As Redes Neurais _________ possuem uma arquitetura feed-forw...

Alternativa correta: C - Convolucionais – Recorrentes

A questão aborda dois conceitos fundamentais em redes neurais aplicadas à Inteligência Artificial: Redes Neurais Convolucionais (CNNs) e Redes Neurais Recorrentes (RNNs). Esses dois tipos de arquiteturas de redes neurais são usados para diferentes tipos de dados e problemas. Para resolver essa questão, é necessário conhecer as características e aplicações de ambas as redes.

Redes Neurais Convolucionais: Estas são especialmente projetadas para processar dados com uma grade-topologia, como imagens (que são basicamente uma grade de pixels). A arquitetura das CNNs é caracterizada pelo uso de camadas convolucionais que aplicam filtros para extrair características dos dados e, geralmente, seguidas por camadas de pooling (agrupamento) que reduzem a dimensionalidade dos dados. Isso é um processo de feed-forward, onde a informação move-se apenas em uma direção para frente, do input para o output.

Redes Neurais Recorrentes: As RNNs são um tipo de rede que é capaz de processar sequências de dados, como séries temporais ou sequências de texto. Elas têm a capacidade de usar sua memória de estados anteriores para influenciar a saída atual, o que as torna muito poderosas para problemas onde o contexto ou a ordem dos dados é importante. Isso lhes permite serem preditivas, pois elas reutilizam funções de ativação de pontos anteriores na sequência para gerar a próxima saída. Isso é possível porque as RNNs têm conexões em ciclos, permitindo que a informação seja passada de um passo da sequência para o próximo.

A alternativa correta (C) menciona expressamente Redes Neurais Convolucionais preenchendo a primeira lacuna, o que é correto devido à descrição de arquitetura feed-forward e uso de filtros e camadas de agrupamento. Para a segunda lacuna, menciona-se Redes Neurais Recorrentes, que se encaixam na descrição de redes que são preditivas e utilizam informações de ativações anteriores para contribuir com a saída subsequente em uma série temporal ou sequencial de dados.

Portanto, a alternativa C descreve com precisão as características das Redes Neurais Convolucionais e Recorrentes, enquadrando-se perfeitamente no contexto do enunciado da questão.

✍ GABARITO(C) ✅

As redes neurais convolucionais - CNN

São um tipo de rede neural artificial que é especialmente adequada para o processamento de dados de imagem. Elas são baseadas no conceito de convolução, que é uma operação matemática que combina duas funções para criar uma nova função.

As CNNs são compostas por uma série de camadas convolucionais, cada uma das quais aplica uma operação de convolução a um bloco de pixels da imagem de entrada. As camadas convolucionais são seguidas por uma série de camadas de pooling, que reduzem o tamanho da representação da imagem, preservando as características importantes.

As CNNs são usadas em uma ampla variedade de aplicações de visão computacional, incluindo:

• Reconhecimento de objetos: as CNNs podem ser usadas para identificar objetos em imagens, como pessoas, carros ou animais.
• Segmentação de imagens: as CNNs podem ser usadas para dividir uma imagem em regiões com características semelhantes.
• Restauração de imagens: as CNNs podem ser usadas para restaurar imagens danificadas ou desfocadas.
• Geração de imagens: as CNNs podem ser usadas para gerar novas imagens, como fotografias ou pinturas.

As camadas de agrupamento são um componente importante das redes neurais convolucionais (CNNs). Elas são usadas para reduzir o tamanho dos mapas de recursos produzidos pelas camadas convolucionais, sem perder informações importantes.

O objetivo das camadas de agrupamento é reduzir a dimensionalidade dos mapas de recursos, sem perder informações importantes sobre a posição dos recursos detectados. Isso é feito agrupando os pixels de um mapa de recursos em uma região menor, mantendo apenas a informação mais importante.

Redes neurais recorrentes - RNN

São um tipo de rede neural artificial que é projetada para reconhecer padrões em sequências de dados. As RNNs são diferentes das redes neurais tradicionais, que são projetadas para processar dados que não têm uma ordem temporal.

As RNNs são usadas em uma variedade de aplicações, incluindo:

• Reconhecimento de fala: As RNNs podem ser usadas para reconhecer padrões na fala humana. Isso pode ser usado para criar sistemas de reconhecimento de voz ou para traduzir idiomas.
• Processamento de linguagem natural: As RNNs podem ser usadas para processar texto e identificar padrões de linguagem. Isso pode ser usado para criar sistemas de tradução automática, sistemas de questionamento e resposta ou sistemas de geração de texto.
• Classificação de séries temporais: As RNNs podem ser usadas para classificar dados de séries temporais. Isso pode ser usado para prever tendências do mercado, detectar anomalias ou monitorar condições físicas.