Baixe o app para aproveitar ainda mais
Prévia do material em texto
INTELIGÊNCIA ARTIFICIAL Lupa Exercício: CCT0296_EX_A9_201301090212 Matrícula: 201301090212 Aluno(a): LEANDRO DA SILVEIRA RAPHAEL Data: 20/06/2016 13:41:17 (Finalizada) 1a Questão (Ref.: 201301368601) 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 II está correta. Apenas a afirmativa III está correta. Todas as afirmativas estão corretas. Apenas as afirmativas II e III estão corretas. Apenas as afirmativas I e II estão corretas. Gabarito Comentado 2a Questão (Ref.: 201301253203) 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? as entradas e saídas são embaralhadas pelo supervisor antes do treinamento é utilizado um algoritmo de supervisão dos pesos durante o treinamento as saídas desejadas são fornecidas e utilizadas para correção dos pesos as respostas são revisadas utilizando o conjunto de validação todo o processo deve ser supervisionado por um especialista Gabarito Comentado 3a Questão (Ref.: 201301334448) Fórum de Dúvidas (0) Saiba (0) Com base no conhecimento sobre Redes Neurais Ar䰀贃ficiais, considere as afirma䰀贃vas a seguir. I. A função booleana ou exclusivo (XOR) pode ser implementada usando uma rede perceptron de camada única. II. Redes Neurais Ar䰀贃ficiais do 䰀贃po MLP (Mul䰀贃layer Perceptron) são capazes de classificar padrões de entrada não linearmente separáveis. III. Retropropagação (backpropaga䰀贃on) é um algoritmo de aprendizagem supervisionada. Assinale a alterna䰀贃va CORRETA. Somente as afirmativas II e III são corretas. Somente as afirmativas I e II são corretas. Somente as afirmativas I é correta. Somente a afirmativas II é correta. Somente as afirmativas I e III são corretas. Gabarito Comentado 4a Questão (Ref.: 201301235412) Fórum de Dúvidas (0) Saiba (0) Considere a rede com neurônios de McCullochPitts abaixo, na qual cada neurônio possui o patamar = 0. Para os pares de valores das entradas (xA e xB) de (0,0), (0,1), (1,0) e (1,1), quais seriam os respectivos valores de saída do neurônio z3? (0,0,0,1) (0,1,1,0) (1,1,1,0) (1,0,0,1) (0,1,0,1) Gabarito Comentado 5a Questão (Ref.: 201301253199) Fórum de Dúvidas (0) Saiba (0) Nas redes tipo Perceptrons de Múltiplas Camadas (MLP) com o algoritmo Backpropagation, entre os padrões de dados usados, uma parte, conhecida como padrões de validação, é tratado em separado e não é aplicado na fase de treinamento para ajuste dos pesos sinápticos. Qual é o objetivo principal em utilizar estes padrões? I Validar as saídas da rede para determinar o erro por ela produzido II Determinar o ponto de parada do treinamento para evitar o sobretreinamento III Ajudar a obter a resposta mais rapidamente De acordo com a abordagem, assinale a opção CORRETA: Somente os itens II e III estão corretos. Somente os itens I e III estão corretos. Somente o item I está correto. Somente o item III está correto. Somente o item II está correto. 6a Questão (Ref.: 201301722777) Fórum de Dúvidas (0) Saiba (0) O algoritmo de treinamento Backpropagation consiste em uma sequência de fases. Assinale a alternativa INCORRETA sobre este algoritmo. Apresentar um padrão na camada de entrada e calcular o valor do seu peso na camada de saída. Se um erro máximo desejado não tiver sido atingido, retornar ao passo inicial para a próxima iteração (apresentação de todos os padrões novamente). Retropropagar o erro na rede calculando de que forma as mudanças nos pesos afetam o erro. Modificar os pesos das conexoões sinápticas de forma a minimizar o erro médio, considerando todos os padrões da amostra. Calcular o erro na saída da rede, que equivale a uma diferença entre o valor de saída obtida na rede e o valor de saída desejado . Gabarito Comentado Fechar
Compartilhar