Prévia do material em texto

1. O que é uma rede neural artificial?
a) Um sistema computacional baseado no comportamento de redes biológicas do
cérebro.
b) Um tipo de banco de dados usado para armazenar informações.
c) Um algoritmo de busca utilizado em grandes volumes de dados.
d) Um modelo matemático utilizado exclusivamente para gráficos e visualizações.
Resposta correta: a) Um sistema computacional baseado no comportamento de redes
biológicas do cérebro.
Explicação: Redes neurais artificiais são modelos computacionais inspirados no
funcionamento do cérebro humano. Elas consistem em camadas de neurônios artificiais
interconectados, que podem aprender a partir de exemplos.
2. Qual é a principal função de um neurônio artificial em uma rede neural?
a) Armazenar dados em um formato binário.
b) Executar uma operação matemática com entradas e passar a saída para o próximo
neurônio.
c) Gerar gráficos e visualizações de dados.
d) Proteger a rede contra ataques cibernéticos.
Resposta correta: b) Executar uma operação matemática com entradas e passar a
saída para o próximo neurônio.
Explicação: Cada neurônio em uma rede neural realiza uma operação matemática
simples, geralmente uma soma ponderada das entradas, seguida por uma função de
ativação para produzir a saída.
3. O que é uma função de ativação em uma rede neural?
a) Um algoritmo que armazena os dados no formato correto.
b) Uma função matemática que determina se um neurônio será ativado com base na
entrada.
c) Uma técnica de regularização usada para evitar overfitting.
d) Uma estratégia para otimizar a precisão dos dados de entrada.
Resposta correta: b) Uma função matemática que determina se um neurônio será
ativado com base na entrada.
Explicação: A função de ativação é responsável por decidir se o neurônio deve ser
ativado (passar a informação) ou não, com base no valor das entradas e nos pesos
associados a elas.
4. Qual é a principal diferença entre redes neurais profundas (deep learning) e redes
neurais tradicionais?
a) Redes neurais profundas possuem apenas uma camada de neurônios.
b) Redes neurais profundas têm múltiplas camadas ocultas, permitindo aprender
representações mais complexas.
c) Redes neurais tradicionais são mais rápidas que redes neurais profundas.
d) Redes neurais profundas são usadas apenas para tarefas de classificação binária.
Resposta correta: b) Redes neurais profundas têm múltiplas camadas ocultas,
permitindo aprender representações mais complexas.
Explicação: Redes neurais profundas (deep learning) têm várias camadas ocultas que
permitem aprender representações mais complexas dos dados, o que as torna eficazes
para tarefas como reconhecimento de imagem e processamento de linguagem natural.
5. O que é o "overfitting" em redes neurais?
a) Quando o modelo falha em aprender qualquer padrão nos dados.
b) Quando o modelo aprende tão bem os dados de treinamento que perde a
capacidade de generalizar para dados novos.
c) Quando o modelo demora muito para treinar.
d) Quando a rede neural tem muitas camadas, dificultando a interpretação dos
resultados.
Resposta correta: b) Quando o modelo aprende tão bem os dados de treinamento que
perde a capacidade de generalizar para dados novos.
Explicação: O overfitting ocorre quando o modelo se ajusta excessivamente aos dados
de treinamento, incluindo o ruído e as flutuações, o que prejudica sua capacidade de
generalizar para dados que não viu antes.
6. Qual é o objetivo da retropropagação (backpropagation) em redes neurais?
a) Aumentar o número de camadas da rede neural.
b) Ajustar os pesos das conexões para minimizar o erro entre a previsão e a saída
desejada.
c) Estabilizar a saída da rede neural.
d) Reduzir o número de neurônios na rede para melhorar a eficiência.
Resposta correta: b) Ajustar os pesos das conexões para minimizar o erro entre a
previsão e a saída desejada.
Explicação: A retropropagação é um algoritmo de treinamento que ajusta os pesos das
conexões em uma rede neural, com base no erro entre a previsão da rede e o valor
real, para minimizar esse erro.
7. O que é um "perceptron" em redes neurais?
a) Um modelo matemático simples com uma única camada de neurônios.
b) Um tipo de rede neural profunda com muitas camadas ocultas.
c) Um algoritmo que aumenta a complexidade da rede neural.
d) Um tipo de rede que apenas realiza tarefas de clustering.
Resposta correta: a) Um modelo matemático simples com uma única camada de
neurônios.
Explicação: O perceptron é o modelo mais simples de rede neural, consistindo em uma
única camada de neurônios e é usado principalmente para tarefas de classificação
binária.
8. Qual é o propósito de regularização em redes neurais?
a) Aumentar a complexidade do modelo.
b) Melhorar a precisão dos dados de entrada.
c) Reduzir o risco de overfitting, evitando que o modelo se ajuste excessivamente aos
dados de treinamento.
d) Aumentar a velocidade de treinamento da rede neural.
Resposta correta: c) Reduzir o risco de overfitting, evitando que o modelo se ajuste
excessivamente aos dados de treinamento.
Explicação: A regularização é uma técnica usada para evitar que o modelo se ajuste
demais aos dados de treinamento, ajudando a melhorar a capacidade de generalização
do modelo.
9. O que é o "dropout" em redes neurais?
a) Um método de aumentar o número de neurônios durante o treinamento.
b) Uma técnica de regularização que desativa aleatoriamente neurônios durante o
treinamento para evitar overfitting.
c) Uma função de ativação específica para redes neurais profundas.
d) Uma estratégia para reduzir a quantidade de dados necessários para treinar a rede
neural.
Resposta correta: b) Uma técnica de regularização que desativa aleatoriamente
neurônios durante o treinamento para evitar overfitting.
Explicação: O "dropout" é uma técnica de regularização onde, durante o treinamento,
neurônios são desativados aleatoriamente em cada iteração, o que ajuda a evitar que o
modelo dependa excessivamente de qualquer neurônio específico, prevenindo
overfitting.
10. O que é a "função de custo" (loss function) em redes neurais?
a) A medida do tempo que a rede leva para fazer uma previsão.
b) A função que determina a complexidade da rede neural.
c) A função que calcula o erro entre a previsão da rede e o valor real, usado para
ajustar os pesos.
d) A função que calcula a probabilidade de uma entrada ser classificada em uma
categoria específica.
Resposta correta: c) A função que calcula o erro entre a previsão da rede e o valor real,
usado para ajustar os pesos.
Explicação: A função de custo (ou função de perda) mede a discrepância entre a
previsão da rede neural e os valores reais, e é usada no processo de otimização para
ajustar os pesos da rede.