AV1 Deep Learning

Prévia do material em texto

---------------------------------------------------------------------------------------
2
Qual das seguintes afirmações é verdadeira?
a) As camadas mais profundas de uma rede neural tipicamente computam características mais complexas do que as camadas iniciais.
b) As camadas iniciais de uma rede neural tipicamente computam features mais complexas do que as camadas mais profundas.
c) As melhores camadas para extrair representações de uma CNN tendem a ser as inicias.
d) As camadas iniciais e profundas de uma rede neural tipicamente computam features de complexidade similar.
Questão 3
São técnicas de otimização que ajudam a reduzir o overfitting. EXCETO:
a) Dropout.
b) Regularização L2.
c) Data augmentation.
d) Gradiente Ascendente.
Questão 4
Porque normalizamos os dados de entradas?
a) Para facilitar a visualização dos dados.
b) Normalização funciona como uma forma de regularização, e consequentemente ajuda a reduzir overfitting.
c) Para acelerar a otimização da função de custo.
d) Para que facilitar a inicialização dos parâmetros.
Questão 6
Quais são os dois principios que definem a visão geral da aprendizagem profunda geométrica?
a) Simetria e escala de separação, que tenta unificar as abordagens geométricas de Klein (Erlangen Programme) com aprendizagem de máquina.
b) Simetria e abstração de alta dimensionalidade. Ao utilizar conceitos de simetria, alta dimensionalidade passa a nao ser mais um problema.
c) Escala de separação, dados geodésicos e novo conceito de redes neurais, já que abordagens tradicionais (por exemplo, CNNs) não são viáveis.
d) Simetria e escala de separação, que tenta separar as abordagens geométricas de Klein (Erlangen Programme) da aprendizagem de máquina tradicional.
Questão 7
Qual a melhor definição para uma funcão de ativação?
a) Uma função linear que transforma a saída de uma camada para uma entrada de uma outra camada.
b) Uma função linear que transofrma a entrada de uma camada em uma saída para outra camada.
c) Uma função não-linear que transforma a saída de uma camada.
d) Uma função não-linear que transforma a entrada de uma camada em uma saída para outra camada.
Questão 8
Qual a principal função do bakcpropagation quanto treinamos uma rede neural?
a) Corrigir os pesos da rede para melhorar aproximação.
b) Fazer ajustes na função de custo.
c) Propagar a entrada até a cama de saída.
d) Processar os dados de entrada.
Questão 9
O que é uma política no paradigma de aprendizagem por reforço?
a) Uma função que retorna a ação para qualquer estado.
b) Uma função que é utilizada para inserir um componente estocástico no processo.
c) Uma função que estima a recompensa total espperar a partir de um estado.
d) Modelo que mapeia as transições do ambiente.
Questão 10
A taxonomia de modelos em reinforcement learning pode ser dividida em algoritmos baseados em modelo (model-based) e livres de model (model-free). Sobre mode-free, assinale a opção INCORRETA.
a) Assumem que o agente tem acesso ou pode aprender um modelo capaz de informar como o ambiente progride a partir do estado atual e da ação escolhida.
b) Estimam a função de valor/valor-ação ou a política ótima diretamente, sem assumar a existência de um modelo. Requerem mais interações com o ambiente.
c) As duas principais abordagens para representar e treinar agentes baseiam-se em otimização de políticas (policy optimization) e Q-Learning.
d) Metodos podem assumir abordagens on-policy ou off-policy.