Baixe o app para aproveitar ainda mais
Prévia do material em texto
AULA 01 1 Questão Os sistemas inteligentes se fundamentam na observação de comportamentos na natureza capazes de apresentar ordenamentos complexos. Os seres vivos possuem o seu ordenamento para expressar inteligencia através de um sistema biológico extremamente complexo que os compõe. O sistema bioinspirado resultante dos sistemas inteligentes presentes nos organismos vivos é referido como: Princípios lógicos Sistemas autônomos Representação simbólica Técnicas conexionistas Algoritmos evolucionários Explicação: As redes neurais são o sistema que atribuem inteligencia aos seres vivos e são definidos como sistemas conexionistas na perspectiva computacional. 2 Questão Assinale a alternativa que apresenta o sistema de IA definido pelo conceito de causalidade: evolucionário distópico quântico simbólico conexionista Explicação: O sistema conexionista de IA é definido por meio do conceito de causalidade, que consiste na relação entre dois eventos: ¿evento causa¿ e ¿evento efeito¿. 3 Questão Allan Turing é reconhecido como o maior precursor da Inteligência Artificial. Turing desenvolveu um teste para determinar se uma máquina é inteligente ou não. Assinale a alternativa que apresenta uma característica do chamado "Teste de Turing". Uma pessoa pode fazer várias perguntas a outra pessoa. Se for possível concluir se o interrogado é uma pessoa ou uma máquina, a máquina possui inteligência. Nunca é possível distinguir se o interrogado é uma máquina ou pessoa. Nunca há dúvida sobre quem é o interrogado. O interrogador precisa saber quem é o interrogado. Explicação: Uma pessoa em um terminal pode fazer várias perguntas, sem saber quem é o interrogado. Se houver confusão sobre o interrogado ser outra pessoa ou uma máquina compreende-se que a máquina possui inteligência, pois consegue imitar tal característica humana eficientemente, caso seja possível distinguir entre máquina e a pessoa, não há inteligência. AULA 02 1 Questão A lógica que se opõe à Teoria Fuzzy é a Lógica Booleana, onde aquela veio para complementar essa. Assinale a alternativa que apresenta a característica da lógica fuzzy que evidencia a diferença entre as duas teorias lógicas. Combinação de resultados lógicos nítidos. Tratamento dos valores lógicos intermediários e aproximados. Separação de resultados lógicos nítidos. Conceituação restrita das possibilidades de valor. Simplicidade dos resultados. Explicação: A lógica Booleana processa informações as quais trarão resultados simples sobre verdadeiro ou falso, ou ligado e desligado, não havendo possibilidades e resultados intermediários ou nuances. Já a lógica Fuzzy traz o aprimoramento da capacidade de análise, uma vez que permite que as informações sejam tratadas de maneira que sejam possíveis tratamento dos valores lógicos intermediários e aproximados. 