MACHINE LEARNING - A4

Prévia do material em texto

• Pergunta 1 
1 em 1 pontos 
 
As aplicações das redes neurais são cada vez mais surpreendentes. Em específico, as redes neurais se 
notabilizam pela robustez apresentada em problemas de classificação. O objetivo dos algoritmos de 
treinamento não é minimizar o erro do conjunto de treinamento, mas aproximar as funções geradoras. 
 
A respeito das redes neurais, analise as afirmativas a seguir e assinale (V) para a(s) Verdadeira(s) e (F) para 
a(s) Falsa(s). 
 
I. ( ) Uma combinação de algoritmos utilizada nas aplicações das áreas de automação e de controle 
envolve lógica nebulosa e redes neurais. 
II. ( ) Redes neurais com mais de cinco camadas fazem uso de vários algoritmos ao mesmo tempo em suas 
camadas internas, incluindo árvores de decisão, Naive Bayes e regressão linear. 
III. ( ) As redes neurais não apresentam um desempenho suficiente em relação à Internet das Coisas (IoT), 
apesar de todo o investimento realizado nos últimos 10 anos. 
IV. ( ) Uma das características das redes neurais artificiais é o fato de serem constituídas por unidades de 
processamento simples e densamente interconectadas. 
 
Assinale a alternativa que apresenta a sequência correta. 
 
Resposta Selecionada: 
V, F, F, V. 
Resposta Correta: 
V, F, F, V. 
Comentário 
da resposta: 
Resposta correta. A sequência está correta, pois na combinação da lógica nebulosa com 
as redes neurais, a lógica nebulosa efetua a quantificação das entradas, enquanto as 
redes neurais aprendem com os dados. Isso já está sendo feito em diversas aplicações. 
Além disso, as redes neurais artificiais são constituídas por várias unidades (chamadas 
de neurônios artificiais) com processamento simples e que estão densamente 
interconectadas. 
 
 
• Pergunta 2 
1 em 1 pontos 
 
O R é uma linguagem orientada a objetos, open-source , gratuita e com uma comunidade internacional 
engajada. Além disso, distingue-se pela enorme diversidade de pacotes voltados à área de machine 
learning , incluindo as árvores de decisão, a clusterização, a regressão linear, a logística, os componentes 
principais, a análise fatorial, as redes neurais e a deep learning . 
 
Em relação ao uso do R em deep learning , analise as afirmativas a seguir e assinale (V) para a(s) 
Verdadeira(s) e (F) para a(s) Falsa(s). 
 
I. ( ) As principais funções para a resolução de problemas voltados à aprendizagem profunda no R são 
nn.train e predicat. 
II. ( ) O pacote do R voltado à aprendizagem profunda se chama deepnet . A função nn.train faz parte 
desse pacote. 
III. ( ) Para efetuar o download de um pacote do R para o computador, é necessário usar library(“nome do 
pacote”). 
IV. ( ) Antes de utilizarmos o comando nn.train(), precisamos usar o comando predict(), a fim de preparar 
a rede neural. 
 
Assinale a alternativa que apresenta a sequência correta. 
 
Resposta Selecionada: 
V, V, F, F. 
Resposta Correta: 
 
V, V, F, F. 
Comentário 
da resposta: 
Resposta correta. A sequência está correta, pois as funções nn.train e predicat do R 
trabalham em conjunto e fazem parte do ferramental voltado ao aprendizado profundo. 
O pacote deepnet abriga a função nn.train. Para usar esse pacote (“package”) do R, 
primeiramente, você precisa efetuar o download a partir do comando 
install.packages(“deepnet”). Em seguida, deverá carregar o pacote em sua sessão 
corrente do R usando library(deepnet). 
 
• Pergunta 3 
1 em 1 pontos 
 
Os algoritmos de deep learning (aprendizado profundo) constituem uma inovação recente na área de 
aprendizado de máquina. Eles são uma espécie de caixa-preta, na qual entra um conjunto de dados (uma 
imagem, por exemplo) e, por meio de diversas funções matemáticas, é produzida uma saída que extrai um 
aprendizado do conjunto de dados de entrada, com resultados frequentemente precisos, ultrapassando o 
desempenho humano. 
 
Considerando o conteúdo apresentado no enunciado, assinale a alternativa correta. 
 
