96% confiançaCorrelacione os itens a seguir: (S) Treinamento supervisionado (N) Treinamento não supervisionado com I - A rede neural artificial aprende a partir de padrões conhecidos. II - O treinamento é direcionado para diminuir o erro na saída. III - Os padrões de treinamento possuem apenas entradas. Assinale a alternativa correta:aprendizado-de-maquinainteligencia-artificialredes-neurais
97% confiançaEm relação às redes neurais, selecione a opção correta.aprendizado-de-maquinainteligencia-artificialredes-neurais
94% confiançaAs redes neurais são úteis para modelar e resolver diversas categorias de problemas. Nesse sentido, selecione a opção correta a respeito das aplicações das redes neurais.aprendizado-de-maquinainteligencia-artificialredes-neurais
96% confiançaUm dos métodos mais conhecidos para treinamento de uma rede neural é o backpropagation. Em relação a esse método, selecione a opção correta sobre suas características.aprendizado-supervisionadobackpropagationinteligencia-artificial
96% confiançaDeterminada empresa, ao realizar um programa de aceleração, selecionou fintechs que já trabalham na análise de fraudes em sistemas de cartão de crédito. Uma das premissas adotadas para a seleção foi a de que a fintech tivesse experiência em redes multilayer perceptrons. Nesse contexto, perceptron é:aprendizado-de-maquinainteligencia-artificialperceptron
78% confiançaConsidere o problema em classificar pontos no plano cartesiano como sendo do Norte ou do Sul. Para tanto, treine uma RNA do tipo Madaline, usando o algoritmo apresentado nesse curso e considerando os seguintes pontos: (-1, 8) → Norte; (-2, -4) → Sul. Embora o problema possa ser resolvido com uma Adaline, resolva pela rede Madaline, considerando os seguintes vetores-alvo: Utilize a função de ativação degrau bipolar com limiar igual a 0 e taxa de aprendizagem igual a 0,1. Utilize como pesos sinápticos iniciais v = [−0,1; 0,2; 0,1; 0,3] e v0 = [0,4; −0,1]. Os vetores de pesos sinápticos após o término do segundo ciclo são iguais a:aprendizado-supervisionadomadalineredes-neurais
74% confiançaTreine uma RNA do tipo Adaline, usando o algoritmo apresentado nesse curso e considerando o uso da função degrau bipolar com limiar igual a 0 e taxa de aprendizagem igual a 0,01. Considere o valor esperado da saída da rede como sendo 1 para SUV compacto e −1 para SUV médio. Utilize como pesos sinápticos iniciais v = [0,01; −0,25; 0,14; −0,13] e v0 = [0,24; −0,1]. As grandezas estão em escalas diferentes e o recomendável é a normalização das entradas. Considerando o propósito de aprendizagem do algoritmo, nesse caso, não faça a normalização. O valor dos pesos sinápticos de v após o término do segundo ciclo é igual a:adalineaprendizado-supervisionadointeligencia-artificial
78% confiançaConsidere o problema em classificar pontos no plano cartesiano como sendo do Norte ou do Sul. Para tanto, treine uma RNA do tipo Madaline, usando o algoritmo apresentado nesse curso e considerando os seguintes pontos: (Abscissa, Ordenada, Região) = (-1, 4, Norte) e (5, -5, Sul). Embora o problema possa ser resolvido com uma Adaline, resolva pela rede Madaline, considerando os seguintes vetores-alvo (codificação bipolar). Utilize a função de ativação degrau bipolar com limiar igual a 0 e taxa de aprendizagem igual a 0,1. Utilize como pesos sinápticos iniciais v = [-0,1; 0,2; 0,1; 0,3] e v0 = [0,4; -0,1]. Os vetores de pesos sinápticos após o término do segundo ciclo são iguais a:aprendizagem-supervisionadamadalineperceptronadaline
86% confiançaEmbora não seja uma regra clara, o mercado de automóveis costuma classificar os veículos por categorias. Aspectos como formato da carroceria, distância livre do solo, distância entre eixos, largura e altura são alguns dos dados que são levados em consideração para essa classificação. Considere que você possua amostras de treinamento contendo como dados de entrada a largura do veículo e a distância entre eixos e a classificação da categoria de acordo com o mercado (tabela abaixo). Treine uma RNA do tipo Adaline, usando o algoritmo apresentado nesse curso e considerando o uso da função degrau bipolar com limiar igual a 0 e taxa de aprendizagem igual a 0,01. Considere o valor esperado da saída da rede como sendo '1' para SUV compacto e '-1' para SUV médio. Utilize como pesos sinápticos iniciais v = [-0,1 -0,5; 0,1 -0,03] e v0 = [-1 0,04 -0,1]. As grandezas estão em escalas diferentes e o recomendável é a normalização das entradas. Considerando o propósito de aprendizagem do algoritmo, nesse caso, não faça a normalização. O valor dos pesos sinápticos v após o término do primeiro ciclo é igual a:adalineaprendizado-supervisionadoredes-neurais
