Questões de Redes Neurais Artificiais

Explore questões resolvidas de Redes Neurais Artificiais. Acesse respostas e explicações detalhadas para estudar e evoluir.

92% confiança
O paradigma conexionista, também conhecido por redes neurais artificiais, forma um paradigma de IA que tem inspiração no comportamento do cérebro, além de outras características. Assinale a alternativa que representa uma característica desse paradigma: I - Processam a informação de forma paralela e distribuída. II - Generalizam conhecimento aprendido. III - Lidam com conhecimento não simbolicamente representado. IV - São algoritmos de otimização. V - O conhecimento é aprendido por meio do estímulo e resposta.
aprendizado-de-maquina inteligencia-artificial paradigmas-de-ia
86% confiança
Embora 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. 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 = [0,2 | -0,15; 0,14 -0,03] 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 terceiro ciclo é igual a:
adaline aprendizado-supervisionado inteligencia-artificial
77% confiança
Embora 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. 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 aprendizado 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 = [0,21 −0,15; 0,14 −0,03] e v0 = [0,24 −0,1]. As grandezas estão em escalas diferentes e é recomendável 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:
adaline aprendizado-supervisionado inteligencia-artificial
88% confiança
Considere 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 (Tabela 1). Embora o problema possa ser resolvido com uma Adaline, resolva pela rede Madaline, considerando os seguintes vetores-alvo (Fórmula 1). 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-supervisionado inteligencia-artificial madaline
78% confiança
Considere 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 (ver tabela). Embora o problema possa ser resolvido com uma Adaline, resolva pela rede Madaline, considerando os seguintes vetores-alvo (ver tabela). 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-supervisionado inteligencia-artificial madaline
78% confiança
Considere o problema da função lógica "E", cuja tabela de valores lógicos é mostrada a seguir. Treine uma RNA do tipo Madaline, usando o algoritmo de aprendizado da regra delta generalizada e considerando o uso da função degrau binária com limiar igual a 0,5 e taxa de aprendizado igual a 0,1. Utilize como pesos sinápticos iniciais v = [[0,2 -0,1],[0 0,2]] e v0 = [0,02 -0,1]. Os vetores de pesos sinápticos após o término do terceiro ciclo são iguais a:
aprendizado-supervisionado inteligencia-artificial madaline
78% confiança
Considere o problema da função lógica "E", cuja tabela de valores lógicos é mostrada a seguir. Treine uma RNA do tipo Madaline, usando o algoritmo de aprendizagem da regra delta generalizada e considerando o uso da função degrau binária com limiar igual a 0,5 e taxa de aprendizagem igual a 0,1. Utilize como pesos sinápticos iniciais v = [[-0,42 −0,22],[0,01 −0,42]] e v0 = [0,29 −0,41]. Os vetores de pesos sinápticos após o término do primeiro ciclo são iguais a:
aprendizado-supervisionado madaline redes-neurais-artificiais
74% confiança
Considere 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 (ver tabela). Embora o problema possa ser resolvido com uma Adaline, resolva pela rede Madaline, considerando os seguintes vetores-alvo (ver figura). 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-supervisionada madaline redes-neurais-artificiais
78% confiança
Analise as afirmativas abaixo e assinale a alternativa correta: I - As redes de Hopfield utilizam o conceito de aprendizagem não supervisionada; 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-supervisionado inteligencia-artificial redes-neurais-artificiais