Resposta 
Selecionada: 
 
Uma rede neural com mais de cinco camadas já caracteriza um aprendizado 
profundo. Essas camadas realizam transformações lineares e não lineares. 
Resposta 
Correta: 
 
Uma rede neural com mais de cinco camadas já caracteriza um aprendizado 
profundo. Essas camadas realizam transformações lineares e não lineares. 
Comentário 
da resposta: 
Resposta correta. A alternativa está correta, pois as redes neurais com mais de cinco 
camadas são consideradas deep learning ou de aprendizado profundo. Esse fato é o que 
diferencia as duas estruturas. Os algoritmos de aprendizado profundo não executam a 
etapa de extração de atributos, atitude usualmente realizada na análise preditiva. 
 
 
• Pergunta 4 
1 em 1 pontos 
 
O perceptron é uma rede neural com apenas uma camada de pesos. Diante disso, essa estrutura tem apenas 
um conjunto de neurônios na entrada e um conjunto de neurônios na saída. É importante destacar que a 
convergência do perceptron será garantida se os dados de entrada forem linearmente separáveis. Em outras 
palavras, o perceptron encontra um conjunto de pesos dos neurônios que possibilitará a classificação 
correta dos dados. 
 
A respeito das redes neurais, analise as afirmativas a seguir e assinale (V) para a(s) Verdadeira(s) e (F) para 
a(s) Falsa(s). 
 
I. ( ) A capacidade de generalização das redes neurais está associada à capacidade de produção de saídas 
adequadas para entradas que não foram observadas na fase de treinamento. 
II. ( ) Na literatura especializada, é destacado que o poder do aprendizado computacional das redes neurais 
está diretamente associado à sua estrutura maciça paralela distribuída. 
III. ( ) Redes neurais não podem ser treinadas para percorrer conjuntos massivos de dados, incluindo 
exames de ressonância magnética e sequências de DNA. 
IV. ( ) Existem linhas de pesquisa na área das redes neurais artificiais que destacam que o cérebro humano 
funciona de forma similar a um computador digital. 
 
Assinale a alternativa que apresenta a sequência correta. 
 
Resposta Selecionada: 
V, V, F, F. 
Resposta Correta: 
 
V, V, F, F. 
Comentário 
da resposta: 
Resposta correta. A sequência está correta, pois existem pesquisas na área da 
Inteligência Artificial (IA) que sustentam que as redes neurais artificiais têm um elevado 
poder computacional, devido à sua estrutura maciça paralela distribuída. A 
aprendizagem de uma rede neural está associada à capacidade de produção de respostas 
que se adequem aos padrões esperados a partir de entradas que não foram apresentadas 
na base de dados durante a fase de treinamento. 
 
• Pergunta 5 
0 em 1 pontos 
 
Florestas aleatórias podem fazer uso do que se denomina “ bagging ”: tomar múltiplos subconjuntos do 
conjunto de dados de treinamento, com o objetivo de construir um número de modelos de árvore de decisão 
independentes para, depois, tomar a média desses modelos, o que possibilita a criação de um modelo 
preditivo com desempenho comparado ao modelo clássico CART. Outra técnica para melhorar o 
desempenho das florestas aleatórias é o gradient boosted trees . 
 
Sobre o gradient boosted trees , assinale a alternativa correta. 
 
Resposta 
Selecionada: 
 
As árvores utilizadas em uma floresta aleatória a partir do método bagging carregam 
sempre os mesmos parâmetros, constituindo uma modelagem heterogênea. O número 
de quebras em cada árvore e a profundidade são dois desses parâmetros. 
Resposta 
Correta: 
 
O método boosting é similar ao bagging. No entanto, no bagging, as árvores crescem 
de forma sequencial, ou seja, cada árvore é construída a partir das informações da 
árvore anterior. 
Comentário 
da resposta: 
Sua resposta está incorreta. A alternativa está incorreta, pois as árvores construídas no 
método bagging não carregam os mesmos parâmetros. A combinação das árvores de 
decisão no gradient boosted trees é realizada sem amostras de bootstrap, as quais não 
são definidas de acordo com uma função do tipo sigmoide. O parâmetro para o controledo número de árvores na função gbm() é chamado “ trees”, e não “ numtress”. Além 
disso, não é esse o parâmetro que reduz o impacto de aprendizagem em cada árvore, 
mas o shrinkage. O número de iterações da função gbm() é controlado pelo parâmetro 
interaction.depth, o qual não reduz o impacto de aprendizagem de cada árvore. O 
parâmetro responsável por isso é o shrinkage. 
 
