Baixe o app para aproveitar ainda mais
Prévia do material em texto
10/11/2015 BDQ Prova http://simulado.estacio.br/bdq_simulados_ead_ens_preview.asp?cript_hist=3438083550 1/4 INTELIGÊNCIA ARTIFICIAL Simulado: CCT0296_SM_201301085651 V.1 Fechar Aluno(a): JEFFERSON BARBOSA DIAS Matrícula: 201301085651 Desempenho: 7,0 de 8,0 Data: 06/11/2015 16:18:56 (Finalizada) 1a Questão (Ref.: 201301248218) Faça uma comparação entre a capacidade de generalização e o número de nós da rede tipo Perceptrons de Múltiplas Camadas (MLP) com o algoritmo Backpropagation Sua Resposta: Não sei como fazer. Compare com a sua resposta: Com menos nós, a rede é mais genérica, mas o erro para o conjunto de treinamento é maior 2a Questão (Ref.: 201301841742) Apesar das observações interessantes de Minsky e Papert em 1969 quanto à aplicabilidade das redes, os autores não sugeriram nenhum método que fosse capaz de encontrar os parâmetros de uma rede com mais de uma camada. Tal algoritmo só surgiu a partir das pesquisas independentes de Paul Werbos (1974) e Rumelhart, Willians e Hinton (1986). O que estes autores propuseram foi um método de propagar o erro da camada de saída (que conhecemos) para a(s) camada(s) oculta(s). Desta forma, tornouse novamente possível alterar os parâmetros de todas as camadas da rede, a partir do erro na saída, ou seja, procurandose, como nas redes de uma só camada, qual é a alteração dos parâmetros que minimiza o erro na saída da rede. Com qual nome este algoritmo de treinamento ficou conhecido? Sua Resposta: Algoritmo Backpropagation. Compare com a sua resposta: O algoritmo de treinamento ficou conhecido como Backpropagation. 3a Questão (Ref.: 201301329431) Pontos: 0,0 / 1,0 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 as afirmativas I e III são corretas. 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. Gabarito Comentado. 10/11/2015 BDQ Prova http://simulado.estacio.br/bdq_simulados_ead_ens_preview.asp?cript_hist=3438083550 2/4 4a Questão (Ref.: 201301717751) Pontos: 1,0 / 1,0 Sejam dois cromossomos de 6 bits A=001100 e B=110011, após um processo de crossover simples com ponto de corte após o terceiro bit, quais serão os novos indivíduos após o cruzamento? 001110 e 111000 000000 e 111111 001100 e 110011 000111 e 111000 001011 e 110100 Gabarito Comentado. 5a Questão (Ref.: 201301248184) Pontos: 1,0 / 1,0 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 Aumentar a precisão das respostas produzidas pelo aumento dos padrões utilizados II Validar as entradas da rede para determinar o erro por ela produzido III Determinar o ponto de parada do treinamento para evitar o sobretreinamento 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 II está correto. Somente o item III está correto. 6a Questão (Ref.: 201301735399) Pontos: 1,0 / 1,0 São considerados parâmetros importantes no projeto de uma rede neural artificial: Assinale e alternativa INCORRETA. Quantidade de neurônios Representação dos dados Função de pertinência Quantidade de camadas Topologia da rede 7a Questão (Ref.: 201301735398) Pontos: 1,0 / 1,0 Na fase de treinamento das redes neurais artificiais, podese afirmar que: Assinale e alternativa INCORRETA. Após o treinamento são os pesos que armazenam o conhecimento que permite à rede tomar decisões corretas . No aprendizado não supervisionado o ajuste de erro encontrado ocorre ao confrontar a saída da rede com o dado fornecido como objetivo para a rede. Cada tipo de treinamento é adequado a um tipo específico de topologia. 10/11/2015 BDQ Prova http://simulado.estacio.br/bdq_simulados_ead_ens_preview.asp?cript_hist=3438083550 3/4 A rede aprende a partir dos dados que são apresentados durante o processo de treinamento. O aprendizado implica na alteração dos pesos das conexões. 8a Questão (Ref.: 201301853010) Pontos: 1,0 / 1,0 As redes neurais possuem arquiteturas baseadas em blocos construtivos semelhantes entre si e que realizam o processamento de forma paralela. Em relação às redes neurais: I No aprendizado não supervisionado, os exemplos de entradas e suas respectivas saídas são usados no treinamento da rede neural. II As regras de aprendizado são esquemas de atualização dos valores do pesos das sinapses de um algoritmo genético. III O treinamento é o modo pelo qual o sistema computacional neural aprende a respeito da informação que ele precisará, a fim de resolver certos problemas. É correto afirmar que: I e II são verdadeiras I é verdadeira II é verdadeira I e III são verdadeiras III verdadeira 9a Questão (Ref.: 201301248181) Pontos: 1,0 / 1,0 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 começa a confundir os padrões de entrada II A rede se torna melhor e mais genérica, mas há um custo computacional grande III Diminuição da capacidade de generalização da rede De acordo com a abordagem, assinale a opção CORRETA: Somente os itens I e II estão corretos. Somente o item II está correto. Somente os itens I e III estão corretos. Somente o item III está correto. Somente o item I está correto. 10a Questão (Ref.: 201301230395) Pontos: 1,0 / 1,0 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? 10/11/2015 BDQ Prova http://simulado.estacio.br/bdq_simulados_ead_ens_preview.asp?cript_hist=3438083550 4/4 (0,1,1,0) (1,1,1,0) (0,0,0,1) (1,0,0,1) (0,1,0,1) Gabarito Comentado.
Compartilhar