Redes Neurais Flashcards
RNA (Rede Neural Artificial)
Um modelo computacional inspirado no funcionamento
do cérebro humano, usado para simular a aprendizagem e o processamento de
informações.
Neurônios Artificiais
Unidades básicas de processamento em uma RNA, responsáveis
por receber, processar e transmitir sinais
Camadas
Estruturas em uma RNA, compostas por múltiplos neurônios. Incluem
camadas de entrada, ocultas e de saída
Conexão
Ligações entre neurônios em diferentes camadas de uma RNA, através das
quais os sinais são transmitidos
Neurônios Artificiais
Unidades básicas de processamento em uma RNA, responsáveis por receber, processar e transmitir sinais
Peso
Parâmetro dentro de uma RNA que modula a força da conexão entre dois
neurônios
Bias
Parâmetro adicional em um neurônio que permite ajustar a saída do neurônio
independentemente da soma total de suas entradas
Função de Ativação
Função matemática aplicada à saída de um neurônio, usada para
introduzir não-linearidades no modelo
Input Layer (Camada de Entrada)
Primeira camada em uma RNA, responsável por
receber os dados de entrada
Hidden Layer (Camada Oculta)
Camadas intermediárias em uma RNA, onde ocorre a
maior parte do processamento de dados
Output Layer (Camada de Saída)
Última camada em uma RNA, responsável por
fornecer a saída final do modelo.
Feedforward
Processo de passagem de dados através da rede, da entrada à saída, em
uma única direção
CNN (Rede Neural Convolucional)
Tipo de RNA especializada em processar dados
com uma topologia de grade, como imagens
RNN (Rede Neural Recorrente):
Tipo de RNA projetada para processar sequências de
dados, utilizando conexões recorrentes
LSTM (Long Short-Term Memory):
Variação de RNN projetada para evitar o problema
do desaparecimento do gradiente, capaz de aprender dependências de longo prazo
Autoencoder
Tipo de RNA usada para aprendizado não supervisionado, consistindo
em um codificador e um decodificador
GAN (Rede Generativa Adversarial)
Modelo composto por duas redes, um gerador e
um discriminador, que são treinados simultaneamente em um jogo adversarial.
Sigmoid
Função de ativação que mapeia os valores de entrada para um intervalo
entre 0 e 1
Tanh (Tangente Hiperbólica):
Função de ativação que mapeia os valores de entrada
entre -1 e 1.
ReLU (Unidade Linear Retificada)
Função de ativação que permite a passagem de
valores positivos e bloqueia valores negativos
Leaky ReLU
Variação da ReLU que permite a passagem de uma pequena quantidade
de valores negativos
gradiente
descendente estocástico
usa amostragem da base de dados de treinamento
O tamanho do modelo interfere no nível de precisão
Correto
Overfitting
É a situação em que há poucos erros no treino, mas há muitos erros no teste ( erro de generalizacao)
O que são Redes Neurais Artificiais (RNAs)?
RNAs são modelos computacionais inspirados no funcionamento do
cérebro humano, usados para simular a aprendizagem e processamento de
informações
Como os neurônios artificiais funcionam em uma RNA?
Neurônios artificiais recebem entradas, processam esses sinais usando
pesos e um bias, e aplicam uma função de ativação para produzir uma saída.
Qual é a função das camadas em uma RNA?
As camadas organizam os neurônios em uma estrutura hierárquica,
facilitando o processamento complexo e a aprendizagem de características dos
dados.
O que é uma conexão em uma RNA?
Uma conexão é a ligação entre neurônios em diferentes camadas, por
onde os sinais são transmitidos.
Qual é a importância do peso em uma conexão neural?
O peso determina a força da influência de um neurônio sobre outro, sendo
crucial no processo de aprendizado da rede.
O que faz o bias em um neurônio artificial?
O bias permite ajustar a saída do neurônio independentemente da soma
total das entradas, adicionando flexibilidade ao modelo.
Como uma função de ativação afeta um neurônio artificial?
A função de ativação introduz não-linearidades, permitindo que a rede
aprenda e modele relações complexas nos dados
Qual é a função da camada de entrada em uma RNA?
A camada de entrada recebe os dados iniciais para a rede.
O que são e para que servem as camadas ocultas?
Camadas ocultas processam os sinais recebidos da camada de entrada,
aprendendo características e padrões dos dados
Qual é o papel da camada de saída em uma RNA?
A camada de saída fornece o resultado final do modelo, como uma
classificação ou previsão.
O que significa o termo “feedforward” em uma RNA?
Feedforward é o processo de passagem de dados através da rede, da
entrada à saída, em uma única direção.
Como as Redes Neurais Convolucionais (CNNs) são diferentes das RNAs tradicionais?
CNNs são especializadas em processar dados com topologia de grade,
como imagens, usando operações de convolução para extrair características
espaciais.
Em que cenários as Redes Neurais Recorrentes (RNNs) são particularmente úteis?
RNNs são usadas para processar sequências de dados, sendo eficazes em
tarefas como reconhecimento de fala e tradução de linguagem.
O que distingue as Redes LSTM de outras RNNs?
LSTMs são projetadas para evitar o problema do desaparecimento do
gradiente, tornando-as eficientes em aprender dependências de longo prazo.
Qual é o propósito de um Autoencoder em aprendizado de máquina?
Autoencoders são usados para aprendizado não supervisionado, focando
em codificar e depois reconstruir os dados de entrada.
Qual é a diferença entre as funções de ativação Sigmoid e Tanh?
Sigmoid mapeia os valores de entrada para um intervalo entre 0 e 1,
enquanto Tanh os mapeia entre -1 e 1.
Como as Redes Generativas Adversariais (GANs) funcionam?
GANs consistem em um gerador que cria dados e um discriminador que
avalia esses dados, sendo treinados simultaneamente em um processo adversarial.
Por que a função ReLU é frequentemente usada em CNNs?
ReLU é usada por sua eficiência e eficácia em acelerar o treinamento,
permitindo a passagem de valores positivos e bloqueando negativos.
Como o Método do Gradiente Descendente é utilizado no treinamento de RNAs?
O método do gradiente descendente ajusta iterativamente os pesos para
minimizar a função de custo, melhorando o desempenho do modelo.
.Qual é a diferença entre overfitting e underfitting em aprendizado de máquina?
Overfitting ocorre quando um modelo aprende demais dos dados de
treinamento, falhando em generalizar, enquanto underfitting acontece quando o
modelo é muito simples para capturar a complexidade dos dados