 
• Pergunta 6 
1 em 1 pontos 
 
A técnica de árvore de decisão pode facilmente gerar overfitting (sobreajuste). Desse modo, uma das 
estratégias para reduzir a problemática é tomar um grande conjunto de árvores de decisão como 
classificador, o que constitui as florestas aleatórias. 
 
A respeito das florestas aleatórias, analise as afirmativas a seguir e assinale (V) para as Verdadeiras e (F) 
para as Falsas. 
 
I. ( ) Nas florestas aleatórias, depois que a base de dados passa por um conjunto de árvores de decisão que 
trabalham em conjunto para obter um somatório de modelos, é gerado o conjunto de dados preditivos. 
II. ( ) Primeiramente, no algoritmo random forest, é realizada uma seleção de amostras, a fim de excluir as 
repetições. A implementação dessa exclusão de repetições é realizada por meio de um procedimento 
denominado bagging . 
III. ( ) A seleção bootstrap, no algoritmo random forest, é realizada para cada árvore por meio de amostras 
que podem ser aleatórias e repetidas. Assim, é possível ter uma ou mais de uma observação repetida. 
IV. ( ) A seleção de variáveis para o nó raiz de cada árvore é determinada pelo algoritmo random forest , 
que define as variáveis de forma determinística. A definição é realizada de forma estocástica apenas no 
caso de ensemble learning . 
 
 
Assinale a alternativa que apresenta a sequência correta. 
Resposta Selecionada: 
V, F, V, F. 
Resposta Correta: 
V, F, V, F. 
Comentário 
da resposta: 
Resposta correta. A sequência está correta, pois as florestas aleatórias operam em um 
conjunto de árvores de decisão, de acordo com a técnica bagging (ensacamento), a fim 
de obter uma média ou uma ponderação entre diversos modelos. Ao final, é demonstrado 
o conjunto de dados da predição. Além disso, para cada árvore, é feita uma seleção 
denominada bootstrap, na qual são permitidas observações repetidas. A partir da 
realização dessa operação em um conjunto de árvores de decisão, a possibilidade de 
haver overfitting é reduzida de forma significativa. O boosting tem o número de árvores 
como parâmetro de ajuste. Não só, mas também há o número de splits em cada árvore 
(que é o parâmetro shrinkage lambda). 
 
 
• Pergunta 7 
1 em 1 pontos 
 
As florestas aleatórias ( random forests ) constituem uma abordagem de aprendizagem supervisionada do 
tipo ensemble , a qual utiliza uma sequência de árvores de decisão. Nessa abordagem, são desenvolvidos 
inúmeros modelos preditivos e, para que as taxas de acerto sejam maiores, os resultados são agregados. 
 
A respeito das florestas aleatórias, assinale a alternativa correta. 
 
Resposta 
Selecionada: 
 
O algoritmo random forest faz uso da amostragem de observações e de variáveis, a 
fim de gerar grande número de árvores de decisão. 
Resposta Correta: 
O algoritmo random forest faz uso da amostragem de observações e de variáveis, a 
fim de gerar grande número de árvores de decisão. 
Comentário 
da resposta: 
Resposta correta. A alternativa está correta, pois o método random forest mostra 
aleatoriamente tanto as observações do conjunto de dados quanto as variáveis a serem 
avaliadas por cada árvore de decisão. É a partir dessa amostragem de observações e de 
variáveis que as florestas aleatórias ( random forests) apresentam um desempenho 
superior às árvores de decisão, já que há menor possibilidade de sobreajuste 
( overfitting). 
 
 
• Pergunta 8 
0 em 1 pontos 
 
Com o incremento de velocidade nos processadores, os problemas associados ao grande número de ajustes 
nas redes neurais artificiais com muitas camadas foram mitigados. Assim, as redes profundas, a partir de 
um treinamento realizado por algoritmos de deep learning, passaram a apresentar um desempenho muito 
superior ao de outros algoritmos de machine learning , principalmente em relação ao processamento de 
imagens, voz e língua natural. 
 
Sobre deep learning , analise as afirmativas a seguir e assinale (V) para a(s) Verdadeira(s) e (F) para a(s) 
Falsa(s). 
 
