Vamos analisar cada afirmativa sobre a Máquina de Boltzmann Restrita (RBM): I. As unidades visíveis da RBM representam os dados observados dos usuários, enquanto as unidades ocultas identificam padrões de gosto e preferências. Verdadeiro, essa afirmativa está correta, pois as unidades visíveis são de fato os dados de entrada e as unidades ocultas capturam padrões subjacentes. II. A arquitetura da RBM é projetada para permitir conexões entre unidades ocultas, a fim de modelar dependências complexas entre elas. Falso, na RBM, não há conexões entre as unidades ocultas; elas estão conectadas apenas às unidades visíveis. III. O treinamento da RBM envolve amostragem de Gibbs para gerar estados das unidades ocultas e visíveis, permitindo que a rede aprenda a reconstruir os dados. Verdadeiro, essa afirmativa está correta, pois a amostragem de Gibbs é uma parte fundamental do processo de treinamento da RBM. IV. Manter os pesos fixos durante o treinamento evita ruídos nos dados e melhora a capacidade preditiva do modelo. Falso, os pesos não devem ser mantidos fixos durante o treinamento; eles precisam ser ajustados para que a rede aprenda a partir dos dados. V. O algoritmo Contrastive Divergence (CD) é utilizado para ajustar os pesos da RBM com base na diferença entre os dados reais e os reconstruídos. Verdadeiro, essa afirmativa está correta, pois o CD é um método comum para treinar RBMs. Com base nas análises, as afirmativas corretas são I, III e V. Portanto, a alternativa correta é: a. I, III e V, apenas.