2 Questão O termo inglês Fuzzy pode ser traduzido para o português expremindo o significado proposto para a lógica que utiliza essa palavra. Assinale a opção em que os termos apresentados são traduções válidas para o português, assim contribuindo para compreensão do assunto. Raciocínio, Discreto ou Lógica. Raciocínio, Confuso e Lógica. Difuso, Discreto e Nebuloso. Raciocínio, Discreto e Confuso. Difuso, Confuso e Nebuloso. Explicação: O termo nebuloso é o mais adequado para tradução, pois ao mesmo tempo que os conceitos fuzzy são separados (difusos) entre si, eles são combinados (confusos). Por isso tanto nebuloso, quanto difuso e assim como confuso são traduções válidas para o termo ingês fuzzy. AULA 03 1 Questão Determine a pertinência resultante da interseção dos conjuntos A e B. A=[0,40,0,21,0,12]A=[0,40,0,21,0,12] B=[0,220,0,41,0,022]B=[0,220,0,41,0,022] μA∩B=min[μA(x),μB(x)]μA∩B=min[μA(x),μB(x)] μA∩B(x)=[0,40,0,41,0,42]μA∩B(x)=[0,40,0,41,0,42] μA∩B(x)=[0,220,0,221,0,222]μA∩B(x)=[0,220,0,221,0,222] μA∩B(x)=[0,40,0,21,0,12]μA∩B(x)=[0,40,0,21,0,12] μA∩B(x)=[0,220,0,21,0,022]μA∩B(x)=[0,220,0,21,0,022] μA∩B(x)=[0,020,0,021,0,022]μA∩B(x)=[0,020,0,021,0,022] Explicação: Deve-se realizar a operação de mínimo elemento a elemento, se o elemento não é listado em um conjunto a pertinência é zero. μA∩B(0)=min[μA(0),μB(0)]=min[0,4;0,22]=0,22μA∩B(0)=min[μA(0),μB(0)]=min[0,4;0,22]=0,22 μA∩B(1)=min[μA(1),μB(1)]=min[0,2;0,4]=0,2μA∩B(1)=min[μA(1),μB(1)]=min[0,2;0,4]=0,2 μA∩B(2)=min[μA(2),μB(2)]=min[0,1;0,02]=0,02μA∩B(2)=min[μA(2),μB(2)]=min[0,1;0,02]=0,02 Logo μA∩B(x)=[0,220,0,21,0,022]μA∩B(x)=[0,220,0,21,0,022] 2 Questão Assinale a alternativa INCORRETA sobre operações fuzzy: A função max é uma abordagem matemática muito aplicada para a operação de união em conjuntos Fuzzy. A interação entre os elementos de conjuntos Fuzzy diferentes são similares às operações clássicas de conjuntos. A função soma é uma abordagem matemática muito aplicada para a operação de união em conjuntos Fuzzy. As abordagens matemáticas mais aplicadas para a operação de interseção em conjuntos Fuzzy são as funções min e produto. O complemento da pertinência de um conjunto fuzzy A é obtido somando-se um ao valor da pertinência original. Explicação: O complemento da pertinência de um conjunto fuzzy A é obtido subtraindo-se um ao valor da pertinência original. 3 Questão Determine a pertinência resultante da união dos conjuntos A e B. A=[0,10,0,41,1,02]A=[0,10,0,41,1,02] B=[0,40,0,23]B=[0,40,0,23] μA∪B(x)=max[μA(x),μB(x)]μA∪B(x)=max[μA(x),μB(x)] A∪B=[0,40,0,41,1,02,0,23]A∪B=[0,40,0,41,1,02,0,23] A∪B=[0,10,0,11,0,12,0,13]A∪B=[0,10,0,11,0,12,0,13] A∪B=[0,41,1,02,0,23]A∪B=[0,41,1,02,0,23] A∪B=[0,00,0,41,1,02,0,23]A∪B=[0,00,0,41,1,02,0,23] A∪B=[0,10,0,41,1,02,0,23]A∪B=[0,10,0,41,1,02,0,23] Explicação: Deve-se realizar a operação de máximo elementos a elemento, se o elemento não é listado em um conjunto a pertinência é zero. μA∪B(0)=max[0,1;0,4]=0,4μA∪B(0)=max[0,1;0,4]=0,4 μA∪B(1)=max[0,4;0,0]=0,4μA∪B(1)=max[0,4;0,0]=0,4 μA∪B(2)=max[1,0;0,0]=1,0μA∪B(2)=max[1,0;0,0]=1,0 μA∪B(3)=max[0,0;0,2]=0,2μA∪B(3)=max[0,0;0,2]=0,2 A∪B=[0,40,0,41,1,02,0,23] AULA 04 1 Questão Um conjunto fuzzy apresenta elementos, os quais possuem graus de pertinência estabelecidos por determinado critério, o que chama-se funções de pertinência. Dados os conjuntos fuzzy A e B de diferentes universos de discurso, determine as funções de pertinência da relação entre