Para resolver problemas não linearmente separáveis utilizando RNAs, a alternativa mais empregada é a...

Alternativa D - As afirmações I e III estão corretas.

Introdução

As Redes Neurais Artificiais (RNAs), especificamente o Multilayer Perceptron (MLP), foram desenvolvidas para superar as limitações do Perceptron de camada única, que só conseguia resolver problemas linearmente separáveis (como a porta lógica AND).

Desenvolvimento

Uma rede MLP é composta por uma camada de entrada, uma ou mais camadas intermediárias (escondidas) e uma camada de saída. O Teorema da Aproximação Universal afirma que uma rede com uma camada intermediária e neurônios suficientes pode aproximar qualquer função contínua, desde que utilize funções de ativação não lineares.

Análise

1. Afirmação I (Correta): A definição de uma rede completamente conectada (fully connected) é justamente que cada neurônio de uma camada se conecta a todos os neurônios da camada subsequente.
2. Afirmação II (Incorreta): A taxa de aprendizado (η) define o tamanho do passo no ajuste dos pesos durante o treinamento. Valores altos fazem com que as variações dos pesos sejam maiores, o que pode acelerar a convergência ou causar instabilidade (oscilação).
3. Afirmação III (Correta): Sem funções de ativação não lineares (como Sigmoide, ReLU ou Tangente Hiperbólica), a combinação de múltiplas camadas seria matematicamente equivalente a uma única camada linear, impedindo a rede de aprender padrões complexos.

Conclusão

As afirmações I e III descrevem propriedades fundamentais da arquitetura e funcionamento das MLPs, enquanto a afirmação II inverte a lógica do funcionamento da taxa de aprendizado.

Alternativa D.