Outros

Brasil

pt-br

Inteligência Artificial

A disciplina de Inteligência Artificial (IA) estuda como criar sistemas capazes de realizar tarefas que, até então, eram exclusivas de seres humanos, como reconhecimento de fala, visão computacional, tomada de decisão e aprendizado de máquina. Durante as aulas, os alunos aprendem sobre algoritmos, redes neurais, lógica fuzzy, entre outras técnicas utilizadas na construção de sistemas inteligentes. A disciplina é importante para profissionais da área de tecnologia, que podem aplicar os conhecimentos em IA em diversas áreas, como saúde, finanças, transporte, entre outras, para otimizar processos e melhorar a qualidade de vida das pessoas.

Exam

Text

Prova 2_ Técnicas Avançadas em Aprendizado de Máquina e Inteligência Artificial

RESTRICTED

Exatas

Ciência da Computação

Graduate

General Studies

Carme Timoteo

Other

Esta prova aborda técnicas avançadas de aprendizado de máquina e inteligência artificial, com foco em métodos de otimização, redes neurais profunda...

Esta prova aborda técnicas avançadas de aprendizado de máquina e inteligência artificial, com foco em métodos de otimização, redes neurais profundas e suas aplicações emergentes.
Qual é o principal benefício do uso de redes neurais convolucionais (CNNs) para classificação de imagens?
a) Elas têm menos camadas do que redes tradicionais, tornando-as mais rápidas de treinar.
b) Elas são capazes de detectar características espaciais em imagens, como bordas e formas, com alta precisão.
c) Elas não precisam de dados rotulados para realizar o treinamento.
d) Elas são melhores para processar dados sequenciais como áudio.
e) Elas requerem menos recursos computacionais do que redes tradicionais.

Desafios Para o Conhecimento: Compartilhando desafios para auxiliar no aprimoramento do conhecimento em diversas disciplinas do ensino superior, médio e pós-graduação. Vamos juntos superar esses desafios e aprimorar nossos conhecimentos!

Desafios Para o Conhecimento

O que caracteriza o aprendizado não supervisionado?
a) O modelo aprende a partir de exemplos rotulados para fazer previsões.
b) O modelo não requer...

O que caracteriza o aprendizado não supervisionado?
a) O modelo aprende a partir de exemplos rotulados para fazer previsões.
b) O modelo não requer rótulos nos dados e busca padrões ou grupos dentro dos dados.
c) O modelo utiliza algoritmos de regressão para prever resultados contínuos.
d) O modelo é utilizado apenas para análise de dados tabulares.
e) O modelo sempre requer um conjunto de validação rotulado para treinamento.

Em qual situação a técnica de dropout é mais útil?
a) Para aumentar a complexidade do modelo e melhorar a previsão.
b) Para reduzir o tempo de trei...

Em qual situação a técnica de dropout é mais útil?
a) Para aumentar a complexidade do modelo e melhorar a previsão.
b) Para reduzir o tempo de treinamento da rede neural.
c) Para prevenir o overfitting, desativando aleatoriamente neurônios durante o treinamento.
d) Para melhorar a precisão dos dados de entrada antes do treinamento.
e) Para otimizar a função de erro.

O que caracteriza o aprendizado por reforço?
a) O modelo aprende com dados rotulados para classificar objetos em diferentes categorias.
b) O modelo...

O que caracteriza o aprendizado por reforço?
a) O modelo aprende com dados rotulados para classificar objetos em diferentes categorias.
b) O modelo aprende a tomar decisões com base em recompensas e punições após cada ação realizada.
c) O modelo aprende a identificar padrões em grandes volumes de dados não rotulados.
d) O modelo é utilizado para predição de séries temporais.
e) O modelo é utilizado para análise de dados de texto.

O que é o algoritmo XGBoost e em que tipo de problema ele é mais utilizado?
a) Um algoritmo de redes neurais profundas utilizado para classificação...

O que é o algoritmo XGBoost e em que tipo de problema ele é mais utilizado?
a) Um algoritmo de redes neurais profundas utilizado para classificação de imagens.
b) Um algoritmo de boosting utilizado para classificação e regressão, eficaz em grandes conjuntos de dados.
c) Um algoritmo de aprendizado não supervisionado utilizado para clustering.
d) Um algoritmo de redes neurais recorrentes, utilizado em problemas de texto.
e) Um algoritmo de aprendizado por reforço para otimização de políticas.

Qual é a principal vantagem do uso de máquinas de vetores de suporte (SVM) para problemas de classificação?
a) Elas são mais eficientes em problema...

Qual é a principal vantagem do uso de máquinas de vetores de suporte (SVM) para problemas de classificação?
a) Elas são mais eficientes em problemas com muitos dados não rotulados.
b) Elas conseguem encontrar a melhor linha de separação, ou margem, para classificar dados em duas categorias.
c) Elas são rápidas e fáceis de treinar em grandes volumes de dados.
d) Elas não exigem a escolha de parâmetros como outros algoritmos de classificação.
e) Elas são mais eficazes para análise de dados temporais.

Em aprendizado de máquina, o que é a função de perda?
a) Um algoritmo para agrupar dados em diferentes categorias.
b) Uma função que mede a diferen...

Em aprendizado de máquina, o que é a função de perda?
a) Um algoritmo para agrupar dados em diferentes categorias.
b) Uma função que mede a diferença entre as previsões do modelo e os valores reais.
c) Uma função para reduzir a dimensionalidade dos dados de entrada.
d) Um modelo para prever séries temporais a partir de dados históricos.
e) Uma técnica para aumentar a quantidade de dados de treinamento.

Em redes neurais profundas, qual é o papel de uma função de ativação?
a) Introduzir uma não linearidade no modelo, permitindo que a rede aprenda pa...

Em redes neurais profundas, qual é o papel de uma função de ativação?
a) Introduzir uma não linearidade no modelo, permitindo que a rede aprenda padrões complexos.
b) Melhorar a velocidade de treinamento do modelo.
c) Reduzir o número de camadas na rede neural.
d) Normalizar os dados de entrada para a rede neural.
e) Ajustar os pesos da rede durante o treinamento.

O que é o conceito de overfitting em aprendizado de máquina?
a) Quando o modelo aprende a generalizar bem para dados não vistos.
b) Quando o modelo...

O que é o conceito de overfitting em aprendizado de máquina?
a) Quando o modelo aprende a generalizar bem para dados não vistos.
b) Quando o modelo é treinado apenas com dados rotulados.
c) Quando o modelo se ajusta excessivamente aos dados de treinamento, perdendo capacidade de generalizar para dados novos.
d) Quando o modelo tem desempenho semelhante em dados de treinamento e de teste.
e) Quando o modelo é capaz de lidar com dados desbalanceados.

Qual técnica de aprendizado de máquina é utilizada para gerar novos dados a partir de dados existentes, como no caso das GANs?
a) Clustering.
b) Ge...

Qual técnica de aprendizado de máquina é utilizada para gerar novos dados a partir de dados existentes, como no caso das GANs?
a) Clustering.
b) Geração de dados baseada em redes neurais adversárias.
c) Regressão linear.
d) Classificação supervisionada.
e) Análise de componentes principais.

MaterialAggregator/Subjects/Materials/Recent

MaterialAggregator/Subjects/Questions/New

Prova 2_ Técnicas Avançadas em Aprendizado de Máquina e Inteligência Artificial

Conteudo restrito apenas para assinantes