eles. μR(x,y)=min(μA(x),μB(y))μR(x,y)=min(μA(x),μB(y)) A=[0.40,0.21,0.452]A=[0.40,0.21,0.452] B=[0.7−1,0.250,0.321]B=[0.7−1,0.250,0.321] R=⎡⎢⎣0.70.250.320.70.250.320.70.250.32⎤⎥⎦R=[0.70.250.320.70.250.320.70.250.32] R=⎡⎢⎣0.40.40.40.20.20.20.450.450.45⎤⎥⎦R=[0.40.40.40.20.20.20.450.450.45] R=⎡⎢⎣0.70.250.40.70.250.20.70.250.32⎤⎥⎦R=[0.70.250.40.70.250.20.70.250.32] R=⎡⎢⎣0.550.320.360.450.220.260.570.350.38⎤⎥⎦R=[0.550.320.360.450.220.260.570.350.38] R=⎡⎢⎣0.40.250.320.20.20.20.450.250.32⎤⎥⎦R=[0.40.250.320.20.20.20.450.250.32] Explicação: μR(0,−1)=min(μA(0),μB(−1))=min(0.4,0.7)=0.4μR(0,−1)=min(μA(0),μB(−1))=min(0.4,0.7)=0.4 μR(0,0)=min(μA(0),μB(0))=min(0.4,0.25)=0.25μR(0,0)=min(μA(0),μB(0))=min(0.4,0.25)=0.25 μR(0,1)=min(μA(0),μB(1))=min(0.4,0.32)=0.32μR(0,1)=min(μA(0),μB(1))=min(0.4,0.32)=0.32 μR(1,−1)=min(μA(1),μB(−1))=min(0.2,0.7)=0.2μR(1,−1)=min(μA(1),μB(−1))=min(0.2,0.7)=0.2 μR(1,0)=min(μA(1),μB(0))=min(0.2,0.25)=0.2μR(1,0)=min(μA(1),μB(0))=min(0.2,0.25)=0.2 μR(1,1)=min(μA(1),μB(1))=min(0.2,0.32)=0.2μR(1,1)=min(μA(1),μB(1))=min(0.2,0.32)=0.2 μR(2,−1)=min(μA(2),μB(−1))=min(0.45,0.7)=0.45μR(2,−1)=min(μA(2),μB(−1))=min(0.45,0.7)=0.45 μR(2,0)=min(μA(2),μB(0))=min(0.45,0.25)=0.25μR(2,0)=min(μA(2),μB(0))=min(0.45,0.25)=0.25 μR(2,1)=min(μA(2),μB(1))=min(0.45,0.32)=0.32μR(2,1)=min(μA(2),μB(1))=min(0.45,0.32)=0.32 Logo R=⎡⎢⎣0.40.250.320.20.20.20.450.250.32⎤⎥⎦R=[0.40.250.320.20.20.20.450.250.32] 2 QuestãoDetermine a relação identidade obtida de A×A=A2A×A=A2, onde A={x,y,w,z}A={x,y,w,z} IA={(x,x);(x,y);(x,w);(x,z)}IA={(x,x);(x,y);(x,w);(x,z)} IA={(x,y);(y,x);(w,z);(z,w)}IA={(x,y);(y,x);(w,z);(z,w)} IA={(x,x);(y,y);(w,w);(z,z)}IA={(x,x);(y,y);(w,w);(z,z)} IA={(x,y);(x,w);(x,z);(y,x);(y,w);(y,z);(w,x);(w,y);(w,z);(z,x);(z,y);(z,w)}IA={(x,y);(x,w);(x,z);(y,x) ;(y,w);(y,z);(w,x);(w,y);(w,z);(z,x);(z,y);(z,w)} IA={(x2);(y2);(w2);(z2)}IA={(x2);(y2);(w2);(z2)} Explicação: Um das relações possíveis é um caso especial que pode ser considerado, quando os pares ordenados são os mesmos, chamado relação identidade IAIA. No caso aplicado IA={(x,x);(y,y);(w,w);(z,z)}IA={(x,x);(y,y);(w,w);(z,z)} 3 Questão Seja a relação fuzzy RR apresentada na matriz relacional determine o complemento da relação ¯¯̄¯RR¯. Sabendo que ¯¯̄¯R→μ¯¯̄ R(x,y)=1−μR(x,y)R¯→μR¯(x,y)=1−μR(x,y) R=⎡⎢⎣0.250.950.240.640.410.630.470.580.14⎤⎥⎦R=[0.250.950.240.640.410.630.470.580.14] ¯¯̄¯R=⎡⎢⎣0.750.050.760.360.590.370.530.420.86⎤⎥⎦R¯=[0.750.050.760.360.590.370.530.420.86] ¯¯̄¯R=⎡⎢⎣0.250.950.240.640.410.630.470.580.14⎤⎥⎦R¯=[0.250.950.240.640.410.630.470.580.14] ¯¯̄¯R=⎡⎢⎣0.760.760.760.590.590.590.860.860.86⎤⎥⎦R¯=[0.760.760.760.590.590.590.860.860.86] ¯¯̄¯R=⎡⎢⎣0.950.950.950.640.640.640.580.580.58⎤⎥⎦R¯=[0.950.950.950.640.640.640.580.580.58] ¯¯̄¯R=⎡⎢⎣0.850.500.860.460.690.470.630.520.96⎤⎥⎦R¯=[0.850.500.860.460.690.470.630.520.96] Explicação: μ¯¯̄ R(1,1)=1−0.25=0.75μR¯(1,1)=1−0.25=0.75 μ¯¯̄ R(1,2)=1−0.95=0.05μR¯(1,2)=1−0.95=0.05 μ¯¯̄ R(1,3)=1−0.24=0.76μR¯(1,3)=1−0.24=0.76 μ¯¯̄ R(2,1)=1−0.64=0.36μR¯(2,1)=1−0.64=0.36 μ¯¯̄ R(2,2)=1−0.41=0.59μR¯(2,2)=1−0.41=0.59 μ¯¯̄ R(2,3)=1−0.63=0.37μR¯(2,3)=1−0.63=0.37 μ¯¯̄ R(3,1)=1−0.47=0.53μR¯(3,1)=1−0.47=0.53 μ¯¯̄ R(3,2)=1−0.58=0.42μR¯(3,2)=1−0.58=0.42 μ¯¯̄ R(3,3)=1−0.14=0.86μR¯(3,3)=1−0.14=0.86 Logo ¯¯̄¯R=⎡⎢⎣0.750.050.760.360.590.370.530.420.86⎤⎥⎦R¯=[0.750.050.760.360.590.370.530.420.86] 4 Questão A relação entre os elementos de dois conjuntos pode ser condicionada e restringida