Prova 2_ Desafios e Soluções Emergentes em Inteligência Artificial

Prévia do material em texto

Prova 2: Desafios e Soluções Emergentes em Inteligência Artificial
Introdução:
Esta prova aborda as soluções emergentes em inteligência artificial, explorando desafios 
técnicos e inovações, como aprendizado por reforço, redes neurais profundas e automação.
Questão 1
O que é o conceito de backpropagation em redes neurais?
a) Um método de otimização para melhorar a convergência durante o treinamento.
b) Um algoritmo para calcular os gradientes e ajustar os pesos da rede neural durante o 
treinamento.
c) Uma técnica de regularização para evitar o overfitting.
d) Um processo para aumentar a complexidade do modelo.
e) Um método para prever dados futuros a partir de séries temporais.
Questão 2
Qual é a principal vantagem do aprendizado profundo em relação ao aprendizado 
supervisionado tradicional?
a) O aprendizado profundo não precisa de dados rotulados para treinar os modelos.
b) O aprendizado profundo pode automaticamente extrair características complexas dos 
dados sem a necessidade de engenharia manual.
c) O aprendizado profundo é mais rápido de treinar do que os modelos tradicionais.
d) O aprendizado profundo pode ser utilizado exclusivamente em problemas de clustering.
e) O aprendizado profundo não sofre com problemas de overfitting.
Questão 3
Em qual área o aprendizado por reforço tem sido amplamente aplicado?
a) Diagnóstico médico baseado em dados de séries temporais.
b) Análise de dados tabulares para previsão de vendas.
c) Robótica, onde os agentes aprendem a realizar tarefas por meio de tentativa e erro.
d) Processamento de linguagem natural para análise de sentimentos.
e) Análise de imagens para detecção de padrões.
Questão 4
Qual é a principal função de uma rede adversária generativa (GAN)?
a) Prever séries temporais em dados financeiros.
b) Gerar novos dados realistas a partir de exemplos existentes.
c) Classificar dados em várias categorias.
d) Melhorar a acurácia de modelos de aprendizado supervisionado.
e) Analisar dados de séries temporais.
Questão 5
Em aprendizado profundo, o que é uma função de ativação?
a) Um modelo de previsão para dados temporais.
b) A técnica usada para reduzir a complexidade do modelo.
c) Uma função matemática usada para introduzir não linearidade na rede neural, permitindo 
aprender padrões complexos.
d) Um processo para normalizar os dados de entrada.
e) Um método para otimizar a rede neural.
Questão 6
Qual é a principal vantagem do uso de machine learning para análise preditiva?
a) Ele permite realizar previsões precisas sem a necessidade de grandes volumes de 
dados.
b) Ele não requer a intervenção humana para ajustar modelos.
c) Ele consegue aprender automaticamente com dados e fazer previsões sobre novos 
dados.
d) Ele é utilizado exclusivamente para analisar dados não estruturados.
e) Ele é mais eficaz do que métodos tradicionais de análise de dados.
Questão 7
Qual é o papel das máquinas de vetores de suporte (SVM) em aprendizado 
supervisionado?
a) Encontrar padrões não supervisionados em dados.
b) Realizar clustering de dados sem rótulos.
c) Classificar dados separando-os por margens máximas.
d) Gerar novos dados a partir de exemplos existentes.
e) Prever valores contínuos a partir de dados históricos.
Questão 8
Em aprendizado profundo, qual é a função de uma camada de pooling em uma rede neural 
convolucional (CNN)?
a) Aumentar a resolução dos dados de entrada.
b) Reduzir a dimensionalidade e preservar as características mais importantes das imagens.
c) Estimular a rede a aprender de forma não supervisionada.
d) Normalizar os dados de entrada para melhorar a acurácia.
e) Fazer a redução de ruído dos dados de entrada.
Questão 9
O que é a técnica de early stopping no treinamento de redes neurais?
a) Uma técnica para aumentar a complexidade do modelo durante o treinamento.
b) Uma técnica para interromper o treinamento quando a performance no conjunto de 
validação começa a piorar.
c) Um método para ajustar automaticamente os pesos da rede.
d) Uma técnica de regularização para reduzir o overfitting.
e) Um algoritmo para gerar novos exemplos a partir dos dados existentes.
Questão 10
O que são redes neurais generativas (GNNs)?
a) Redes que utilizam gráficos para representar e aprender com dados estruturados.
b) Redes que geram novos dados a partir de informações de entrada.
c) Redes que são projetadas exclusivamente para análise de imagens.
d) Redes especializadas em processamento de dados temporais.
e) Redes que realizam clustering em grandes volumes de dados.
Gabarito e Justificativa
1. b)
○ O backpropagation é utilizado para calcular os gradientes dos pesos em uma
rede neural e ajustá-los durante o treinamento.
2. b)
○ O aprendizado profundo permite extrair características complexas dos dados 
automaticamente, sem a necessidade de engenharia manual.
3. c)
○ O aprendizado por reforço é amplamente utilizado em robótica, onde os 
agentes aprendem por tentativa e erro.
4. b)
○ As redes adversárias generativas (GANs) geram novos dados realistas a 
partir de exemplos existentes.
5. c)
○ A função de ativação é uma função matemática que introduz não linearidade,
permitindo que a rede aprenda padrões complexos.
6. c)
○ O aprendizado de máquina aprende automaticamente com dados e faz 
previsões sobre novos dados, sendo uma ferramenta poderosa para análise 
preditiva.
7. c)
○ As máquinas de vetores de suporte (SVM) são usadas para classificar dados 
separando-os por margens máximas.
8. b)
○ A camada de pooling reduz a dimensionalidade das imagens, preservando as
características mais importantes para a tarefa.
9. b)
○ O early stopping interrompe o treinamento quando o modelo começa a 
sobreajustar os dados de treinamento, prevenindo overfitting.
10. a)
● As redes neurais generativas (GNNs) utilizam gráficos para representar dados 
estruturados e aprender com eles.