O conceito de pipeline de instruções em sistemas de computação é semelhante ao de uma linha de montagem numa planta industrial. Como numa linha de montagem esse processo aumenta a eficiência ao permitir a execução de várias instruções em paralelo, dividindo o processamento em diferentes estágios.Nesse sentido, assinale a alternativa correta.
As aplicações da cloud computing se baseiam na premissa de que a computação não é um produto, mas um serviço. Um dos modelos de nuvem apresenta como diferenciais a escalabilidade e a praticidade, e, como vantagem, a equipe de desenvolvimento se responsabiliza somente pela programação do software, porque gerenciar, manter e atualizar a infraestrutura são responsabilidades do fornecedor.Assinale a alternativa que apresenta o modelo de nuvem citado.
A Azure é a plataforma de computação em nuvem da Microsoft, lançada em 2010, que oferece uma ampla gama de serviços como armazenamento, redes, inteligência artificial e computação. Ela permite que empresas desenvolvam, implantem e gerenciem aplicações por meio de uma rede global de data centers. É conhecida por sua escalabilidade, segurança e integração com produtos Microsoft. A Azure é amplamente utilizada por organizações que buscam soluções flexíveis na nuvem.Considerando o contexto sobre o Microsoft Sentinel, observe as afirmativas a seguir: I. Microsoft Sentinel é uma solução SIEM (Security Information and Event Management) baseada na nuvem da Azure. II. Microsoft Sentinel permite o monitoramento de recursos da Microsoft, não sendo compatível com sistemas de terceiros. III. Microsoft Sentinel utiliza inteligência artificial para correlacionar eventos e detectar ameaças de forma proativa. Está correto o que se afirma em:
Empresas como Amazon (AWS), Microsoft (Azure), Google (Google Cloud Platform) e IBM oferecem serviços de cloud computing amplamente utilizados por organizações no mundo todo. A Oracle Cloud e a Alibaba Cloud também se destacam globalmente.Com relação a este contexto e sobre o conteúdo estudado, examine as asserções a seguir e a relação proposta entre elas: I. O modelo Infraestrutura como serviço permite que os usuários provisionem recursos computacionais como servidores, armazenamento e redes sob demanda, com controle direto sobre o sistema operacional. PORQUEII. No modelo Software como serviço, o provedor de serviços é responsável apenas pela infraestrutura física, enquanto o cliente gerencia o software, middleware e dados. A respeito dessas asserções assinale a alternativa correta:
Em redes neurais, diferentes arquiteturas podem ser utilizadas para tarefas de predição de séries temporais, por exemplo, as redes recorrentes LSTM.Selecione a alternativa que melhor descreve o impacto das características estruturais da LSTM na predição de séries temporais, considerando o exemplo prático apresentado nesta semana.
Redes neurais recorrentes são amplamente utilizadas para predição em séries temporais devido à sua capacidade de lidar com dados sequenciais e manter informações ao longo de muitos passos temporais. Nesta semana, foi discutido o exemplo prático do uso de redes densas (MLP) e redes recorrentes (LSTM) para prever séries temporais, incluindo a comparação de suas arquiteturas, processos de treinamento e eficácia na predição.Baseado na análise dos modelos discutidos, selecione a alternativa que melhor sintetiza a principal vantagem das redes LSTM em relação às redes densas (MLP) na predição de séries temporais.
Redes neurais recorrentes com memória de longo prazo, como as unidades LSTM (Long Short-Term Memory) e GRU (Gated Recurrent Units), foram desenvolvidas para resolver problemas comuns em redes recorrentes tradicionais, como o desaparecimento e a explosão de gradientes.Analise as seguintes alternativas e selecione a que descreve corretamente uma vantagem específica das unidades LSTM sobre as GRU.
Redes neurais recorrentes (RNNs) são uma poderosa ferramenta para modelagem de dados sequenciais. Elas são amplamente utilizadas em aplicações que envolvem dependências temporais, como, por exemplo, previsão de séries temporais. Uma característica distintiva das RNNs é sua capacidade de manter informações ao longo do tempo, o que as torna ideais para tarefas onde o contexto histórico é crucial. No entanto, essas redes também enfrentam o desafio do desaparecimento ou explosão de gradientes, especialmente em sequências longas, o que pode dificultar o aprendizado eficaz.Selecione a alternativa que descreve corretamente uma aplicação prática que se beneficia das características das RNNs.
As Redes Neurais Recorrentes (RNNs) são especialmente úteis para modelar dados sequenciais, onde a ordem dos dados é crucial. Considere uma sequência de dados temporais, como séries temporais financeiras, sequências de texto ou dados de sensores. As RNNs processam esses dados mantendo informações ao longo da sequência, o que lhes permite capturar dependências temporais e contextuais nos dados.Selecione a alternativa correta sobre o funcionamento das RNNs.
A rede de Hopfield é um tipo de rede neural recorrente que utiliza conceitos de sistemas dinâmicos para armazenar e recuperar memórias associativas. Este modelo foi proposto por John Hopfield em 1982 e utiliza princípios da física estatística, e dinâmica não linear.Identifique a alternativa que melhor descreve como os sistemas dinâmicos são utilizados na rede de Hopfield.
Os sistemas dinâmicos são utilizados para modelar o comportamento de sistemas que evoluem ao longo do tempo, podendo ser descritos por equações diferenciais ou de diferença. No caso das redes neurais, como a rede de Hopfield, os sistemas dinâmicos são utilizados para representar a evolução de estados do sistema até que ele alcance um ponto fixo.Interprete como os sistemas dinâmicos contribuem para o funcionamento das redes neurais, especificamente na rede de Hopfield.
As redes de Hopfield típicas pertencem à classe de redes neurais recorrentes, podendo ser usadas como memória associativa e para resolver determinados problemas de otimização.Sobre as características das redes de Hopfield típicas, assinale a alternativa correta.
A divergência construtiva de múltiplos passos é uma técnica que pode ser utilizada para melhorar o treinamento das máquinas restritas de Boltzmann (RBMs).Avalie como a divergência construtiva de múltiplos passos melhora o treinamento das RBMs em comparação com a divergência construtiva de um passo.
As redes de Hopfield possuem características específicas e algumas limitações que impactam seu uso prático. Uma característica importante é a simetria dos pesos das conexões entre neurônios, e uma limitação significativa é a capacidade limitada de armazenamento de memórias.Determine qual característica ou limitação das redes de Hopfield é corretamente identificada na alternativa.
O algoritmo de divergência contrastiva é um método eficiente utilizado no treinamento das máquinas restritas de Boltzmann (RBMs). Este algoritmo ajusta os pesos da rede de forma a aproximar o equilíbrio térmico, minimizando a energia dos estados desejados e maximizando a energia dos estados indesejados. A aplicação correta deste algoritmo é fundamental para o desempenho eficaz das RBMs.Explique como o algoritmo de divergência contrastiva contribui para o treinamento das máquinas restritas de Boltzmann.
Os neurônios estocásticos são uma característica importante da máquina de Boltzmann.Assinale a alternativa que apresenta como os neurônios estocásticos operam na máquina de Boltzmann e qual o impacto dessa operação no comportamento da rede.
A compreensão sobre a operação de uma rede RBF pode melhorar quando a estudamos como um classificador de padrões, mediante a análise da separabilidade de padrões.Assinale a alternativa que apresenta resumidamente como se dá a separabilidade de padrões em redes RBF.
A análise de redes SOM (Self-Organizing Maps) é crucial para identificar padrões e estruturas dentro dos dados. A U-Matrix é uma ferramenta valiosa nesse processo, auxiliando na visualização e compreensão dos agrupamentos formados pela rede. Entender como identificar macro-clusters dentro de um mapa SOM pode melhorar significativamente a interpretação dos dados, facilitando a extração de informações relevantes.De acordo com o apresentado, assinale a alternativa que explique como a U-Matrix pode ser utilizada para identificar macro-clusters em um mapa SOM.
A rede SOM é uma ferramenta poderosa para a visualização e clusterização de dados multidimensionais, amplamente utilizada em aprendizado de máquina. Com uma configuração adequada e análise cuidadosa dos resultados, é possível obter insights valiosos sobre os dados.Com base nos assuntos estudados sobre a aplicação da rede SOM ao problema de agrupamento de dados, observe as afirmativas a seguir:I. A rede SOM (Self-Organizing Map) é utilizada para criar uma representação ordenada de dados multidimensionais que simplifica a complexidade e revela relações significativas.II. O dataset Iris, amplamente utilizado em estudos de aprendizado de máquina, é composto por quatro atributos descritivos de flores e três classes distintas, facilitando a visualização dos resultados de clusterização.III. A configuração da rede SOM envolve parâmetros críticos como a dimensionalidade do grid, sigma (que define o tamanho da vizinhança), função de distância, taxa de aprendizado e semente aleatória, que influenciam diretamente a qualidade do mapeamento.IV. A rede SOM requer supervisionamento constante durante o treinamento para garantir a correta formação dos clusters.Está correto o que se afirma em:
O processo cooperativo nas redes SOM (Self-Organizing Maps) é fundamental para o aprendizado não supervisionado, permitindo que os neurônios vencedores e seus vizinhos se ajustem de maneira organizada e topologicamente preservada. Essa abordagem garante que os neurônios próximos ao neurônio vencedor sejam mais influenciados e ajustados.De acordo com o apresentado, assinale a alternativa que apresenta como a vizinhança topológica é definida para os neurônios cooperativos.
Os modelos de mapeamento de características, como os desenvolvidos por Willshaw-von der Malsburg e Kohonen, são fundamentais no campo das redes neurais de aprendizado não supervisionado. Esses modelos ajudam a entender como determinadas redes neurais podem ser organizadas e treinadas.Com relação a este contexto, analise as asserções a seguir e a relação proposta entre elas:I. No modelo de Willshaw-von der Malsburg fundamental são usadas duas grades bidimensionais de neurônios conectadas entre si: uma que representa os neurônios de entrada; e outra que representa os neurônios pós-sinapticos/de saída. A grade pós-sinaptica utiliza um mecanismo excitatório de curto alcance e e um mecanismo inibitório de longo alcance, importantes para a auto-organização.PORQUEII. No modelo de Kohonen, o aprendizado se dá por meio da retropropagação, sendo calculada a média móvel dos gradientes para cada peso ao longo do treinamento.A respeito dessas asserções assinale a alternativa correta:
As redes MLP (Multi-Layer Perceptron) são uma arquitetura de rede neural artificial amplamente utilizada em aprendizado de máquina. Com suas múltiplas camadas ocultas e a utilização de produtos internos e funções de ativação, as MLPs são capazes de aprender e representar padrões complexos nos dados.De acordo com o apresentado, assinale a alternativa que define os principais conceitos e características das redes MLP.
O aprendizado não supervisionado pode ocorrer mediante dois tipos de algoritmos de treinamento: aprendizado competitivo e aprendizado hebbiano. O aprendizado competitivo é aplicado em diversas áreas, como reconhecimento de padrões, análise de clusters e visualização de dados. Um exemplo de rede que utiliza o aprendizado competitivo é a rede SOM. A estratégia mais simples para a definição de quem ganhará a competição é denominada de "the winner takes all".Assinale a alternativa que defina resumidamente a estratégia "the winner takes all".
A rede SOM (do inglês, Self Organizing Maps ou Mapas auto-organizáveis) faz treinamento de dados para classificar e reconhecer padrões presentes no espaço de dados de entrada. Por se tratar de uma técnica não-supervisionada, não podemos avaliar o resultado da rede SOM utilizando medidas como a acurácia, usada nos casos supervisionados. Para isso, outras medidas de qualidade e outras abordagens podem ser utilizadas.Por exemplo, o Erro de Quantização que tem a finalidade de avaliar o mapa gerado pelo treinamento.Assinale a alternativa que define resumidamente o conceito de Erro de Quantização:
A rede SOM (Self-Organizing Maps) é uma técnica de aprendizado não supervisionado utilizada para mapear dados de alta dimensão em um espaço de menor dimensão, geralmente bidimensional, preservando a topologia dos dados. Este mapeamento facilita a visualização e análise de dados complexos.Com relação a este contexto e sobre o conteúdo estudado, analise as asserções a seguir e a relação proposta entre elas:I. Na fase de competição, o objetivo é identificar o neurônio vencedor (BMU, do inglês best match unit) calculando a distância euclidiana entre o vetor de entrada e os vetores de pesos dos neurônios.PORQUEII. A função de vizinhança, utilizada na fase de cooperação, determina a magnitude da atualização dos pesos dos neurônios vizinhos ao vencedor com base em uma função gaussiana.A respeito dessas asserções assinale a alternativa correta.
A avaliação de desempenho de redes neurais é fundamental para garantir que o modelo aprenda corretamente e generalize bem para novos dados. Durante a videoaula, foram mostradas as curvas de erro de treinamento e validação ao longo das épocas.Assinale a alternativa que interpreta corretamente uma queda contínua nas curvas de erro de treinamento e validação ao longo das épocas:
As funções de ativação não lineares são fundamentais para o funcionamento das redes neurais, permitindo que elas aprendam e representem relações complexas. A função sigmoide é uma dessas funções, amplamente utilizada devido às suas propriedades específicas. Compreender como a função sigmoide opera e suas vantagens e desvantagens é essencial para o design eficaz de redes neurais.Nesse sentido, assinale a alternativa que descreve corretamente a função sigmoide e explica como essa função influencia o aprendizado e a performance das redes neurais:
Leia o trecho:O modelo Adaline (Adaptive Linear Neuron) é uma variação do Perceptron que utiliza uma função de ativação linear e uma regra de aprendizagem baseada no gradiente descendente. Diferente do Perceptron, usando-se o Adaline, o erro é calculado [preencher 1]. No Adaline, o algoritmo de aprendizagem tem como objetivo minimizar o erro das saídas em relação aos valores desejados. A função de custo a ser minimizada considera [preencher 2].Os termos [preencher 1] e [preencher 2] são corretamente substituídos por:
A preparação adequada dos dados é um aspecto crítico no processo de treinamento de modelos de inteligência artificial, especialmente de redes neurais. Este processo envolve diversas técnicas destinadas a otimizar tanto a precisão quanto a eficiência dos algoritmos de aprendizado. Dentre estas técnicas, a normalização é uma das mais relevantes, pois equaliza a influência de cada característica no modelo, prevenindo que variáveis com escalas amplas impactem negativamente a performance do algoritmo. Tal prática é importante para manter a consistência dos dados e para acelerar o processo de aprendizado ao facilitar o caminho do gradiente na busca pelo mínimo global da função de perda.Com relação a este contexto e sobre o conteúdo estudado, analise as asserções a seguir e a relação proposta entre elas:I. A normalização dos dados é um passo essencial na preparação dos dados para redes neurais, pois ajusta os valores das características para um intervalo comum.PORQUEII. A normalização ajuda a evitar que características com valores maiores dominem o aprendizado e melhora a convergência do modelo durante o treinamento.A respeito dessas asserções, assinale a alternativa correta:
Leia o trecho:O Perceptron é um dos modelos mais simples e fundamentais de redes neurais artificiais. Este modelo consiste em uma única camada de neurônios que calcula uma função de ativação baseada na soma ponderada das entradas. Uma das principais limitações do Perceptron é que ele só consegue resolver problemas que são [preencher 1]. Para treinar um Perceptron, o novo peso receberá um incremento que [preencher 2] erro cometido.Os termos [preencher 1] e [preencher 2] são corretamente substituídos por:
