As redes neurais artificiais (RNA) constituem um campo de pesquisa que tem por preocupação lidar com tarefas como o reconhecimento de padrões, a previsão e a tomada de decisões mediante o uso de redes de unidades conectadas, treinadas por algoritmos que funcionam com base em amostras do mundo real e podem, assim, aprender e classificar padrões (Haykin, 2001). De acordo com as afirmações de Haykin, 2001, analise as proposições, referentes as redes neurais e marque a resposta, que não condiz com a base de funcionamento e implementação de uma rede neural. Alternativas Alternativa 1: A solução desenvolvida pelos cientistas, para reproduzir o cérebro humano com seu sistema nervoso, são as Redes Neurais Artificiais. Alternativa 2: As redes neurais estão no nosso cotidiano, em ambientes computacionais, no funcionamento de eletrodomésticos e em dispositivos de última geração. Alternativa 3: O aprendizado a ser utilizado por uma rede neural artificial é somente aquele que utiliza um professor, para fornecer a base de treinamento da rede. Alternativa 4: Uma rede neural pode ser descrita como uma representação matemática de todo o sistema de neurônios, e é ela quem faz a ativação e a interligação entre estes por meio de sinapses de um cérebro humano. Alternativa 5: As redes neurais são implementadas através de algoritmos matemáticos e algoritmos de aprendizado, após a implementação do sistema computacional, a rede pode ser implementada através de hardwares próprios para receber a programação.
Responda
O novo Relatório sobre as Desigualdades Mundiais é o segundo realizado desde 2018 e teve a colaboração de cerca de uma centena de pesquisadores internacionais. O documento de mais de 200 páginas inclui análise sobre o impacto da pandemia de covid-19, que exacerbou o aumento da fatia dos bilionários no total da riqueza global. Pela primeira vez o estudo inclui dados sobre as desigualdades de gênero e ecológicas (a pegada de carbono entre países ricos e pobres, mas também entre as categorias de renda). O estudo se refere ao Brasil como "um dos países mais desiguais do mundo" e diz que a discrepância de renda no país "é marcada por níveis extremos há muito tempo". Relacionando o fragmento acima com os conhecimentos abordados no Material Digital, avalie as asserções a seguir e a relação proposta entre elas. I. O discurso da meritocracia corrobora com as desigualdades sociais, que mantém determinada elite política e econômica como detentora do poder e que, ao mesmo tempo, exclui grande parcela da população. PORQUE II. O esforço individual é a principal condição para que as pessoas em situação de pobreza alcancem seus objetivos. Isto é, trata-se de uma mudança de classe social que independe de ações políticas e, tampouco, de melhorias na educação pública e no seu acesso. A respeito dessas asserções, assinale a opção correta. Alternativas Alternativa 1: As asserções I e II são verdadeiras, e a II é uma justificativa correta da I. Alternativa 2: As asserções I e II são verdadeiras, mas a II não é uma justificativa correta da I. Alternativa 3: A asserção I é uma proposição verdadeira e a II é uma proposição falsa. Alternativa 4: A asserção I é uma proposição falsa e a II é uma proposição verdadeira. Alternativa 5: As asserções I e II são falsas.
Responda
Conforme Almeida, Tokumoto, Freitas (2022), adquirir novos conhecimentos, desenvolver técnicas motoras e cognitivas, por meio de instrução ou prática, generalizar conhecimentos adquiridos, representar conhecimento e a descobrir novos fatos/teorias são alguns dos processos da aprendizagem. Estes mesmos autores salientam que: I) Na aprendizagem não supervisionada, a classificação, realiza tarefas de: separar os e-mails em spam ou não spam; e indicar se um tumor é benigno ou maligno através da análise de imagens. II) Na aprendizagem supervisionada, a regressão permite estimar um valor para uma variável dependente por meio de variáveis independentes. III) A aprendizagem supervisionada ocorre quando as entradas e as saídas são fornecidas por um supervisor (especialista) humano, envolvendo a aprendizagem de uma função, a partir dos exemplos obtidos pelas entradas e saídas. IV) A aprendizagem não supervisionada é um modelo que trabalha com o recebimento de uma grande quantidade de dados não identificados e uma pequena quantidade de dados identificados (considerados como a resposta certa). ALMEIDA, Iara Carnevale de; TOKUMOTO, Ronie Cesar; FREITAS, Janaína Aparecida de. ​Técnicas de Machine Learning (Aprendizagem de Máquina). Maringá - PR.: Unicesumar, 2021. É correto o que se afirma em: Alternativas Alternativa 1: I e II, apenas. Alternativa 2: II e III, apenas. Alternativa 3: I, III e IV, apenas. Alternativa 4: I, II e IV, apenas. Alternativa 5: I, II e III.
