Redes Neurais

Question 1

RNA (Rede Neural Artificial)

Answer 1

Um modelo computacional inspirado no funcionamento
do cérebro humano, usado para simular a aprendizagem e o processamento de
informações.

Question 2

Neurônios Artificiais

Answer 2

Unidades básicas de processamento em uma RNA, responsáveis
por receber, processar e transmitir sinais

Question 3

Camadas

Answer 3

Estruturas em uma RNA, compostas por múltiplos neurônios. Incluem
camadas de entrada, ocultas e de saída

Question 4

Conexão

Answer 4

Ligações entre neurônios em diferentes camadas de uma RNA, através das
quais os sinais são transmitidos

Question 5

Neurônios Artificiais

Answer 5

Unidades básicas de processamento em uma RNA, responsáveis por receber, processar e transmitir sinais

Question 6

Peso

Answer 6

Parâmetro dentro de uma RNA que modula a força da conexão entre dois
neurônios

Question 7

Bias

Answer 7

Parâmetro adicional em um neurônio que permite ajustar a saída do neurônio
independentemente da soma total de suas entradas

Question 8

Função de Ativação

Answer 8

Função matemática aplicada à saída de um neurônio, usada para
introduzir não-linearidades no modelo

Question 9

Input Layer (Camada de Entrada)

Answer 9

Primeira camada em uma RNA, responsável por
receber os dados de entrada

Question 10

Hidden Layer (Camada Oculta)

Answer 10

Camadas intermediárias em uma RNA, onde ocorre a
maior parte do processamento de dados

Question 11

Output Layer (Camada de Saída)

Answer 11

Última camada em uma RNA, responsável por
fornecer a saída final do modelo.

Question 12

Feedforward

Answer 12

Processo de passagem de dados através da rede, da entrada à saída, em
uma única direção

Question 13

CNN (Rede Neural Convolucional)

Answer 13

Tipo de RNA especializada em processar dados
com uma topologia de grade, como imagens

Question 14

RNN (Rede Neural Recorrente):

Answer 14

Tipo de RNA projetada para processar sequências de
dados, utilizando conexões recorrentes

Question 15

LSTM (Long Short-Term Memory):

Answer 15

Variação de RNN projetada para evitar o problema
do desaparecimento do gradiente, capaz de aprender dependências de longo prazo

Question 16

Autoencoder

Answer 16

Tipo de RNA usada para aprendizado não supervisionado, consistindo
em um codificador e um decodificador

Question 17

GAN (Rede Generativa Adversarial)

Answer 17

Modelo composto por duas redes, um gerador e
um discriminador, que são treinados simultaneamente em um jogo adversarial.

Question 18

Sigmoid

Answer 18

Função de ativação que mapeia os valores de entrada para um intervalo
entre 0 e 1

Question 19

Tanh (Tangente Hiperbólica):

Answer 19

Função de ativação que mapeia os valores de entrada
entre -1 e 1.

Question 20

ReLU (Unidade Linear Retificada)

Answer 20

Função de ativação que permite a passagem de
valores positivos e bloqueia valores negativos

Question 21

Leaky ReLU

Answer 21

Variação da ReLU que permite a passagem de uma pequena quantidade
de valores negativos

Question 22

gradiente
descendente estocástico

Answer 22

usa amostragem da base de dados de treinamento

Question 23

O tamanho do modelo interfere no nível de precisão

Answer 23

Correto

Question 24

Overfitting

Answer 24

É a situação em que há poucos erros no treino, mas há muitos erros no teste ( erro de generalizacao)

Question 25

O que são Redes Neurais Artificiais (RNAs)?

Answer 25

RNAs são modelos computacionais inspirados no funcionamento do
cérebro humano, usados para simular a aprendizagem e processamento de
informações

Question 26

Como os neurônios artificiais funcionam em uma RNA?

Answer 26

Neurônios artificiais recebem entradas, processam esses sinais usando
pesos e um bias, e aplicam uma função de ativação para produzir uma saída.

Question 27

Qual é a função das camadas em uma RNA?

Answer 27

As camadas organizam os neurônios em uma estrutura hierárquica,
facilitando o processamento complexo e a aprendizagem de características dos
dados.

Question 28

O que é uma conexão em uma RNA?

Answer 28

Uma conexão é a ligação entre neurônios em diferentes camadas, por
onde os sinais são transmitidos.

Question 29

Qual é a importância do peso em uma conexão neural?

Answer 29

O peso determina a força da influência de um neurônio sobre outro, sendo
crucial no processo de aprendizado da rede.

Question 30

O que faz o bias em um neurônio artificial?

Answer 30

O bias permite ajustar a saída do neurônio independentemente da soma
total das entradas, adicionando flexibilidade ao modelo.

Question 31

Como uma função de ativação afeta um neurônio artificial?

Answer 31

A função de ativação introduz não-linearidades, permitindo que a rede
aprenda e modele relações complexas nos dados

Question 32

Qual é a função da camada de entrada em uma RNA?

Answer 32

A camada de entrada recebe os dados iniciais para a rede.

Question 33

O que são e para que servem as camadas ocultas?

Answer 33

Camadas ocultas processam os sinais recebidos da camada de entrada,
aprendendo características e padrões dos dados

Question 34

Qual é o papel da camada de saída em uma RNA?

Answer 34

A camada de saída fornece o resultado final do modelo, como uma
classificação ou previsão.

Question 35

O que significa o termo “feedforward” em uma RNA?

Answer 35

Feedforward é o processo de passagem de dados através da rede, da
entrada à saída, em uma única direção.

Question 36

Como as Redes Neurais Convolucionais (CNNs) são diferentes das RNAs tradicionais?

Answer 36

CNNs são especializadas em processar dados com topologia de grade,
como imagens, usando operações de convolução para extrair características
espaciais.

Question 37

Em que cenários as Redes Neurais Recorrentes (RNNs) são particularmente úteis?

Answer 37

RNNs são usadas para processar sequências de dados, sendo eficazes em
tarefas como reconhecimento de fala e tradução de linguagem.

Question 38

O que distingue as Redes LSTM de outras RNNs?

Answer 38

LSTMs são projetadas para evitar o problema do desaparecimento do
gradiente, tornando-as eficientes em aprender dependências de longo prazo.

Question 39

Qual é o propósito de um Autoencoder em aprendizado de máquina?

Answer 39

Autoencoders são usados para aprendizado não supervisionado, focando
em codificar e depois reconstruir os dados de entrada.

Question 40

Qual é a diferença entre as funções de ativação Sigmoid e Tanh?

Answer 40

Sigmoid mapeia os valores de entrada para um intervalo entre 0 e 1,
enquanto Tanh os mapeia entre -1 e 1.

Question 41

Como as Redes Generativas Adversariais (GANs) funcionam?

Answer 41

GANs consistem em um gerador que cria dados e um discriminador que
avalia esses dados, sendo treinados simultaneamente em um processo adversarial.

Question 42

Por que a função ReLU é frequentemente usada em CNNs?

Answer 42

ReLU é usada por sua eficiência e eficácia em acelerar o treinamento,
permitindo a passagem de valores positivos e bloqueando negativos.

Question 43

Como o Método do Gradiente Descendente é utilizado no treinamento de RNAs?

Answer 43

O método do gradiente descendente ajusta iterativamente os pesos para
minimizar a função de custo, melhorando o desempenho do modelo.

Question 44

.Qual é a diferença entre overfitting e underfitting em aprendizado de máquina?

Answer 44

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