por alguma regra, onde os pares ordenados das relações são subconjuntos do produto cartesiano. Tal relação não considera todos os pares ordenados, logo a matriz relacional apresentará 0 para elementos são ¿não relacionados¿, seguindo a função característica: μR(x,y)={1,(x,y)∈R0,(x,y)∉RμR(x,y)={1,(x,y)∈R0,(x,y)∉R Considerando os conjuntos A e B abaixo, determine a matriz de relação R. A={a,b,c,d}A={a,b,c,d} B={v,w,z}B={v,w,z} R={(a,v);(b,v);(b,z);(c,w);(d,w);(d,z)}R={(a,v);(b,v);(b,z);(c,w);(d,w);(d,z)} R=⎡⎢ ⎢ ⎢⎣011010101100⎤⎥ ⎥ ⎥⎦R=[011010101100] R=⎡⎢ ⎢ ⎢⎣100101010011⎤⎥ ⎥ ⎥⎦R=[100101010011] R=⎡⎢ ⎢ ⎢⎣111101000011⎤⎥ ⎥ ⎥⎦R=[111101000011] R=⎡⎢ ⎢ ⎢⎣100010001000⎤⎥ ⎥ ⎥⎦R=[100010001000] R=⎡⎢ ⎢ ⎢⎣000001010011⎤⎥ ⎥ ⎥⎦R=[000001010011] Explicação: A matriz de relação R, considerando os conjuntos A e B. A={a,b,c,d}A={a,b,c,d} B={v,w,z}B={v,w,z} R={(a,v);(b,v);(b,z);(c,w);(d,w);(d,z)}R={(a,v);(b,v);(b,z);(c,w);(d,w);(d,z)} R=⎡⎢ ⎢ ⎢⎣100101010011⎤⎥ ⎥ ⎥⎦ AULA 05 1 Questão Assinale a alternativa que NÃO apresenta um conectivo lógico utilizado para a determinação de valores lógicos em funções compostas: afirmação disjunção implicação conjunção negação Explicação: Os conectivos lógicos utilizados para a determinação dos valores lógicos das funções compostas são definidos em: disjunção, conjunção, negação, implicação e equivalência. 2 Questão A proposição implica o significado de propor à avalição de valor. São sentenças linguísticas declarativas sobre um objeto e são expressas em termos simbólicos, como palavras, com atribuição de valores verdadeiros ou falsos, estritamente, quando na perspectiva tradicional. Na perspectiva clássica não existe alguma proposição que possa, ao mesmo tempo, ser verdadeira e falsa. Assinale a opção que contém proposições compostas com implicações, sabendo que a implicação não pode ter um consequente falso se o antecedente é verdadeiro. IF 1x0=0, THEN 1<1. IF 1x0=0, THEN 0>0. IF 1x0=0, THEN 0<0. IF 1x0=1, THEN 0>1. IF 1x0=0, THEN 0>1. Explicação: O consequente é verdadeiro independentemente da verdade do antecedente. Mesmo se ambas as proposições simples são falsas, isso não é desfavorável a definição de implicação. O antecedente verdadeiro não pode implicar um consequente falso. AULA 06 1 Questão Matematicamente falando, pode-se dizer que a modelagem nebulosa de problemas pode ser dada através de uma relação onde um conjunto contém um subconjunto fuzzy FF, determinado por uma função de pertinência que relaciona os elementos xx pertencentes ao conjunto SS um valor μF(x)μF(x). Portanto pode-se afirmar que μF(x)∈N|0≤x≤1μF(x)∈N|0≤x≤1 \(\mu_F(x)\in\mathbb{N} | 0<s<1\)< span=""></s<1\)<> μF(x)∈R|0≤x≤1μF(x)∈R|0≤x≤1 \(\mu_F(x)\in\mathbb{N} | 0<x<1\)< span=""></x<1\)<> \(S\in\mathbb{R} | 0<x<1\)< span=""></x<1\)<> Explicação: A fuzzificação é a etapa na qual as variáveis linguísticas são definidas de forma subjetiva, bem como as funções de pertinência, as quais apresentam possibilidade de uma variável pertencer a mais de uma função de pertinência. Sendo assim os elementos xx pertencentes ao conjunto SS um valor μF(x)μF(x) , que se situa entre os valores 0 e 1. μF(x):S⇒[0,1]μF(x):S⇒[0,1] 2 Questão Assinale a alternativa que apresenta o nome dado à atividade de processamento dos dados de entrada que admite uma variável discreta e definida, convertendo-a em uma variável nebulosa: defuzzyficação composição agregação fuzzyficação decomposição Explicação: O processamento dos dados de entrada, chamado fuzzyficação, significa o processo de admitir uma variável discreta e definida e convertê-la em uma variável nebulosa. 