Carregando...
Carregando...
Ajude a melhorar a plataforma
As primeiras tentativas de modelar o processo de aprendizagem do cérebro humano em máquinas levaram ao desenvolvimento de estruturas simples, como o perceptron e o adaline, que consistiam em um único neurônio artificial. Esses modelos foram pioneiros, mas logo se descobriu que sua capacidade era limitada a classificar apenas conjuntos de dados linearmente separáveis. Para superar essa limitação e abordar problemas mais complexos, pesquisadores começaram a explorar arquiteturas com múltiplas camadas de neurônios, inaugurando a era das redes neurais profundas. Essas redes com múltiplas camadas são capazes de modelar funções complexas e resolver problemas de classificação e regressão não linearmente separáveis.
Com base na evolução das redes neurais, qual das seguintes opções melhor descreve a principal limitação dos modelos baseados em um único neurônio, como o perceptron e o adaline?
Explique melhor esta questão
Abre o Tutor com o enunciado e as alternativas já no campo — você revisa e envia.
Esta questão foi verificada por um de nossos administradores.
🎓 Gabarito Comentado (AVA):
JUSTIFICATIVA
A principal limitação de modelos como o perceptron e o adaline reside na sua incapacidade de aprender padrões complexos ou resolver problemas que não são linearmente separáveis, devido à sua natureza de modelar apenas decisões baseadas em hiperplanos lineares.
As demais alternativas estão incorretas, pois:
As limitações de memória e poder computacional não são inerentes à arquitetura de um único neurônio, mas sim a questões tecnológicas que podem afetar qualquer tipo de modelo; embora o volume de dados de treinamento possa afetar a performance de qualquer modelo de aprendizado de máquina, a limitação principal dos modelos de um único neurônio não está na quantidade de dados necessários, mas na sua capacidade intrínseca de modelagem; o sobreajuste é um problema que pode ocorrer em modelos mais complexos com grande número de parâmetros; modelos simples com um único neurônio são geralmente limitados demais para sobreajustar de forma significativa; modelos baseados em um único neurônio podem ser ajustados ou re-treinados com novos dados, embora sua capacidade de melhoria seja limitada pela natureza linear de suas decisões.