Baixe o app para aproveitar ainda mais
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.
Compartilhar