Para determinar em qual situação a técnica de Deep Learning se mostra mais eficiente, é importante considerar as características dessa abordagem. O Deep Learning é especialmente eficaz em lidar com grandes volumes de dados não estruturados, como imagens, textos e áudios, devido à sua capacidade de aprender representações complexas e hierárquicas. Vamos analisar as alternativas: a) Quando o problema envolve dados estruturados simples e a relação entre entradas e saídas é linear. - Deep Learning não é necessário para problemas lineares e dados simples. b) Quando a quantidade de dados é muito pequena e o modelo precisa ser muito simples. - Deep Learning geralmente requer grandes quantidades de dados para ser eficaz. c) Quando há uma grande quantidade de dados não estruturados, como imagens, textos ou áudio. - Esta é a situação em que o Deep Learning brilha, pois pode extrair características complexas desses dados. d) Quando se trabalha apenas com dados tabulares e pequenos. - Dados tabulares pequenos não são o foco do Deep Learning. e) Quando o objetivo é reduzir a complexidade do modelo e evitar o overfitting. - Deep Learning tende a ser mais complexo e pode, na verdade, aumentar o risco de overfitting se não for bem regulado. Portanto, a alternativa correta é: c) Quando há uma grande quantidade de dados não estruturados, como imagens, textos ou áudio.