Prévia do material em texto

PERGUNTA 1 Durante treinamento de uma rede auto-organizável (SOM), diferentes fases interagem de forma coordenada para garantir a organização espacial dos dados no mapa de saída. Esse processo envolve decisões topológicas e ajustamentos que afetam diretamente a capacidade da rede em representar a estrutura dos dados de entrada. Com relação a este contexto e sobre o conteúdo estudado, avalie as asserções a seguir e a relação proposta entre elas: I. A fase de adaptação sináptica das redes SOM utiliza um mecanismo de aprendizado baseado em atualização incremental dos pesos dos neurônios, proporcional à distância do vetor de entrada e ao nível de influência topológica, sendo fundamental para garantir a convergência da rede. PORQUE II. A ausência de uma função de vizinhança durante treinamento comprometeria a preservação da topologia dos dados, uma vez que os neurônios seriam atualizados de forma descoordenada e sem considerar sua posição relativa no grid da rede. A respeito dessas asserções, assinale a alternativa correta: a. As asserções e são proposições verdadeiras, mas a não é uma justificativa da I. b. As asserções e são falsas. A asserção é uma proposição verdadeira, e a é uma proposição falsa. d. As asserções e são proposições verdadeiras, e a é uma justificativa da I. e. A asserção é uma proposição falsa, e a é uma proposição verdadeira. PERGUNTA 2 Analise cenário a seguir: Você está desenvolvendo um projeto de análise de agrupamentos com MiniSom, uma biblioteca em Python para redes SOM. Durante treinamento, percebeu que os parâmetros definidos na rede afetam diretamente a qualidade e a organização topológica do mapa resultante. Para justificar as decisões de configuração, sua equipe precisa entender as funções de cada componente ajustável da rede. Com base na configuração dos principais componentes da rede SOM, analise e relacione os elementos da rede às suas respectivas funções ou efeitos. Componentes da Rede SOM Funções ou Efeitos Correspondentes I. input_len A. Controla a distância de influência na vizinhança II. sigma B. Garante reprodutibilidade nos experimentos III. random_seed C. Determina a dimensão dos vetores de entrada IV. D. Define a forma de decaimento da influência dos vizinhos V.xey E. Controlam o tamanho do mapa de neurônios Assinale a alternativa que apresenta a associação correta: a. I-D; II-E; III-A; IV-B; V-C b. I-E; II-D; III-C; IV-A; V-B I-C; II-A; III-B; IV-D; V-E II-B; III-C; IV-D; V-E e. I-B; II-C; III-D; IV-E; V-APERGUNTA 3 A compreensão sobre a operação de uma rede RBF pode melhorar quando a estudamos como um classificador de padrões, mediante a análise da separabilidade de padrões. Assinale a alternativa que apresenta resumidamente como se dá a separabilidade de padrões em redes RBF. a. A separabilidade de padrões em redes RBF é garantida pela presença de múltiplas camadas ocultas com neurônios profundamente conectados. b.A separabilidade de padrões em redes RBF se dá pela conexão direta entre as camadas de entrada e saída, sem necessidade de funções ocultas. A separabilidade de padrões em redes RBF se dá pela utilização de funções de ativação não-lineares como ReLU e sigmoide. d.A separabilidade de padrões em redes RBF se dá pela existência de uma superfície que separa naturalmente os pontos da classe X1 dos pontos da classe X2. e.A separabilidade de padrões em redes RBF se dá unicamente pela estrutura dos dados de entrada, sem a necessidade de mapeamento para um espaço oculto. PERGUNTA 4 teorema de Micchelli fornece a base teórica para uso de funções de base radial (RBF) em problemas de interpolação, garantindo que a matriz de interpolação seja [preencher 1], desde que os pontos de entrada sejam distintos. Dentre as funções RBF utilizadas, as funções [preencher 2] e [preencher 3] são consideradas localizadas, pois seus valores tendem a zero à medida que a distância aumenta, o que favorece a definição positiva da matriz Ф e melhora a generalização da rede. Neste contexto, identifique os termos de [preencher 1], [preencher 2] e [preencher 3] que são substítuidos por: a. 1 simétrica; 2 normalizados; 3 logarítmicas b. 1 estável; 2 espacialmente próximos; 3 funções quadráticas 1 não singular; 2 distintos; 3 gaussianas d. 1 regularizada; 2 uniformes; 3 funções sigmoides e.1 diagonalizável; 2 ortonormais; 