I. ( ) A técnica de aprendizagem conhecida como deep learning se notabiliza pelo processamento de 
grande quantidade de dados não estruturados. 
II. ( ) O conceito de rede neural convolucional se aplica tanto às redes neurais usuais quanto ao 
processamento deep learning . 
III. ( ) Na linguagem R, existem pacotes e, dentro desses pacotes, há muitas funções específicas para o 
tratamento de redes neurais e deep learning , incluindo a função nn.train do pacote deepnet . 
 
IV. ( ) Para utilizarmos o pacote deepnet no R, precisamos, primeiramente, efetuar o carregamento do 
pacote usando library(deepnet). Em seguida, utilizamos install.packages(“deepnet”). 
 
Assinale a alternativa que apresenta a sequência correta. 
Resposta Selecionada: 
V, V, V, F. 
Resposta Correta: 
V, F, V, F. 
Comentário 
da resposta: 
Sua resposta está incorreta. A sequência está incorreta, pois o conceito de rede neural 
convolucional não é utilizado nas redes neurais convencionais, uma vez que se trata de 
um conceito da deep learning que utiliza o que chamamos de camada convolucional. A 
função nn.train é uma função da linguagem R específica para o tratamento de redes 
neurais artificiais e faz parte do pacote deepnet. A ordem dos comandos no R está 
invertida. Primeiramente, utilizamos o código install.package(“deepnet”), para que 
possamos realizar o carregamento na sessão corrente do R por intermédio de 
library(deepnet). 
 
 
• Pergunta 9 
1 em 1 pontos 
 
No modelo perceptron, os terminais de entrada constituem pesos sinápticos que emulam os dendritos dos 
neurônios humanos. É por eles que as mensagens caminham de um neurônio até o outro. As redes neurais 
carregam funções que fazem a ponderação desses pesos sinápticos e os combinam, ao realizarem a soma 
das entradas para a produção de saídas. Nas redes neurais artificiais, os neurônios podem ser encontrados 
em uma ou em mais de uma camadas. A partir de duas camadas, cada neurônio pode receber sinais das 
saídas dos neurônios da camada anterior. 
 
A respeito das redes neurais artificiais, assinale a alternativa correta. 
 
Resposta 
Selecionada: 
 
À medida que é realizado um avanço nas camadas em uma rede Multilayer 
Perceptron (MLP), novas classificações são realizadas pelas funções de ativação. 
Resposta 
Correta: 
 
À medida que é realizado um avanço nas camadas em uma rede Multilayer 
Perceptron (MLP), novas classificações são realizadas pelas funções de ativação. 
Comentário 
da resposta: 
Resposta correta. A alternativa está correta, pois a estrutura da rede Multilayer 
Perceptron (MLP) é construída, para que sejam realizadas novas classificações das 
funções de ativação à medida que avançamos na rede neural. De acordo com o 
progresso feito nas camadas da rede neural, o processamento se torna cada vez mais 
complexo. 
 
 
• Pergunta 10 
1 em 1 pontos 
 
Em paralelo à proposição feita por Rosenblatt a respeito da estrutura do perceptron, Widrow e Hoff 
apresentaram o algoritmo dos quadrados mínimos, também conhecido como regra delta. Trata-se de um 
mecanismo fundamental para a obtenção de um algoritmo de treinamento em redes neurais simples, cuja 
saída seja linear. Desde então, inúmeros desenvolvimentos foram realizados na área de redes neurais 
artificiais. 
 
Sobre as redes neurais artificiais, assinale a alternativa correta. 
 
Resposta 
Selecionada: 
 
Em uma rede neural artificial, quando duas ou mais camadas são utilizadas, um 
neurônio pode receber, em seus terminais de entrada, valores de saída de um ou de 
mais neurônios da camada anterior. 
Resposta 
Correta:Em uma rede neural artificial, quando duas ou mais camadas são utilizadas, um 
neurônio pode receber, em seus terminais de entrada, valores de saída de um ou de 
mais neurônios da camada anterior. 
Comentário 
da resposta: 
Resposta correta. A alternativa está correta, pois, quando neurônios são combinados em 
uma rede com múltiplas camadas (duas ou mais), é possível obter estruturas mais 
complexas, as quais podem atuar com sucesso em problemas que não sejam linearmente 
separáveis. Nessas redes com múltiplas camadas, as camadas intermediárias recebem o 
sinal dos neurônios da camada anterior e o enviam aos neurônios da próxima camada. 
Dessa forma, é constituído um fluxo de informação do tipo alimentação para a frente.