Carregando...
Carregando...
Ajude a melhorar a plataforma
Uma das principais vantagens das redes neurais profundas (RNPs) é que elas podem aprender a extrair características relevantes a partir de dados. Existem, inclusive, RNPs voltadas exclusivamente para extração de características, por exemplo:
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.
Alternativa C - Word2Vec, Doc2Vec e Item2Vec.
No contexto de Redes Neurais Profundas e Processamento de Linguagem Natural, a extração de características (feature extraction) evoluiu de métodos manuais para aprendizado de representações vetoriais chamadas de embeddings.
Modelos de representação vetorial transformam entidades (palavras, documentos, itens) em vetores numéricos densos em um espaço multidimensional, onde a proximidade geométrica reflete a semelhança semântica.
| Modelo | Descrição | | :--- | :--- | | Word2Vec | Cria representações vetoriais para palavras baseadas no contexto. | | Doc2Vec | Expande o Word2Vec para representar parágrafos ou documentos inteiros. | | Item2Vec | Aplica a mesma lógica para recomendação de itens em sistemas de e-commerce. |
As outras alternativas mencionam TF-IDF, que é um método estatístico tradicional (frequência) e não uma Rede Neural Profunda voltada exclusivamente para extração de características via embeddings aprendidos.
O trio Word2Vec, Doc2Vec e Item2Vec representa a família de algoritmos baseados em redes neurais rasas/profundas focadas especificamente na geração de embeddings (extração de características).
Alternativa C.