3 Questão A figura apresenta a função de pertinência do conjunto de pessoas altas. Analise a figura e assinale a alternativa que apresenta os conceitos válidos sobre a classificação das pessoas altas. Somente Pessoas com altura superior a 1,8m podem ser consideradas altas. Qualquer pessoa com altura superior a 1,6m pode ser considerada alta. Pessoas com altura maior que 0,5m e menores que 1,6m podem ser consideradas altas. Somente Pessoas com altura inferior a 1,8m podem ser consideradas altas. Uma pessoa com 1,59m é alta. Explicação: A modelagem matemática do problema pode ser dada pela definição do conjunto fuzzy dentro de um intervalo que compreenda todos os casos, como por exemplo de 0,5 m até 2,5 m. μF(x)=1,x>1,75mμF(x)=1,x>1,75m μF(x)=0,x<1,60mμF(x)=0,x<1,60m μF(x)=x−1,601,75−1,60,1,60m≤x≤1,75m AULA 07 1 Questão Assinale a alternativa que apresenta a transformação inversa de uma grandeza para a qual foi atribuído um valor linguístico, dando-lhe novamente um valor pontual. decomposição defuzzyficação fuzzyficação agregação composição Explicação: A defuzzyticação é uma transformação inversa de uma grandeza par a qual foi atribuído um valor linguístico, para dá-lo novamente um valor pontual. 2 Questão Pode-se definir alguns parâmetros a serem analisados para a melhor seleção do Método de Defuzzificação a ser empregado, onde faz-se necessário analisar o conceito de continuidade do método . Para a seleção do melhor método a ser empregado, o seguinte fator deve ser avaliado. Complexidade numérica da variável linguística. Capacidade de processamento de máquina. Velocidade de processamento linguístico. Aplicações em malha fechada. Tamanho da matriz de valores discretos. Explicação: A propriedade de continuidade é importante para aplicações em malha fechada, pois se a saída de um controlador fuzzy controla uma variável do processo, saltos na saída do controlador podem causar instabilidade e oscilações, logo é prudente optar pela defuzzificação Centro de Máximos. 3 Questão Na análise nebulosaexistem diversas formas de aplicar as etapas. Na literatura encontram-se diversos métodos e técnicas que podem ser empregadas. Assinale a alternativa que apresenta a correta associação entre o método e sua descrição. Média do Máximo: considera apenas o ponto médio considerado pelos valores máximos das funções de pertinência. Centro de Área: não considera as áreas das superfícies formadas pelas funções de pertinência, mas sim apenas o ponto médio considerado pelos valores máximos das funções de pertinência Média do Máximo: também chamado de Centro de Gravidade. Centro de Área: calcula o centroide da superfície gerada pela função de pertinência de como o ponto que divide a área da superfície em duas áreas iguais. Centro do Máximo: utiliza a média de todos os máximos. Explicação: Existem alguns métodos que são tipicamente utilizados como ferramenta para a defuzzificação. A