que os modelos sejam diretamente aplicáveis a novos problemas sem necessidade de ajustes, enquanto a otimização elimina totalmente a dependência de recursos de hardware 
avançados. 
B
A aplicação de Transfer Learning elimina a necessidade de otimizar modelos em dispositivos móveis, visto que os modelos pré-treinados já são eficientes o suficiente para reconhecimento de imagem em 
tempo real.
C O principal benefício da otimização de modelos é sua capacidade de reduzir o tempo de treinamento em dispositivos móveis, tornando o Transfer Learning dispensável na maioria das aplicações práticas.
D A integração de modelos de IA em aplicativos móveis dispensa o uso de Transfer Learning, já que a principal função da otimização é reduzir a quantidade de dados necessários para novos treinamentos.
E Resposta correta
Transfer Learning permite a reutilização de modelos pré-treinados para economizar tempo, enquanto a otimização ajusta os modelos para serem mais leves e eficientes em dispositivos 
móveis com recursos limitados.