A afirmação apresentada está correta. O algoritmo de backpropagation é amplamente utilizado no treinamento de redes neurais artificiais (RNA) e consiste em duas fases: a propagação (forward propagation) e a retropropagação (backward propagation). Na fase de propagação, as entradas são passadas pela rede neural, e as previsões de saída são obtidas através do cálculo das saídas dos neurônios em cada camada, começando pela camada de entrada e avançando em direção à camada de saída. Na fase de retropropagação, o termo de correção dos pesos é calculado utilizando o método de gradiente descendente. Esse termo de correção é propagado de volta pela rede, camada por camada, a partir da camada de saída em direção à camada de entrada. Durante essa propagação inversa, os gradientes são calculados e utilizados para atualizar os pesos sinápticos, buscando minimizar a função de perda do modelo. O algoritmo de backpropagation é fundamental para o treinamento eficiente das RNAs, permitindo que os pesos sejam ajustados de forma iterativa para melhorar o desempenho do modelo em relação aos dados de treinamento. Portanto, a afirmação apresentada está correta. A resposta é (C) Certo.

O algoritmo de backpropagation consiste das fases de propagação e de retro propagação: na primeira, as entradas são passadas através da rede e as previsões de saída são obtidas; na segunda, se calcula o termo de correção dos pesos e, por conseguinte, a atualização dos pesos.

Julgue o próximo item, relativo a redes neurais artificiais (RNA).


A afirmação apresentada está incorreta. O uso de "early stopping" em redes neurais artificiais (RNA) tem como objetivo evitar o overfitting, não melhorar a acurácia do treinamento. O overfitting ocorre quando um modelo de RNA se ajusta excessivamente aos dados de treinamento, resultando em um desempenho pior em dados não vistos, como os dados de validação ou teste. O "early stopping" é uma técnica que interrompe o treinamento da RNA quando o desempenho em um conjunto de validação começa a se deteriorar, ou seja, quando o erro de validação começa a aumentar. Ao parar o treinamento precocemente, evita-se que a RNA continue a se ajustar aos dados de treinamento além do ponto em que ocorre o overfitting. Dessa forma, o "early stopping" pode ajudar a melhorar a capacidade de generalização da RNA, permitindo que ela se saia melhor em dados não vistos. No entanto, é importante destacar que o "early stopping" não melhora diretamente a acurácia do treinamento. Em vez disso, ele busca evitar o overfitting e, assim, melhorar o desempenho em dados não vistos. Portanto, a afirmação apresentada está incorreta. A resposta correta é (E) Errado.

Em RNA, o uso de early stopping, ainda que não evite o overfitting, permite calcular com mais precisão a classificação nos dados de validação e, assim, melhorar a acurácia do treinamento.

A afirmação apresentada está correta. Uma rede neural convolucional (CNN - Convolutional Neural Network) é de fato composta por camadas convolucionais, unidades de processamento não linear (geralmente funções de ativação como ReLU) e camadas de subamostragem, também conhecidas como camadas de pooling. As camadas convolucionais são responsáveis por aplicar operações de convolução nas entradas, permitindo que a rede aprenda padrões locais e extraia características relevantes dos dados. Essas camadas são especialmente adequadas para processar dados com estrutura espacial, como imagens. As unidades de processamento não linear, como funções de ativação, são aplicadas após as operações de convolução para introduzir não linearidades nas saídas dos neurônios. Isso permite que a CNN aprenda relações não lineares entre os dados de entrada e as saídas desejadas. As camadas de subamostragem ou pooling são utilizadas para reduzir a dimensionalidade espacial dos dados, preservando as características mais importantes. Essas camadas ajudam a tornar a rede mais robusta a pequenas variações ou deslocamentos nos dados de entrada. Uma das principais características das redes neurais convolucionais é sua habilidade em explorar correlações temporais e espaciais nos dados, tornando-as especialmente eficazes para tarefas que envolvem análise de imagens, processamento de sinais e outros tipos de dados com estrutura espacial ou temporal. Portanto, a afirmação apresentada está correta. A resposta é (C) Certo.

Uma rede neural convolucional é composta por camadas convolucionais, unidades de processamento não linear e camadas de subamostragem (pooling); ela possui como característica a habilidade em explorar correlações temporais e espaciais nos dados.

A questão descreve uma Rede Neural Artificial (RNA) feed-forward sem bias, com uma camada oculta composta por três neurônios e uma camada de saída composta por dois neurônios. A função de ativação utilizada em ambas as camadas é a Rectified Linear Unit (ReLU).Para determinar o vetor de saída com base em um vetor de entrada, precisamos aplicar a função de ativação ReLU em cada neurônio em ambas as camadas.De acordo com o gabarito fornecido, o vetor de saída é dado pela opção (B):<img src="https://mapaava.s3.amazonaws.com/648b3fbf0c5aef1ca1605f36print.png">Nessa opção, o cálculo é realizado multiplicando o vetor de entrada pelo peso correspondente em cada conexão sináptica, somando os produtos e aplicando a função ReLU (max(0, valor)) em cada resultado.As demais opções apresentadas não correspondem ao cálculo correto do vetor de saída com base no vetor de entrada.Portanto, a resposta correta é a opção (B) 0 e 0.04.

 Parada precoce, Minimização de Entropia Cruzada; 

 Sobreamostragem, Gradiente Descendente Estocástico; 

Dropout, Parada em convergência;

 Minimização de Entropia Cruzada, Validação cruzada.

O gráfico mostra que o erro de validação está diminuindo inicialmente, mas depois começa a aumentar. Isso pode ser um sinal de overfitting, onde o modelo está se ajustando muito bem aos dados de treinamento, mas não está generalizando bem para dados novos. Para contornar esse problema, duas técnicas que podem ser utilizadas são: Validação Cruzada (Cross-Validation): A validação cruzada é uma técnica que envolve dividir o conjunto de dados em vários subconjuntos para treinamento e validação repetidamente. Isso ajuda a obter uma avaliação mais robusta do desempenho do modelo, identificando se o comportamento observado é generalizado ou apenas específico para uma divisão particular dos dados. Dropout: O dropout é uma técnica de regularização usada durante o treinamento de redes neurais para evitar o overfitting. Envolve a aleatória "desativação" temporária de um certo número de neurônios em cada camada durante cada iteração do treinamento. Isso ajuda a evitar que os neurônios se especializem muito em padrões específicos nos dados de treinamento, incentivando uma representação mais robusta. Portanto, a alternativa correta é a (B):(B) Validação cruzada, Dropout;

Questões de Tecnologia da Informação - Redes Neurais