deiferença entre esses métodos é quando observa-se o centroide ou os valores limítrofes associados às funções de pertinência. AULA 08 1 Questão A inferência Fuzzy pode ser aplicada em um modelo linguístico para calcular o significado de termos compostos por modificação linguística. Considere que o modificador "Muito" seja α=α2α=α2 num modelo linguístico em que Carlos apresenta os graus de pertinência "idoso" de 0,6 e "jovem" de 0,1. Calcule o grau de pertinência de Carlos para a classe "não é jovens e não é muito velho". μ=0,64μ=0,64 μ=1,00μ=1,00 μ=0,324μ=0,324 μ=0,36μ=0,36 μ=0,26μ=0,26 Explicação:μ(Carlos)=(1−0,1)∩(1−0,62)μ(Carlos)=(1−0,1)∩(1−0,62) μ(Carlos)=0,64μ(Carlos)=0,64 2 Questão Aos termos que modificam a variável linguística (termos atômicos), chamar-se-á modificadores linguísticos, que modificam o significado singular de um termo atômico, a partir de sua interpretação original. A partir da definição acima, analise os modificadores linguísticos abaixo. Modificadores Pertinência "Muito" α=α2α=α2 Inteligente = 0,5 "Muitíssimo" α=α4α=α4 Esperto = 0,2 "Não muito" α=1−α2α=1−α2 Eficiente = 0,3 Baseado nos modificadores linguísticos e nos graus de pertinência acima, calcule o valor discreto da frase "Jorge é muito inteligente, não muito esperto e não muitíssimo eficiente" Qual valor discreto deve ser atribuído à frase? α=2,2019α=2,2019 α=0,2500α=0,2500 α=0,2181α=0,2181 α=0,2380α=0,2380 α=0,2019α=0,2019 Explicação: α=(0,52)∩(1−0,22)∩(1−0,34)α=(0,52)∩(1−0,22)∩(1−0,34) α=0,25∩0,96∩0,9919α=0,25∩0,96∩0,9919 α=0,25α=0,25 3 Questão Uma operação utilizada em conjuntos difusos, quando aplicados a graus de pertinência, é a intensificação. Assinale a alternativa que contém uma operação de intensificação. Pertinência. Contrastação. Expressão. Inferência. Dilatação. Explicação:A intensificação é uma operação que atua em uma combinação de concentração e dilatação. Aumenta o grau de pertinência dos elementos no conjunto com graus de pertinência originais maiores que 0,5 e diminui o grau de pertinência desses elementos no conjunto com de pertinência originais menores que 0,5. AULA 09 1 Questão As arquiteturas das RNA podem são discriminadas por três classificações. Assinale a opção que apresenta as três classificações descritas corretamente. Micro-Estrutura: características de cada neurônio na rede, principalmente a sua função de ativação. Meso-Estrutura: associação eventual de redes para abordar problemas complexos. Macro-Estrutura: organização dos neurônios na rede, quantidade de camadas ocultas, quantidade de neurônios. Micro-Estrutura: associação eventual de redes para abordar problemas complexos. Meso-Estrutura: características de cada neurônio na rede, principalmente a sua função de ativação. Macro-Estrutura: organização dos neurônios na rede, quantidade de camadas ocultas, quantidade de neurônios. Micro-Estrutura: organização dos neurônios na rede, quantidade de camadas ocultas, quantidade de neurônios. Meso-Estrutura: características de cada neurônio na rede, principalmente a sua função de ativação. Macro-Estrutura: associação eventual de redes para abordar problemas complexos. Micro-Estrutura: associação eventual de redes para abordar problemas complexos. Meso-Estrutura: organização