Responda
Conforme Almeida, Tokumoto, Freitas (2022), na aprendizagem por reforço, o agente aprende a partir de uma recompensa (ou seja, o reforço). Diferente dos outros tipos de aprendizagem, neste não há um conjunto de treinamento, rotulado ou não. Este tipo de aprendizagem procura detectar como devem ser as ações em ambientes predeterminados. Esta aprendizagem realiza a interação entre dois elementos de forma que o ambiente é o local onde o agente de aprendizagem interage ao tomar suas decisões. Quando o agente de aprendizagem toma uma decisão: I) se as ações estão corretas, o agente recompensa o ambiente; CONTUDO, II) o agente aplica uma penalidade ao ambiente, sinalizando que as ações são negativas. ALMEIDA, Iara Carnevale de; TOKUMOTO, Ronie Cesar; FREITAS, Janaína Aparecida de. ​Técnicas de Machine Learning (Aprendizagem de Máquina). Maringá - PR.: Unicesumar, 2021. A respeito dessas asserções, assinale a opção correta: Alternativas Alternativa 1: As asserções I e II são proposições falsas. Alternativa 2: A asserção I é uma proposição verdadeira, e a II é uma proposição falsa. Alternativa 3: A asserção I é uma proposição falsa, e a II é uma proposição verdadeira. Alternativa 4: As asserções I e II são proposições verdadeiras, e a II é uma justificativa correta da I. Alternativa 5: As asserções I e II são proposições verdadeiras, mas a II não é uma justificativa correta da I.
Responda
Conforme Almeida, Tokumoto e Freitas (2022), o Machine Learning (ML) e o Deep Learning (DL) estão presentes em nossa rotina. Estes autores assumem que já tivemos algum contato com aplicações baseadas em ML ou DL, ou conhecemos alguma empresa que utiliza técnicas de aprendizagem através de aplicações práticas, executadas com sucesso. Finalmente, esses mesmos autores indicam que I ) aplicações baseadas em ML que envolve análise de dados, recomendação de produto e análise de sentimentos POIS II) a análise de dados possibilita que hajam resultados relevantes para as empresas, no que refere às previsões, apoio para tomada de decisões, detectar oportunidades e/ou mudanças nos diferentes setores destas empresas; a recomendação de produtos é um exemplo desta análise dos dados pois pode-se ter um serviço de recomendação de produtos que considere o perfil e os desejos dos clientes, permitindo que a empresa possa realizar marketing direcionado de produtos; e finalmente, a análise de sentimentos permite que se detectem sentimentos bons (ou ruins) que os clientes têm sobre as suas marcas e/ou produtos através de, por exemplo, comentários nas redes sociais ou em e-mails. ALMEIDA, Iara Carnevale de; TOKUMOTO, Ronie Cesar; FREITAS, Janaína Aparecida de. ​Técnicas de Machine Learning (Aprendizagem de Máquina). Maringá - PR.: Unicesumar, 2021. Alternativas Alternativa 1: As asserções I e II são proposições falsas. Alternativa 2: A asserção I é uma proposição verdadeira, e a II é uma proposição falsa. Alternativa 3: A asserção I é uma proposição falsa, e a II é uma proposição verdadeira. Alternativa 4: As asserções I e II são proposições verdadeiras, e a II é uma justificativa correta da I. Alternativa 5: As asserções I e II são proposições verdadeiras, mas a II não é uma justificativa correta da I.
