DO 01 AO 80-píginas-73

Esta é uma pré-visualização de arquivo. Entre para ver o arquivo original

Material de Estudo: Inteligência Artificial - Material 73
Tema: Aprendizado de Máquina e Redes Neurais
1. Qual tipo de aprendizado de máquina envolve o treinamento de um modelo com
dados rotulados, para prever saídas para novas entradas?
a) Aprendizado supervisionado. b) Aprendizado não supervisionado. c) Aprendizado por
reforço. d) Aprendizado profundo. e) Aprendizado por transferência.
Resposta: a) Aprendizado supervisionado.
Justificativa: O aprendizado supervisionado utiliza dados rotulados para treinar o modelo a
mapear entradas para saídas.
2. Qual algoritmo de aprendizado de máquina é utilizado para classificar dados em
categorias, baseado na distância entre os dados e os centroides das categorias?
a) Regressão linear. b) Árvore de decisão. c) K-means. d) Redes neurais convolucionais (CNNs).
e) Máquinas de vetores de suporte (SVMs).
Resposta: c) K-means.
Justificativa: O K-means é um algoritmo de agrupamento não supervisionado que busca
agrupar dados em K clusters.
3. Qual tipo de rede neural é utilizado para processar dados sequenciais, como texto e
séries temporais, através de células de memória que capturam dependências de longo
prazo?
a) Redes neurais feedforward. b) Redes neurais recorrentes (RNNs). c) Redes neurais
convolucionais (CNNs). d) Redes neurais generativas adversariais (GANs). e) Redes neurais
autoencoder.
Resposta: b) Redes neurais recorrentes (RNNs).
Justificativa: As RNNs são capazes de lidar com dados sequenciais, mantendo um estado
interno que representa a história da sequência.
4. Qual técnica de aprendizado profundo envolve o treinamento de um modelo em um
grande conjunto de dados e, em seguida, o ajuste fino do modelo em um conjunto de
dados menor e específico para uma tarefa diferente?
a) Aprendizado supervisionado. b) Aprendizado não supervisionado. c) Aprendizado por
reforço. d) Aprendizado profundo. e) Aprendizado por transferência.
Resposta: e) Aprendizado por transferência.
Justificativa: O aprendizado por transferência permite aproveitar o conhecimento adquirido
em uma tarefa para melhorar o desempenho em outra tarefa relacionada.
5. Qual função de ativação é utilizada em redes neurais para introduzir não linearidade,
permitindo que a rede aprenda relações complexas entre os dados?
a) Função linear. b) Função degrau. c) Função sigmoide. d) Função identidade. e) Função de
custo.
Resposta: c) Função sigmoide.
Justificativa: A função sigmoide é uma função de ativação não linear que mapeia valores reais
para o intervalo [0, 1].
6. Qual algoritmo de aprendizado por reforço envolve a interação de um agente com um
ambiente, recebendo recompensas ou punições para aprender a tomar decisões
ótimas?
a) Regressão linear. b) Árvore de decisão. c) K-means. d) Q-learning. e) Máquinas de vetores de
suporte (SVMs).
Resposta: d) Q-learning.
Justificativa: O Q-learning é um algoritmo de aprendizado por reforço que aprende a função Q,
que representa a recompensa esperada para cada par estado-ação.
7. Qual tipo de rede neural é utilizado para processar dados de imagem, através de
camadas convolucionais que extraem características hierárquicas das imagens?
a) Redes neurais feedforward. b) Redes neurais recorrentes (RNNs). c) Redes neurais
convolucionais (CNNs). d) Redes neurais generativas adversariais (GANs). e) Redes neurais
autoencoder.
Resposta: c) Redes neurais convolucionais (CNNs).
Justificativa: As CNNs são amplamente utilizadas em tarefas de visão computacional, como
reconhecimento de objetos e segmentação de imagens.