CCT0767_teste_de_conhecimento_aula_9

Prévia do material em texto

1
          Questão
	
	
	Com relação ao conjunto de dados utilizados por uma rede neural artificial de aprendizado supervisionado, analise as seguintes afirmativas:
I - A atualização dos pesos dos neurônios ocorre em ambos os conjuntos de treinamento e validação.
II - O conjunto de treinamento deve ser apresentado à rede diversas vezes, isto é, em diversas épocas.
III - O conjunto de validação é utilizado para testar a capacidade de generalização da rede, isto é, se ela aprendeu padrões testando-se dados não presentes no conjunto de treinamento.
Assinale a alternativa correta:
		
	
	As afirmativas I e II estão corretas
	
	Somente a afirmativa II está correta
	
	Somente a afirmativa I está correta
	 
	As afirmativas II e III estão corretas
	
	Somente a afirmativa III está correta
	Respondido em 03/09/2021 13:04:52
	
		
	Gabarito
Comentado
	
	
	 
		2
          Questão
	
	
	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 sobre-treinamento
De acordo com a abordagem, assinale a opção CORRETA:
		
	
	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.
	
	Somente os itens II e III estão corretos.
	Respondido em 03/09/2021 13:05:18
	
	
	 
		3
          Questão
	
	
	Nas redes tipo Perceptrons de Múltiplas Camadas (MLP) com o algoritmo Backpropagation, por que tal tipo de treinamento é chamado de treinamento supervisionado?
		
	 
	as saídas desejadas são fornecidas e utilizadas para correção dos pesos
	
	as respostas são revisadas utilizando o conjunto de validação
	
	é utilizado um algoritmo de supervisão dos pesos durante o treinamento
	
	as entradas e saídas são embaralhadas pelo supervisor antes do treinamento
	
	todo o processo deve ser supervisionado por um especialista
	Respondido em 03/09/2021 13:05:43
	
		
	Gabarito
Comentado
	
	
	 
		4
          Questão
	
	
	Analise as seguintes afirmativas sobre redes neurais sem ciclos dirigidos, sendo n o número de neurônios e m o número de conexões.
I. Uma vez treinada, o uso da rede consiste em aplicar uma entrada e esperar até que ocorra convergência para que seja obtida a saída.
II. O processo de treinamento consiste em obter um vetor em um espaço pelo menos m -dimensional. Esse vetor é obtido por meio de um processo de otimização que busca minimizar o erro sobre as instâncias de treino.
III. O processo de treinamento consiste em obter um vetor em um espaço pelo menos m -dimensional. Esse vetor é obtido por meio de um processo de otimização que busca minimizar o erro de generalização.
A análise permite concluir que:
Escolha a alternativa correta
		
	
	Apenas as afirmativas II e III estão corretas.
	
	Todas as afirmativas estão corretas.
	 
	Apenas a afirmativa II está correta.
	
	Apenas a afirmativa III está correta.
	
	Apenas as afirmativas I e II estão corretas.
	Respondido em 03/09/2021 13:06:03
	
		
	Gabarito
Comentado
	
	
	 
		5
          Questão
	
	
	Considere a rede com neurônios de McCulloch-Pitts abaixo, na qual cada neurônio possui o patamar q = 0. Para os pares de valores das entradas (x1 e x2) de (0,0), (0,1), (1,0) e (1,1), quais seriam os respectivos valores de saída do neurônio z3?
		
	
	(1,0,0,1)
	
	(0,0,0,1)
	 
	(0,1,1,1)
	
	(0,1,1,0)
	
	(0,1,0,1)
	Respondido em 03/09/2021 13:07:14
	
		
	Gabarito
Comentado
	
	
	 
		6
          Questão
	
	
	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 sobre-treinamento
III - Ajudar a obter a resposta mais rapidamente
De acordo com a abordagem, assinale a opção CORRETA:
		
	
	Somente os itens I e III estão corretos.
	
	Somente o item III está correto.
	
	Somente o item I está correto.
	 
	Somente o item II está correto.
	
	Somente os itens II e III estão corretos.
	Respondido em 03/09/2021 13:07:48
	
	
	 
		7
          Questão
	
	
	Nas redes tipo Perceptrons de Múltiplas Camadas (MLP) com o algoritmo Backpropagation, qual é o principal função do termo de momento aplicado à formula de ajuste dos pesos?
		
	
	Para frear a convergência, inibindo a atração de mínimos locais e permitindo a convergência para o mínimo global
	 
	Para acelerar a convergência utilizando a tendência de correção do ciclo anterior
	
	Para explorar múltiplos pontos de mínimo da função
	
	Para frear a convergência para o valor de mínimo da função de erro, uma vez que uma descida mais lenta impede que se passe do ponto desejado
	
	Para acelerar a convergência utilizando um fator multiplicador arbitrado pelo algoritmo
	Respondido em 03/09/2021 13:08:01
	
		
	Gabarito
Comentado
	
	
	 
		8
          Questão
	
	
	O algoritmo de treinamento Backpropagation consiste em uma sequência de fases.
Assinale a alternativa INCORRETA sobre este algoritmo.
		
	
	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 .
	 
	Apresentar um padrão na camada de entrada e calcular o valor do seu peso na camada de saída.
	
	Retropropagar o erro na rede calculando de que forma as mudanças nos pesos afetam o erro.
	
	Se um erro máximo desejado não tiver sido atingido, retornar ao passo inicial para a próxima iteração (apresentação de todos os padrões novamente).