Vamos analisar cada afirmativa: I. O aprendizado da rede neural é computacionalmente eficiente, pois testa valores para cada peso isoladamente, mantendo todos os outros estáticos, buscando o peso que minimiza a perda na saída. Falso. O aprendizado em redes neurais geralmente utiliza métodos como o gradiente descendente, que atualiza todos os pesos simultaneamente, não testando cada peso isoladamente. II. Aprender significa encontrar um conjunto de valores para os pesos do modelo que minimize uma função de perda para um determinado conjunto de amostras de dados de treinamento e seus alvos correspondentes. Verdadeiro. Esta afirmativa está correta, pois descreve precisamente o objetivo do aprendizado em redes neurais. III. O otimizador especifica a maneira exata em que o gradiente da perda será usado para atualizar a quantidade de neurônios. Falso. O otimizador é responsável por atualizar os pesos da rede, não a quantidade de neurônios. A quantidade de neurônios é uma característica da arquitetura da rede e não é alterada durante o treinamento. Com base nas análises, apenas a afirmativa II é verdadeira. Portanto, a alternativa correta que contém todos os itens verdadeiros é: II.