3 exponenciais modulares PERGUNTA 5 Uma equipe de engenheiros de aprendizado de máquina está desenvolvendo dois modelos para classificar imagens médicas. Um dos modelos é baseado em redes RBF, e outro em MLP. Durante uma reunião técnica, surge a necessidade de compreender a diferença entre os dois modelos, especialmente no que diz respeito à forma como os dados são processados na camada oculta de cada rede. A correta compreensão dessa diferença influenciará a escolha da rede ideal para o sistema final. Considerando apresentado, assinale a alternativa que reconhece uma diferença estrutural ou funcional entre redes RBF e MLP. a. As redes RBF empregam produto interno entre os vetores de entrada e pesos sinápticos na camada oculta. b. As redes RBF utilizam múltiplas camadas ocultas com funções sigmoides para ajuste. As unidades ocultas da rede RBF calculam a norma euclidiana entre a entrada e seus centros. d.As redes MLP realizam aproximações locais, enquanto as redes RBF aplicam aproximações globais. e. As redes MLP possuem apenas uma camada oculta, enquanto as RBF são compostas por múltiplas camadas não lineares.PERGUNTA 6 Você integra uma equipe de ciência de dados responsável por avaliar a qualidade de mapas auto-organizáveis (SOM) aplicados a dados biométricos. Durante a análise, seu supervisor solicita que você relacione corretamente as abordagens e métricas de avaliação com suas respectivas funções no processo de análise de desempenho do mapa SOM. Com base no cenário, identifique e associe as Métricas de Avaliação da Rede SOM com sua correspondente descrição Funcional. Métricas de Avaliação da Rede SOM Descrições Funcionais A. Utilizada para identificar agrupamentos e fronteiras entre I. Erro de Quantização clusters. B. Avalia a distância entre cada exemplo de entrada e o neurônio II. U-Matrix vencedor. C. Mostra a frequência com que cada neurônio foi selecionado III. Hit Map como vencedor. D. Indica a distribuição dos valores dos atributos no grid de IV. Heat Map neurônios. Assinale a alternativa que apresenta a associação correta: a. I-D; II-C; III-A; IV-B b. I-B; III-C; IV-D II-B; IV-C d. I-C; II-D; III-B; IV-A e. I-B; IV-D PERGUNTA 7 As redes MLP (Multi-Layer Perceptron) são uma arquitetura de rede neural artificial amplamente utilizada em aprendizado de máquina. Com suas múltiplas camadas ocultas e a utilização de produtos internos e funções de ativação, as MLPs são capazes de aprender e representar padrões complexos nos dados. De acordo com apresentado, assinale a alternativa que define os principais conceitos e características das redes MLP. a. As redes MLP utilizam o produto interno entre o vetor de entradas e os pesos dos neurônios para processar sinais. b. As redes MLP utilizam uma única camada oculta, o que limita sua capacidade de aprendizagem. As redes MLP são mais eficientes em interpolação de dados comparadas a outras redes neurais. d.As redes MLP são idênticas às redes RBF em termos de estrutura e processo de treinamento, diferindo apenas na aplicação. e. As redes MLP requerem uma matemática mais complexa para construir funções complexas em comparação com outras redes neurais. PERGUNTA 8 A análise de redes SOM (Self-Organizing Maps) é crucial para identificar padrões e estruturas dentro dos dados. A U-Matrix é uma ferramenta valiosa nesse processo, auxiliando na visualização e compreensão dos agrupamentos formados pela rede. Entender como identificar macro-clusters dentro de um mapa SOM pode melhorar significativamente a interpretação dos dados, facilitando a extração de informações relevantes. De acordo com apresentado, assinale a alternativa que explique como a U-Matrix pode ser utilizada para identificar macro-clusters em um mapa SOM. a. A U-Matrix utiliza a distância Euclidiana para medir a diferença entre os neurônios centrais e os de borda. b. A U-Matrix calcula a média dos pesos dos neurônios em todo grid para determinar a formação de clusters. A U-Matrix avalia a similaridade de cada neurônio com seus vizinhos, identificando regiões homogêneas e heterogêneas, para encontrar fronteiras entre agrupamentos. d. A U-Matrix ignora os neurônios vizinhos e se concentra apenas nos valores dos neurônios centrais. e. A U-Matrix determina a formação de clusters comparando os valores dos neurônios centrais com uma constante pré-definida.