Pular para o conteúdo principal

Questão de Engenharia de Software — Inteligencia Artificial — CESPE / CEBRASPE 2024

Engenharia de SoftwareInteligencia Artificial
Código
ce167040
Banca
CESPE / CEBRASPE
Órgão
ANATEL
Ano
2024
Nível
Superior
Cargo
Especialista em Regulação de Serviços Públicos de Telecomunicações – Especialidade: Ciências de Dados
Julgue o próximo item, referente ao processamento de linguagem natural.A saída do Word2Vec consiste em vetores densos de baixa dimensão que representam palavras em um espaço contínuo, onde cada palavra é mapeada para um vetor numérico no qual cada dimensão captura uma característica da palavra.
  1. CCerto
  2. EErrado
Revelar gabarito e comentário

GabaritoC — Certo

Comentário gerado por IA. É um apoio ao estudo, ancorado em fontes, mas pode conter imprecisões — confira sempre na fonte oficial (lei, súmula, edital e gabarito da banca). Encontrou um erro? Use “Reportar”.

Word2Vec

Gabarito: Certo. A afirmação está correta: o Word2Vec gera vetores densos (embeddings) de baixa dimensionalidade, normalmente entre 100 e 300 dimensões, em um espaço contínuo. Cada vetor captura relações semânticas e sintáticas entre as palavras, de modo que cada dimensão representa uma característica latente aprendida durante o treinamento.

Diferentemente de representações esparsas como one-hot encoding, o Word2Vec produz vetores densos que permitem calcular similaridades entre palavras (ex.: cosseno) e são amplamente usados em tarefas de PLN.

Conclusão: a descrição corresponde exatamente ao funcionamento do Word2Vec, portanto o item está Certo.

1Saída
Vetores densos
Baixa dimensão (100–300)
Espaço contínuo
2Características
Cada dimensão = característica latente
Captura relações semânticas e sintáticas
3Diferença de one-hot
One-hot: esparso
Word2Vec: denso
4Aplicações
Similaridade (cosseno)
Tarefas de PLN
Word2Vec
LEVELsoulevel.com.br
Word2Vec: Saída (Vetores densos, Baixa dimensão (100–300), Espaço contínuo); Características (Cada dimensão = característica latente, Captura relações semânticas e sintáticas); Diferença de one-hot (One-hot: esparso, Word2Vec: denso); Aplicações (Similaridade (cosseno), Tarefas de PLN)

Link permanente: /questoes/ce167040