78% confiançaConsidere o problema em classificar pontos no plano cartesiano como sendo do Norte ou do Sul. Para tanto, treine uma RNA do tipo Madaline, usando o algoritmo apresentado nesse curso e considerando os seguintes pontos: Embora o problema possa ser resolvido com uma Adaline, resolva pela rede Madaline, considerando os seguintes vetores-alvo: Utilize a função de ativação degrau bipolar com limiar igual a 0 e taxa de aprendizagem igual a 0,1. Utilize como pesos sinápticos iniciais v = [ -0,1; 0,2; 0,1; 0,3 ] e v0 = [0,4; -0,1]. Os vetores de pesos sinápticos após o término do segundo ciclo são iguais a:aprendizado-supervisionadomadalineredes-neurais
55% confiançaAnalise as afirmativas abaixo e assinale a alternativa correta: I - As redes que implementam o conceito de SOM utilizam a localização especial ou um tipo de mapa topográfico; II - As redes de Hopfield utilizam o conceito de aprendizagem supervisionada; III - As redes de Kohonen utilizam o conceito de aprendizagem não supervisionada.aprendizado-nao-supervisionadointeligencia-artificialmapas-auto-organizaveis
95% confiançaAnalise as afirmativas abaixo e assinale a alternativa correta: I - Para redes neurais regulares, o tipo de camada mais comum é a camada totalmente conectada; II - A disposição dos neurônios em rede neurais não pode ser em camadas; III - As redes neurais são modeladas como coleções de neurônios conectados em um gráfico acíclico.arquiteturas-de-redes-neuraisinteligencia-artificialredes-neurais
74% confiançaEmbora não seja uma regra clara, o mercado de automóveis costuma classificar os veículos por categorias. Aspectos como formato da carroceria, distância livre do solo, distância entre eixos, largura e altura são alguns dos dados que são levados em consideração para essa classificação. Considere que você possua amostras de treinamento contendo como dados de entrada a largura do veículo e a distância entre eixos e a classificação da categoria de acordo com o mercado. Entrada 1 da RNA (Largura (m)) e Entrada 2 da RNA (Distância entre eixos (m)) e Saída da RNA (Categoria): - 1,726; 2,521; Sedan compacto - 1,730; 2,550; Sedan compacto - 1,780; 2,701; Sedan médio - 1,807; 2,688; Sedan médio Treine uma RNA do tipo Perceptron de camada simples, usando o algoritmo apresentado nesse curso e considerando o uso da função degrau bipolar com limiar igual a 0 e taxa de aprendizagem igual a 0,1. Considere o valor esperado da saída da rede como sendo 1 para sedan compacto e “-1” para sedan médio. Utilize como pesos sinápticos iniciais v = [– 0,07 0,26] e v0 = 0,01. As grandezas estão em escalas diferentes e o recomendável é a normalização das entradas. Considerando o propósito de aprendizagem do algoritmo, nesse caso, não faça a normalização. Os vetores de pesos sinápticos após o término do terceiro ciclo são iguais a:inteligencia-artificialperceptronredes-neurais
18% confiançaConsidere o problema em classificar pontos no plano cartesiano como sendo do Nordeste ou do Sudoeste. Para tanto, treine uma RNA do tipo Perceptron de camada simples, usando o algoritmo apresentado nesse curso e considerando os seguintes pontos: Abscissa Ordenada Região 2 0,5 Nordeste 0,3 3 Nordeste – 2,5 – 0,8 Sudoeste – 0,4 – 1,8 Sudoeste Considere Noroeste como valor 1 e sudeste como valor – 1, função degrau bipolar com limiar igual a 0 e taxa de aprendizagem igual a 0,1. Utilize como pesos sinápticos iniciais v = [0,3 0,1] e v0 = 0,35. Os vetores de pesos sinápticos após o término do segundo ciclo são iguais a:inteligencia-artificialperceptronredes-neurais