Questões de Concurso CESGRANRIO

𝚎𝚗𝚞𝚖 𝙳𝚒𝚊𝙳𝚊𝚂𝚎𝚖𝚊𝚗𝚊 {𝚂𝙴𝙶𝚄𝙽𝙳𝙰, 𝚃𝙴𝚁𝙲𝙰, 𝚀𝚄𝙰𝚁𝚃𝙰, 𝚀𝚄𝙸𝙽𝚃𝙰, 𝚂𝙴𝚇𝚃𝙰, 𝚂𝙰𝙱𝙰𝙳𝙾, 𝙳𝙾𝙼𝙸𝙽𝙶𝙾}

𝚎𝚗𝚞𝚖𝚎𝚛𝚊𝚝𝚒𝚘𝚗 𝙳𝚒𝚊𝙳𝚊𝚂𝚎𝚖𝚊𝚗𝚊 {𝚂𝙴𝙶𝚄𝙽𝙳𝙰, 𝚃𝙴𝚁𝙲𝙰, 𝚀𝚄𝙰𝚁𝚃𝙰, 𝚀𝚄𝙸𝙽𝚃𝙰, 𝚂𝙴𝚇𝚃𝙰, 𝚂𝙰𝙱𝙰𝙳𝙾, 𝙳𝙾𝙼𝙸𝙽𝙶𝙾}

𝚙𝚞𝚋𝚕𝚒𝚌 𝚎𝚗𝚞𝚖 𝙳𝚒𝚊𝙳𝚊𝚂𝚎𝚖𝚊𝚗𝚊 {𝚂𝙴𝙶𝚄𝙽𝙳𝙰, 𝚃𝙴𝚁𝙲𝙰, 𝚀𝚄𝙰𝚁𝚃𝙰, 𝚀𝚄𝙸𝙽𝚃𝙰, 𝚂𝙴𝚇𝚃𝙰, 𝚂𝙰𝙱𝙰𝙳𝙾, 𝙳𝙾𝙼𝙸𝙽𝙶𝙾}

𝚎𝚗𝚞𝚖 𝙳𝚒𝚊𝙳𝚊𝚂𝚎𝚖𝚊𝚗𝚊: {𝚂𝙴𝙶𝚄𝙽𝙳𝙰, 𝚃𝙴𝚁𝙲𝙰, 𝚀𝚄𝙰𝚁𝚃𝙰, 𝚀𝚄𝙸𝙽𝚃𝙰, 𝚂𝙴𝚇𝚃𝙰, 𝚂𝙰𝙱𝙰𝙳𝙾, 𝙳𝙾𝙼𝙸𝙽𝙶𝙾}

𝚙𝚞𝚋𝚕𝚒𝚌 𝚎𝚗𝚞𝚖𝚎𝚛𝚊𝚝𝚒𝚘𝚗 𝙳𝚒𝚊𝙳𝚊𝚂𝚎𝚖𝚊𝚗𝚊 {𝚂𝙴𝙶𝚄𝙽𝙳𝙰, 𝚃𝙴𝚁𝙲𝙰, 𝚀𝚄𝙰𝚁𝚃𝙰, 𝚀𝚄𝙸𝙽𝚃𝙰, 𝚂𝙴𝚇𝚃𝙰, 𝚂𝙰𝙱𝙰𝙳𝙾, 𝙳𝙾𝙼𝙸𝙽𝙶𝙾}

𝚌𝚘𝚗𝚜𝚝 𝚖𝚒𝚗𝚑𝚊𝙳𝚊𝚝𝚊 = 𝚃𝚎𝚖𝚙𝚘𝚛𝚊𝚕.𝙳𝚊𝚝𝚎.𝚏𝚛𝚘𝚖({ 𝚢𝚎𝚊𝚛: 𝟸𝟶𝟸𝟹, 𝚖𝚘𝚗𝚝𝚑: 𝟽, 𝚍𝚊𝚢: 𝟷𝟻 });

𝚌𝚘𝚗𝚜𝚝 𝚖𝚒𝚗𝚑𝚊𝙳𝚊𝚝𝚊 = 𝚃𝚎𝚖𝚙𝚘𝚛𝚊𝚕.𝙿𝚕𝚊𝚒𝚗𝙳𝚊𝚝𝚎.𝚏𝚛𝚘𝚖({ 𝚢𝚎𝚊𝚛: 𝟸𝟶𝟸𝟹, 𝚖𝚘𝚗𝚝𝚑: 𝟾, 𝚍𝚊𝚢: 𝟷𝟻 });

𝚌𝚘𝚗𝚜𝚝 𝚖𝚒𝚗𝚑𝚊𝙳𝚊𝚝𝚊 = 𝚗𝚎𝚠 𝚃𝚎𝚖𝚙𝚘𝚛𝚊𝚕.𝙿𝚕𝚊𝚒𝚗𝙳𝚊𝚝𝚎(𝟷𝟻, 𝟾, 𝟸𝟶𝟸𝟹);

𝚌𝚘𝚗𝚜𝚝 𝚖𝚒𝚗𝚑𝚊𝙳𝚊𝚝𝚊 = 𝚗𝚎𝚠 𝙳𝚊𝚝𝚎(𝟸𝟶𝟸𝟹, 𝟾, 𝟷𝟻);

𝚌𝚘𝚗𝚜𝚝 𝚖𝚒𝚗𝚑𝚊𝙳𝚊𝚝𝚊 = 𝚃𝚎𝚖𝚙𝚘𝚛𝚊𝚕.𝙿𝚕𝚊𝚒𝚗𝙳𝚊𝚝𝚎(𝟸𝟶𝟸𝟹, 𝟽, 𝟷𝟻);

atribui maior probabilidade a hipóteses mais complexas, incentivando a busca por modelos mais detalhados e precisos.

considera todas as possíveis hipóteses igualmente prováveis, ignorando a complexidade dos modelos.

é computacionalmente eficiente e pode ser diretamente aplicada em algoritmos de aprendizado de máquina para encontrar a hipótese mais provável.

é usada para otimizar hiperparâmetros em redes neurais profundas.

pode ser vista como uma forma de regularização, penalizando modelos mais complexos para favorecer explicações mais simples dos dados.

a é passado por valor, então a permanece 5, e b é passado por referência, então b se torna [5, 10].

a é passado por valor, então a permanece 5, e b é passado por valor, então b permanece [5].

a é passado por valor, então a se torna 15, e b é passado por referência, então b se torna [5, 10].

a é passado por referência, então a se torna 15, e b é passado por referência, então b se torna [5, 10].

a é passado por referência, então a se torna 15, e b é passado por valor, então b permanece [5].

as redes neurais profundas sempre convergem mais rapidamente do que redes neurais rasas devido à sua maior capacidade de modelagem.

as redes neurais não podem ser utilizadas para problemas de regressão; elas são exclusivamente usadas para problemas de classificação.

a função de ativação ReLU (Rectified Linear Unit) é preferida em redes neurais profundas porque ajuda a mitigar o problema do gradiente desaparecendo.

a regularização em redes neurais, como o dropout, é usada para aumentar o sobreajuste (overfitting) ao treinamento.

o treinamento de redes neurais é independente da função de ativação utilizada; qualquer função de ativação pode ser usada sem afetar o resultado.