dos neurônios na rede, quantidade de camadas ocultas, quantidade de neurônios. Macro-Estrutura: características de cada neurônio na rede, principalmente a sua função de ativação. Micro-Estrutura: características de cada neurônio na rede, principalmente a sua função de ativação. Meso-Estrutura: organização dos neurônios na rede, quantidade de camadas ocultas, quantidade de neurônios. Macro-Estrutura: associação eventual de redes para abordar problemas complexos. Explicação: As arquiteturas das RNAs são diferenciadas pelos conceitos micro, meso e macro estruturas, definidos consecutivamente por: características de cada neurônio na rede, principalmente a sua função de ativação; organização dos neurônios na rede, quantidade de camadas ocultas, quantidade de neurônios; e associação eventual de redes para abordar problemas complexos. 2 Questão Assinale a alternativa que apresenta as duas etapas do algoritmo de backpropagation: batelada e incremental forward e backward inclinação e deslocamento simples e composto simples e complexo Explicação: O algoritmo de backpropagation é dividido em 2 etapas: forward (direto) e backward (reverso). 3 Questão A modelagem de sistemas inteligentes híbridos é a possibilidade de combinar técnicas inteligentes. Um método híbrido de interesse em sistemas inteligentes é o método neuro- fuzzy. Quais as camadas que podem ser consideradas na incorporação das técnicas Fuzzy nas Redes Neurais Artificiais? Fuzzyficação, Regras, Defuzificação. Entradas, Fuzzyficação, Regras, Defuzificação. Entradas, Fuzzyficação, Consequente, Defuzificação. Entradas, Fuzzyficação, Regras, Consequente, Defuzificação. Fuzzyficação, Regras, Consequente, Defuzificação. Explicação: São 5 camadas que as redes neuro-fuzzy possuem atribuídas as operações de tratamento fuzzy. 4 Questão Considerando o modelo matemático do neurônio para aplicação computacional com função de ativação linear g(⋅):y=ug(⋅):y=u, assinale a opção que determina o valor de saída do neurônio yy pelas entradas x1=1,x2=−0.2 e x3=0.7x1=1,x2=−0.2 e x3=0.7, relacionadas respectivamente aos pesos w1=0.3,w2=0.6 e w3=0.3w1=0.3,w2=0.6 e w3=0.3, com o bias θ=−0.2θ=−0.2. Modelo do neurônio: y=g(3∑i=1xiwi−θ)y=g(∑i=13xiwi−θ) 0,11 0,19 0,39 0,51 0,59 Explicação: y=g(0,3⋅1+0,6⋅(−0,2)+0,3⋅0,7−0,2)y=g(0,3⋅1+0,6⋅(−0,2)+0,3⋅0,7−0,2) y=0,3−0,12+0,21−0,2=0,19 AULA 10 1 Questão As decisões podem ser de natureza binária, mas certamente não deve haver restrições à utilidade da informação difusa no processo de tomada de decisão. Assinale a alternativa que apresenta etapas envolvidas na utilização da lógica fuzzy no processo de tomada de decisões. Adição da influência nula de funções de pertiência. Interpretação do valor discreto fuzzificado. Remoção dos graus de pertinência na fuzzificação. Aplicação de pesos às variáveis pelas funções de pertinência. Valores discretos como resultado fuzzificado. Explicação: Os valores numéricos (discretos) são obtidos na fonte, os quais serão processados e analisados de acordo com funções de pertinência adequados. A fuzzificação desses valores dará a cada um deles pesos em cada uma das funções de pertinência, que são os graus de pertinência. Em seguida a influência de cada um desses graus é reconvertida em valores numéricos para serem lidos e analisados para que se tenham dados robustos o suficiente para uma boa tomada de decisões. 