20 questões de provas reais da Cebraspe, Yatta sobre Redes Neurais e Deep Learning, com gabarito e comentário. Responda antes de abrir o gabarito.
153 questões desse assunto no acervo do Yatta. Esta página mostra uma amostra fixa.
Em RNA formada unicamente de perceptron , uma pequena alteração nos pesos de um único perceptron na rede pode ocasionar grandes mudanças na saída desse perceptron ; mesmo com a inserção das funções de ativação, não é possível controlar o nível da mudança, por isso, essas redes são voltadas para a resolução de problemas específicos, tais como regressão e previsão de séries temporais.
As funções de ativação são elementos importantes nas redes neurais artificiais; essas funções introduzem componente não linear nas redes neurais, fazendo que elas possam aprender mais do que relações lineares entre as variáveis dependentes e independentes, tornando-as capazes de modelar também relações não lineares.
O algoritmo de backpropagation consiste das fases de propagação e de retro propagação: na primeira, as entradas são passadas através da rede e as previsões de saída são obtidas; na segunda, se calcula o termo de correção dos pesos e, por conseguinte, a atualização dos pesos.
Rede neural recorrente é uma arquitetura similar à feedforward ; a diferença é que a cada nova camada oculta ( hidden layer ) é acrescentada outra camada recorrente à arquitetura conectada à camada anterior, duplicando assim a quantidade de camadas.
Em RNA, o uso de early stopping , ainda que não evite o overfitting , permite calcular com mais precisão a classificação nos dados de validação e, assim, melhorar a acurácia do treinamento.
Uma rede neural convolucional é composta por camadas convolucionais, unidades de processamento não linear e camadas de subamostragem ( pooling ); ela possui como característica a habilidade em explorar correlações temporais e espaciais nos dados.
data_test = model.fit(x, y, batch_size=64, epochs=2, validation_data=(x_val, y_val))
No código abaixo, escrito em Python, o método fit( ) retorna o valor de perda e os valores de métricas para o modelo, no modo de teste, tendo como referência o número de eras ( epochs ).
Mask RCNN ( region-based convolutional neural network ) é um método para segmentação de objetos e instâncias que se baseia em detecção, enquanto o método SSAP ( single-shot instance segmentation ) se baseia em pixels .
O problema do gradiente explosivo somente pode ser resolvido pela redução do número de camadas, não existindo técnica capaz de limitar a magnitude das atualizações.
A normalização dos dados pode ser calculada sobre o conjunto completo antes da separação entre treino e teste, sem qualquer prejuízo à avaliação do modelo.
A arquitetura Transformer processa sequências estritamente na ordem temporal, elemento a elemento, sem paralelização possível no treinamento.
A retropropagação propaga os dados de entrada da saída para a entrada da rede neural.
O desempenho elevado no conjunto de treino é evidência suficiente da qualidade do modelo obtido.
Modelos de aprendizado profundo são naturalmente interpretáveis, permitindo explicar cada decisão a partir da inspeção de seus pesos.
O problema do desvanecimento do gradiente afeta apenas redes com uma única camada oculta.
O sobreajuste de um modelo manifesta-se pela ocorrência de erro elevado tanto no conjunto de treinamento quanto no conjunto de validação.
Na transferência de aprendizado, é obrigatório treinar novamente todos os pesos da rede a partir de inicialização aleatória, sob pena de degradação do desempenho no novo domínio.
O sobreajuste em redes profundas combate-se ampliando a rede e treinando por mais épocas sobre os mesmos poucos dados.
O uso de unidades de processamento gráfico é irrelevante no treinamento de redes profundas, que dependem apenas da memória disponível.
A camada de saída de uma rede destinada à classificação binária deve conter tantos neurônios quantas forem as amostras do conjunto de treinamento.
Ver todos os concursos abertos
Resolva primeiro, confira depois, e anote o motivo de cada erro: a banca repete o mesmo tipo de pegadinha. No Yatta, as 153 questões desse assunto entram na sua sessão de estudo quando ele está no edital do seu concurso, e o Professor Yatta explica cada erro na hora.
Escolha o seu concurso e o Yatta monta a sessão com as questões que a sua banca já cobrou sobre Redes Neurais e Deep Learning, com explicação de cada erro.
Começar 14 dias grátis Sem cartão de crédito. Cancele com dois cliques.