Responda
Conforme Almeida, Tokumoto, Freitas (2022), o computador pode aprender uma tarefa por tentativa e erro, realizando análise de muitos exemplos de treinamento. As Redes Neurais Artificiais (RNA) podem aprender a resolver diferentes tipos de problema e são utilizadas para construir soluções de problemas complexos. Algoritmos de Aprendizagem baseado em RNA são procedimentos utilizados para realizar todo o processo de aprendizagem e modificar os pesos sinápticos da rede para alcançar o objetivo desejado, de forma ordenada. Esta modificação de pesos sinápticos é um dos métodos para os projetos que usam redes neurais. I) RNA extraem poder computacional de uma estrutura paralela distribuída como também da habilidade de aprender e generalizar. CONTUDO, II) diz-se generalizar pois a rede neural produz saídas adequadas para as entradas que, ainda, não foram aprendidas via processo de treinamento. ALMEIDA, Iara Carnevale de; TOKUMOTO, Ronie Cesar; FREITAS, Janaína Aparecida de. ​Técnicas de Machine Learning (Aprendizagem de Máquina). Maringá - PR.: Unicesumar, 2021. A respeito dessas asserções, assinale a opção correta: Alternativas Alternativa 1: As asserções I e II são proposições falsas. Alternativa 2: A asserção I é uma proposição verdadeira, e a II é uma proposição falsa. Alternativa 3: A asserção I é uma proposição falsa, e a II é uma proposição verdadeira. Alternativa 4: As asserções I e II são proposições verdadeiras, e a II é uma justificativa correta da I. Alternativa 5: As asserções I e II são proposições verdadeiras, mas a II não é uma justificativa correta da I
Responda
Segundo Haykin (2007), afirma-se que: "o cérebro humano é um computador (sistema de processamento de imagens) altamente complexo, não linear e paralelo...". Assim como nosso cérebro, que possui uma rede de neurônios, uma inteligência artificial pode possuir uma Rede Neural Artificial (RNA), o objetivo dessa rede é simular o cérebro humano afim de tornar uma inteligência computacional o mais próximo da inteligência humana, ou seja, um sistema capaz de resolver problemas complexos. HAYKIN, S. Redes Neurais: princípios e práticas. [S. l.]: Bookman, 2007. Adaptado. Com base no texto, analise as alternativas que melhor correspondem com as características de uma Rede Neural Artificial: I. A RNA deve ser tolerante a falhas. II. A Rede Neural Artificial deve ser flexível, ou seja, ela tem a capacidade de adaptar os pesos sinápticos e pode ser treinada novamente caso necessário. III. O processamento para reconhecer um padrão de determinada imagem deve acontecer de forma rápida e precisa, por isso o processamento deve ser escalável caso necessário. IV. O processo de treinamento de uma RNA deve possuir um mapeamento das entradas e saídas para que a rede possa acertar o resultado com mais precisão, ou seja, quanto mais a RNA é treinada maior será o percentual de acerto. É correto o que se afirma em: Alternativas Alternativa 1: I e IV, apenas. Alternativa 2: II e III, apenas. Alternativa 3: III e IV, apenas. Alternativa 4: I, II e III, apenas. Alternativa 5: I, II, III e IV, apenas.
Responda
Conforme Almeida, Tokumoto, Freitas (2022), a clusterização é uma técnica de classificação “primitiva”, pois nenhuma suposição é feita a respeito dos grupos analisados. Além disto, estes mesmo autores indicam que existem diferentes tipos de agrupamento de clusters: 1) Grupo Exclusivo - onde cada registro pertence a um único grupo; 2) Sobreposto - os registros podem pertencer a mais de um grupo ou cluster; 3) Completo ou parcial - onde se consegue separar (ou não) todos os registros; 4) Homogêneo ou heterogêneo - agrupamento que apresenta (ou não) tamanhos, formas e densidades similares; 5) Hierárquico - a hierarquia entre os grupos que podem conter subgrupos e outros registros. Desses grupos, percebe-se que I) Grupos Exclusivo, Homogêneo e Completo permitem uma melhor análise dos resultados pois os elementos dos grupos estão claramente em um cluster. CONTUDO, II) Grupos Sobreposto e Parcial possibilitam identificar que os elementos têm características que permitem estar em mais de um cluster. ALMEIDA, Iara Carnevale de; TOKUMOTO, Ronie Cesar; FREITAS, Janaína Aparecida de. ​Técnicas de Machine Learning (Aprendizagem de Máquina). Maringá - PR.: Unicesumar, 2021. A respeito dessas asserções, assinale a opção correta: Alternativas Alternativa 1: As asserções I e II são proposições falsas. Alternativa 2: A asserção I é uma proposição verdadeira, e a II é uma proposição falsa. Alternativa 3: A asserção I é uma proposição falsa, e a II é uma proposição verdadeira. Alternativa 4: As asserções I e II são proposições verdadeiras, e a II é uma justificativa correta da I. Alternativa 5: As asserções I e II são proposições verdadeiras, mas a II não é uma justificativa correta da I.
