P2.1

Question 1

Machine Learning

Answer 1

Área de estudo que dá aos computadores a habilidade de aprenderem sem ser explicitamente programados

Question 2

Well posed Learning Problem

Answer 2

Um programa de computador aprende de uma experiência com respeito a uma classe de tarefas e uma medida de performance se sua performance na execução medida melhora com sua experiência.

Question 3

Aprendizado Supervisionado

Answer 3

Observa se alguns pares de exemplos de entrada e saída de forma a aprender uma função que mapeia a entrada para a saída.

Question 4

Aprendizado Não Supervisionado

Answer 4

O agente reconhece padrões nos dados de entrada mesmo sem nenhum feedback de saída.

Question 5

Aprendizado por Reforço

Answer 5

O agente recebe uma série de reforços, recompensas ou punições, calculadas com base no ambiente.

Question 6

Estado

Answer 6

Conjunto de características que descrevem o ambiente.

Question 7

Função de recompensa

Answer 7

Feedback do ambiente sobre o comportamento do agente.

Question 8

Função de transição

Answer 8

Indica em qual estado o agente está.

Question 9

Política de ações

Answer 9

Função que modela o comportamento do agente.

Question 10

Função valor dos estados

Answer 10

Expressa se um determinado estado é bom ou ruim em termos das recompensas e da política de ações.

Question 11

Função valor das ações

Answer 11

Indica a soma das recompensas a obter.

Question 12

Fases do Aprendizado Supervisionado

Answer 12

○ Treinamento
§ Apresenta-se exemplos ao sistema;
§ O sistema “aprende” a partir dos exemplos.
§ O sistema modifica gradualmente os seus parâmetros para que a saída se aproxime da saída desejada.
○ Utilização/Teste
§ Novos exemplos jamais vistos são apresentados ao sistema
§ O sistema deve generalizar e reconhecê-los.

Question 13

Overfitting

Answer 13

Erro baixo sobre os exemplos de treinamento, porém elevado para os exemplos de teste

Question 14

Underfitting

Answer 14

Erro elevado na fase de treinamento.

Question 15

Teoria do Aprendizado Computacional

Answer 15

Qualquer hipótese que é consistente com um conjunto suficientemente grande de exemplos é pouco provável de estar seriamente errada.

Question 16

Árvore de Decisão

Answer 16

Uma árvore de decisão toma as suas decisões através de uma sequência de testes.

Question 17

Cluster

Answer 17

É uma coleção de objetos que são similares uns aos outros e dissimilares à objetos pertencentes a outros clusters.

Question 18

Clusterização

Answer 18

É o processo de agrupar um conjunto de objetos físicos ou abstratos em classes de objetos similares.

Question 19

Etapas do processo de aprendizado não-supervisionado

Answer 19

1) Seleção de atributos
2) Medida de proximidade
3) Critério de agrupamento
4) Algoritmo de agrupamento
5) Verificação dos resultados
6) Interpretação dos resultados

Question 20

Os algoritmos de clusterização hierárquica podem ser divididos em 2 subcategorias

Answer 20

Aglomerativos e Divisivos

Question 21

Aglomerativos

Answer 21

Produzem uma sequência de agrupamentos com um número decrescente de clusters a cada passo.

Question 22

Divisivos

Answer 22

Produzem uma sequência de agrupamentos com um número crescente de clusters a cada passo.

Question 23

RNA(Rede Neural Artificial)

Answer 23

São técnicas computacionais que apresentam um modelo matemático inspirado na estrutura neural de organismos inteligentes e que adquirem conhecimento através da experiência.

Question 24

Arquitetura das RNAs

Answer 24

Feedforward (única direção)

Recorrente (realimentação)

Question 25

Feedforward (única direção)

Answer 25

Todas as sinapses se ligam somente aos neurônios da camada seguinte

Question 26

Recorrente (realimentação)

Answer 26

Há sinapses com os neurônios da mesma camada e da camada anterior.

Question 27

Algoritmo de aprendizado

Answer 27

É um conjunto de regras bem definidas para a solução de um problema de aprendizado

Question 28

Perceptron

Answer 28

É uma RNA com a arquitetura mais simples. Possui apenas uma camada de entrada e outra de saída e resolve problemas linearmente separáveis.