A respeito de redes neurais, julgue o item que se segue.  As...

Alternativa correta: C - certo

A questão aborda o conceito de redes neurais do tipo Perceptron de Múltiplas Camadas (MLP), que é uma classe de rede neural artificial. Um ponto fundamental para compreender sobre MLPs é a maneira como as informações fluem através da rede durante a fase de forward propagation.

MLP é uma rede neural que consiste em pelo menos três camadas de nós: uma camada de entrada, uma ou mais camadas ocultas e uma camada de saída. O termo "feedforward" significa que os dados se movem em uma única direção, para frente, da entrada para as camadas ocultas e, finalmente, para a camada de saída, sem ciclos ou loops - o que é característico de redes neurais do tipo recorrente.

Em MLPs, cada nó, também conhecido como neurônio artificial, é conectado a todos os nós na próxima camada, onde essas conexões representam pesos sinápticos. Durante a fase de treinamento, esses pesos são ajustados através de um processo chamado backpropagation, que é um método de treinamento baseado em gradiente.

A afirmação da questão é correta porque descreve precisamente a natureza das conexões em MLPs. Ao aprender sobre redes neurais em um contexto de preparação para concursos públicos, é importante ter uma compreensão clara desse conceito de "feedforward", pois ele é fundamental para diferenciar MLPs de outros tipos de redes neurais, como as recorrentes (RNNs), que permitem conexões cíclicas.

Correto

Nas redes MLP, cada neurônio em uma camada está conectado a todos os neurônios na camada seguinte, criando um padrão de conectividade denso e direto.

Existem vários tipos de arquiteturas feedforward, cada uma com suas próprias características e aplicações específicas. Algumas das arquiteturas feedforward mais comuns incluem:

Multilayer Perceptron (MLP):

• É a arquitetura feedforward básica composta por uma camada de entrada, uma ou mais camadas ocultas e uma camada de saída. É utilizada para uma variedade de tarefas, incluindo classificação e regressão.

Redes Neurais de Base Radial (RBF):

• Neste tipo de rede, as funções de ativação dos neurônios na camada oculta são funções radiais, como funções gaussianas. É comumente usada para problemas de aproximação de funções e reconhecimento de padrões.

Perceptron de Múltiplas Camadas (MLP) com Funções de Ativação Específicas:

• Além das funções de ativação comuns, como a sigmoide, podem ser usadas funções de ativação específicas, como a tangente hiperbólica (tanh) ou a unidade linear retificada (ReLU), dependendo do problema e dos requisitos.

Redes Neurais Convolucionais (CNN):

• Projetadas especificamente para processar dados de grade, como imagens, as CNNs utilizam camadas convolucionais para extrair características hierárquicas. Apesar de serem frequentemente associadas a tarefas de visão computacional, as CNNs também são usadas em tarefas como processamento de linguagem natural.

Redes Neurais Recorrentes (RNN):

• Embora as RNNs envolvam conexões recorrentes, elas podem ser consideradas feedforward em cada passo de tempo. São usadas em tarefas que envolvem sequências temporais, como processamento de linguagem natural e séries temporais.

fonte: chapt gpt

As principais categorias de redes neurais incluem:

1.⁠ ⁠Redes Neurais Feedforward:

  - Exemplos: Multilayer Perceptron (MLP) e Redes Neurais Convolucionais (CNNs)

2.⁠ ⁠Redes Neurais Recorrentes:

  - Exemplos: Long Short-Term Memory (LSTM) e Gated Recurrent Unit (GRU)

3.⁠ ⁠Redes Neurais Não Supervisionadas:

  - Exemplos: Autoencoders e Restricted Boltzmann Machines (RBMs)