Responda
Conforme Almeida, Tokumoto, Freitas (2021), aprendizagem supervisionada objetiva encontrar ótimos parâmetros que possam ser trabalhados em um modelo de conjunto de testes de rótulos desconhecidos; já a aprendizagem não supervisionada pretende a aprendizagem de padrões na entrada e tem o objetivo é analisar as semelhanças entre os objetos e agrupá-los, quando não são fornecidos valores de saída específicos. ALMEIDA, Iara Carnevale de; TOKUMOTO, Ronie Cesar; FREITAS, Janaína Aparecida de. ​Técnicas de Machine Learning (Aprendizagem de Máquina). Maringá - PR.: Unicesumar, 2021. I) A partir de soluções baseadas em aprendizagem, pode-se resolver problemas de classificação e regressão POIS II) se a tarefa tem um rótulo oriundo de um conjunto finito e não ordenado, aplicamos uma classificação; caso o rótulo seja um número real, temos regressão. Em outras palavras, a classificação é a atribuição de casos ou instâncias de dados a uma ou mais possíveis classes e a regressão é a estimativa do valor de uma variável baseada em exemplos. A respeito dessas asserções, assinale a opção correta: Alternativas Alternativa 1: As asserções I e II são proposições falsas. Alternativa 2: A asserção I é uma proposição verdadeira, e a II é uma proposição falsa. Alternativa 3: A asserção I é uma proposição falsa, e a II é uma proposição verdadeira. Alternativa 4: As asserções I e II são proposições verdadeiras, e a II é uma justificativa correta da I. Alternativa 5: As asserções I e II são proposições verdadeiras, mas a II não é uma justificativa correta da I.
Responda
Conforme Almeida, Tokumoto, Freitas (2021), o cérebro humano pode ser visto como um computador, ou seja, sistema de processamento de imagens por ser paralelo, altamente complexo e não-linear. O cérebro humano tem a capacidade de organizar seus constituintes estruturais, conhecidos por neurônios, de forma a realizar processamentos rápidos”. Além disso, estes mesmos autores salientam que o cérebro humano realiza tarefas de reconhecimento de imagens de forma rotineira em, aproximadamente, 100-220 ms. Finalmente, esses autores indicam que um computador convencional pode levar dias para executar tarefas de menor complexidade. ALMEIDA, Iara Carnevale de; TOKUMOTO, Ronie Cesar; FREITAS, Janaína Aparecida de. ​Técnicas de Machine Learning (Aprendizagem de Máquina). Maringá - PR.: Unicesumar, 2021. I) Pode-se dizer que um neurônio humano em desenvolvimento é sinônimo de um cérebro plástico e esta plasticidade permite que o sistema nervoso em desenvolvimento se adapte ao seu meio ambiente. PORTANTO, II) a rede neural é uma máquina projetada para modelar a maneira como o cérebro realiza uma tarefa particular ou função de interesse. Para alcançar bom desempenho, as redes neurais empregam uma interligação maciça de células computacionais simples denominadas “neurônios” ou “unidades de processamento''. A respeito dessas asserções, assinale a opção correta: Alternativas Alternativa 1: As asserções I e II são proposições falsas. Alternativa 2: A asserção I é uma proposição verdadeira, e a II é uma proposição falsa. Alternativa 3: A asserção I é uma proposição falsa, e a II é uma proposição verdadeira. Alternativa 4: As asserções I e II são proposições verdadeiras, e a II é uma justificativa correta da I. Alternativa 5: As asserções I e II são proposições verdadeiras, mas a II não é uma justificativa correta da I.
Responda
Conforme Almeida, Tokumoto, Freitas (2021), os programas baseados em Machine Learning (ML) têm o objetivo de descobrir o relacionamento entre as variáveis de entrada/saída do sistema, a partir de uma amostra de dados. Esta amostra é necessária quando os relacionamentos entre as variáveis do problema devem ser compreendidas. I) Elementos importantes para o aprendizado supervisionado de ML são os dados de treinamento, espaço de hipóteses e o algoritmo de aprendizado POIS II) os dados de treinamento pois permitem que seja feito um mapeamento funcional da entrada para a saída; o espaço de hipóteses é um conjunto de funções pré-candidatas; e o algoritmo de aprendizado irá receber dados de treinamento para depois selecionar uma hipótese no espaço de hipóteses a serem definidas. ALMEIDA, Iara Carnevale de; TOKUMOTO, Ronie Cesar; FREITAS, Janaína Aparecida de. ​Técnicas de Machine Learning (Aprendizagem de Máquina). Maringá - PR.: Unicesumar, 2021. A respeito dessas asserções, assinale a opção correta: Alternativas Alternativa 1: As asserções I e II são proposições falsas. Alternativa 2: A asserção I é uma proposição verdadeira, e a II é uma proposição falsa. Alternativa 3: A asserção I é uma proposição falsa, e a II é uma proposição verdadeira. Alternativa 4: As asserções I e II são proposições verdadeiras, e a II é uma justificativa correta da I. Alternativa 5: As asserções I e II são proposições verdadeiras, mas a II não é uma justificativa correta da I.
Responda

Helpful Social

Copyright © 2024 ELIBRARY.TIPS - All rights reserved.