As funções de ativação são componentes cruciais em Redes Neurais Artificiais, responsáveis por introduzir a não linearidade que permite aos modelos aprenderem relações complexas. A evolução dessas funções reflete a própria maturação do campo do aprendizado profundo. Funções clássicas, como a sigmoide e a tangente hiperbólica, embora historicamente importantes e matematicamente elegantes, apresentam gradientes que saturam em seus extremos, dificultando o treinamento de redes com muitas camadas. Em resposta, funções como a ReLU (Rectified Linear Unit) e suas variantes foram propostas, alterando drasticamente a dinâmica do treinamento e permitindo o desenvolvimento de arquiteturas muito mais profundas e capazes.Com base nos princípios de funcionamento e nas implicações práticas das funções de ativação, avalie as asserções a seguir e a relação proposta entre elas:I. A função de ativação ReLU (Rectified Linear Unit) e suas variantes se consolidaram como a escolha predominante para as camadas ocultas em arquiteturas de redes neurais profundas, em detrimento de funções mais antigas como a sigmoide. PORQUE II. A computação da derivada da ReLU, sendo 1 para entradas positivas e 0 para negativas, é mais eficiente que o cálculo envolvendo as operações exponenciais presentes na derivada da função sigmoide.A respeito dessas asserções, assinale a opção correta: