Questões de Concurso Público CGE-SC 2023 para Auditor do Estado - Ciências da Computação - Manhã (Conhecimentos Básicos)

O gradiente descendente é um algoritmo de otimização de redes neurais em que a derivada da função de otimização leva a direção mais baixa do gráfico da função de custo.

A ideia da Regularização é adicionar um termo extra à função de custo. Intuitivamente, o efeito da regularização é fazer com que a rede prefira aprender pesos pequenos, minimizando a função de custo.

O momento acumula pesos anteriores para estabilizar a convergência da rede; o objetivo é ajudar a desviar de mínimos locais e pode acelerar treinamento em regiões muito planas da superfície de erro.

O algoritmo de otimização ADAM guarda, além dos valores dos pesos passados, o decaimento exponencial da média de gradientes passados e possui o mesmo objetivo do momento.

A regularização L1 transforma valores pequenos em zeros e, consequentemente, permite reduzir o número de pesos, enquanto a regularização L2 procura manter todos os pesos pequenos de forma que maximiza a função de custo.

Grupo 1: {x1, x3, x5}, Grupo 2: {x2, x4, x6}. Centros: c1= (4,3,4), c2 = (6,5,1).

Grupo 1: {x1, x2}, Grupo 2: {x3, x4}, Grupo 3: {x5, x6}. Centros: c1=(2,3,3), c2 = (8,5,2) , c3 = (5,5,3).

Grupo 1: {x1, x2, x5}, Grupo 2: {x3, x4, x6}. Centros: c1= (2,3,4), c2 = (8,6,2).

Grupo 1: {x1, x2, x3}, Grupo 2: {x4, x5, x6}. Centros: c1= (4,3,3), c2 = (5,5,2).

Grupo 1: {x2, x3, x5}, Grupo 2: {x1, x4, x6}. Centros: c1= (4,4,3), c2 = (5,5,2).

I e II, apenas.

II e III, apenas.

II, III e II, apenas.

I, II e IV, apenas.

I, III e IV, apenas.

ao treinar CNNs utilizando transferência de aprendizado, começamos com um modelo pré-treinado e executamos numa nova tarefa qualquer, sem precisar se preocupar com o formato e o tipo de dados.

ao treinar CNNs utilizando transferência de aprendizado para ajuste fino, começamos com um modelo pré-treinado e atualizamos todos os parâmetros do modelo para nossa nova tarefa, basicamente retreinando todo o modelo.

uma rede neural convolucional pode ser utilizada para reconhecer os mais variados tipos de dados. Por exemplo, textos, imagens e dados de clientes. Para isso, basta que os dados de entrada sejam transformados por alguma técnica de extração de características em simples vetores de características.

as últimas camadas convolucionais de uma rede neural CNN são capazes de extrair características mais baixo nível dos dados, como linhas, círculos e pontos, enquanto as primeiras camadas extraem características mais alto nível, detalhes mais específicos dos objetos reconhecidos.

as camadas de pooling das CNNS são capazes de extrair características de médio nível, reconhecendo características que são mais detalhadas que as primeiras camadas convolucionais.