2 Questão Apesar do treinamento formal nessa área e do senso comum sobre como essa noção de incerteza é clara, vemos que ela é violada com boa frequência na realidadeempresarial. Assinale a alternativa que apresenta uma situação na qual a lógica fuzzy pode auxiliar o processo de tomada de decisões. Decisões que dependam exclusivamente de 1 parâmetro. Pequeno volume de dados a serem analisados. Problema com grande volume de dados. Problemas com funções de pertinência vazios. Análise de variáveis que possam admitir resultados 0 OU 1. Explicação: Quando o volume de dados de entrada a serem analisados é muito grande, a utilização de métodos numéricos se mostra uma excelente ferramenta na tomada de decisões. Decisões pertinentes a investimentos financeiros é um dos exemplos mais vistos na literatura sobre aplicações fuzzy, onde uma série de parâmetros devem ser analisados, como flutuação cambial, taxação sobre transações, variações de valores de ativos, entre diversos outros. 3 Questão As decisões tomadas em qualquer situação, quase sempre levam em consideração fatores empíricos, como experiências anteriores e situações similares. Nem sempre, ao considerar as probabilidades, toma-se uma decisão acertada. Assinale a alternativa que apresenta um exemplo de como a lógica nebulosa pode colaborar para trazer mais confiabilidade ao processo decisório. Problemas analisados como "Verdadeiro ou Falso". Eliminação de interpretação linguística. Compreensão dual de possibilidades. Análise superficial de dados robustos. Modelos não-booleanos. Explicação: A lógica nebulosa permite uma análise dos dados de forma mais aprofundada, ou seja, diversos modelos não podem ser interpretados apenas com o sistema "Verdadeiro ou Falso". Na fuzzificação de variáveis, é possível compreender melhor como as diversas possibilidades (funções de pertinência) são distribuídas no sistema e com qual nível de influência cada uma delas pode afetar o resultado final (grau de pertinência). Através dessa análise as decisões tomadas podem estar melhor embasadas. 4 Questão Pode-se tomar uma boa decisão e o resultado pode ser adverso. Ou mesmo, tomar uma decisão ruim e o resultado pode ser vantajoso, quando se baseia a tomada de decisões em uma lógica binária. Assinale a alternativa que apresenta como a lógica nebulosa pode colaborar na tomadad de decisões. Funções de pertinência aplicáveis. Variáveis isoladas sem influência entre si. Leitura de dados booleanos. Problemas com resultado numérico. Situações com duas possibilidades de escolha. Explicação: O processo de tomada de decisão é um empreendimento científico, social e econômico de extrema importância. A habilidade de fazer escolhas consistentes e acertadas é a essência de qualquer processo de decisão que possuem naturalmente algum nível de incerteza. A lógica fuzzy usa conjuntos com intervalos entre 0 e 1 para descrever certas interações de diversas variáveis de processos que seriam difíceis de elaborar em lógica tradicional para algoritmos. Funções chamadas de pertinência são ajustadas com regras de decisões elaboradas por especialistas.
Compartilhar