A transição do Perceptron para a Rede Neural Multicamadas (MLP) representa um salto fundamental na capacidade de representação dos modelos conexionistas. Enquanto o Perceptron está confinado a criar uma única fronteira de decisão linear (um hiperplano), a MLP, ao introduzir uma ou mais camadas ocultas com funções de ativação não lineares, adquire a capacidade de aproximar qualquer função contínua, permitindo a criação de fronteiras de decisão arbitrariamente complexas. A escolha entre a simplicidade computacional de um Perceptron e o poder de representação de uma MLP não é, portanto, uma questão de preferência, mas uma decisão de engenharia que depende de uma análise criteriosa da complexidade geométrica inerente aos dados do problema em questão.Fonte: GOODFELLOW, I.; BENGIO, Y.; COURVILle, A. Deep Learning. MIT Press, 2016.Com base nas informações sobre o Perceptron e a Rede Neural Multicamadas (MLP), avalie as asserções a seguir e a relação proposta entre elas.I. Em um problema prático de classificação de imagens de baixa resolução em múltiplas classes (e.g., animais), uma Rede Neural Multicamadas (MLP) é, em geral, uma escolha de modelo mais adequada que um Perceptron. PORQUE II. O algoritmo de aprendizado do Perceptron possui uma prova de convergência que garante que ele encontrará um hiperplano separador, contanto que os dados de treinamento sejam linearmente separáveis.A respeito dessas asserções, assinale a alternativa correta: