Deep Learning

Prévia do material em texto

1. O que é "Deep Learning"?
a) Um tipo de aprendizado de máquina que usa redes neurais com poucas camadas.
b) Um método que não utiliza dados para aprendizado.
c) Uma técnica de aprendizado de máquina que usa redes neurais profundas para
processar grandes volumes de dados.
d) Um algoritmo de aprendizado supervisionado simples.
Resposta correta: c) Uma técnica de aprendizado de máquina que usa redes neurais
profundas para processar grandes volumes de dados.
Explicação: Deep Learning é uma subárea do aprendizado de máquina que utiliza redes
neurais artificiais com muitas camadas (redes neurais profundas) para aprender e
realizar tarefas complexas, como reconhecimento de voz e imagem.
2. O que são "redes neurais profundas" (deep neural networks)?
a) Redes neurais com poucas camadas de processamento.
b) Redes neurais que contêm muitas camadas ocultas entre a camada de entrada e a
camada de saída.
c) Redes neurais que não utilizam camadas ocultas.
d) Redes neurais que apenas fazem previsões numéricas.
Resposta correta: b) Redes neurais que contêm muitas camadas ocultas entre a
camada de entrada e a camada de saída.
Explicação: Redes neurais profundas (Deep Neural Networks - DNNs) são redes com
múltiplas camadas ocultas, permitindo que o modelo aprenda representações
complexas e extraia características de alto nível dos dados.
3. Qual é a principal vantagem do uso de redes neurais profundas em comparação com
redes neurais rasas?
a) Elas são mais rápidas de treinar.
b) Elas podem aprender representações mais complexas e detalhadas dos dados.
c) Elas exigem menos dados de treinamento.
d) Elas não precisam de dados rotulados.
Resposta correta: b) Elas podem aprender representações mais complexas e
detalhadas dos dados.
Explicação: Redes neurais profundas possuem múltiplas camadas, o que as permite
aprender representações hierárquicas e complexas dos dados. Isso é útil em tarefas
como reconhecimento de imagem, processamento de linguagem natural e outras áreas
que exigem o entendimento de padrões complexos.
4. O que é o "backpropagation" em redes neurais?
a) O processo de treinar uma rede neural sem dados de entrada.
b) O processo de propagação da informação da camada de saída para a camada d
e
entrada.
c) O processo de ajuste dos pesos da rede neural durante o treinamento, com base no
erro.
d) O processo de teste da rede neural com novos dados.
Resposta correta: c) O processo de ajuste dos pesos da rede neural durante o
treinamento, com base no erro.
Explicação: Backpropagation (retropropagação) é o algoritmo utilizado para ajustar os
pesos das redes neurais durante o treinamento. Ele calcula o erro na saída da rede e
propaga esse erro de volta através das camadas para atualizar os pesos de forma a
minimizar o erro.
5. O que são "camadas convolucionais" (convolutional layers) em redes neurais
convolucionais (CNNs)?
a) Camadas que realizam cálculos de agregação simples.
b) Camadas que ajudam na transposição de dados para redes mais profundas.
c) Camadas que aplicam filtros para extrair características locais das imagens, como
bordas e texturas.
d) Camadas que só realizam classificação.
Resposta correta: c) Camadas que aplicam filtros para extrair características locais das
imagens, como bordas e texturas.
Explicação: As camadas convolucionais em redes neurais convolucionais (CNNs)
aplicam filtros (ou kernels) para extrair características específicas de imagens, como
bordas, padrões e texturas. Isso ajuda a rede a identificar padrões em diferentes
escalas e posições.
6. Qual é o papel das "camadas de pooling" (pooling layers) em redes neurais
convolucionais?
a) Aumentar a resolução da imagem processada.
b) Reduzir a dimensionalidade da imagem, mantendo as informações mais importantes.
c) Aumentar a complexidade do modelo.
d) Melhorar a performance de redes recorrentes.
Resposta correta: b) Reduzir a dimensionalidade da imagem, mantendo as informações
mais importantes.
Explicação: As camadas de pooling, como o "max pooling", são usadas em redes
neurais convolucionais para reduzir a resolução das imagens, diminuindo a quantidade
de cálculos e a complexidade do modelo, enquanto preservam as características mais
importantes.
7. O que é uma "rede neural recorrente" (RNN)?
a) Uma rede neural que é projetada para processar imagens.
b) Uma rede neural que tem conexões unidimensionais entre camadas.
c) Uma rede neural projetada para processar sequências de dados e manter
dependências temporais.
d) Uma rede neural que usa apenas uma camada de processamento.
Resposta correta: c) Uma rede neural projetada para processar sequências de dados e
manter dependências temporais.
Explicação: Redes neurais recorrentes (RNNs) são projetadas para lidar com dados
sequenciais, como texto ou séries temporais, mantendo informações sobre entradas
anteriores em sua memória interna, permitindo modelar dependências temporais entre
os dados.
8. O que são "unidades LSTM" (Long Short-Term Memory)?
a) Unidades usadas para melhorar a resolução de imagens.
b) Camadas especializadas em redes neurais convolucionais para classificação de
imagens.
c) Unidades dentro de RNNs que ajudam a manter informações por longos períodos e
evitam o problema de desvanecimento do gradiente.
d) Algoritmos usados para melhorar a velocidade do treinamento.
Resposta correta: c) Unidades dentro de RNNs que ajudam a manter informações por
longos períodos e evitam o problema de desvanecimento do gradiente.
Explicação: As unidades LSTM são um tipo de célula de memória usada em redes
neurais recorrentes para lidar com o problema do desvanecimento do gradiente. Elas
permitem que a rede mantenha informações por longos períodos, sendo úteis em
tarefas como tradução automática e reconhecimento de fala.
9. O que é "transfer learning" (aprendizado por transferência)?
a) A técnica de transferir dados de um modelo para outro modelo.
b) A utilização de redes neurais em diferentes tipos de dispositivos.
c) O uso de um modelo pré-treinado em uma tarefa similar para ajudar a resolver um
novo problema.
d) A técnica de transferir dados entre diferentes camadas de uma rede neural.
Resposta correta: c) O uso de um modelo pré-treinado em uma tarefa similar para
ajudar a resolver um novo problema.
Explicação: Transfer learning é a prática de reutilizar um modelo treinado em uma
tarefa para ser aplicado a uma tarefa diferente, mas relacionada. Isso é útil quando não
se tem grandes quantidades de dados para treinar um modelo do zero.
10. O que é "batch normalization" (normalização em lote)?
a) O processo de ajustar as ativações de cada camada para ter uma distribuição
normal.
b) O processo de dividir os dados em pequenos lotes durante o treinamento.
c) A técnica de ajustar os pesos de cada camada para melhorar o desempenho.
d) A prática de modificar os dados de entrada para acelerar o treinamento.
Resposta correta: a) O processo de ajustar as ativações de cada camada para ter uma
distribuição normal.
Explicação: A normalização em lote (batch normalization) é uma técnica usada para
melhorar o treinamento de redes neurais. Ela normaliza as ativações de cada camada
para que tenham uma distribuição próxima à normal, acelerando o treinamento e
melhorando a convergência.