Pular para o conteúdo principal

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

Engenharia de SoftwareInteligencia Artificial
Código
ce167041
Banca
CESPE / CEBRASPE
Órgão
ANATEL
Ano
2024
Nível
Superior
Cargo
Especialista em Regulação de Serviços Públicos de Telecomunicações – Especialidade: Ciências de Dados
A respeito de técnicas de redução de dimensionalidade, julgue o item subsecutivo.Quando da configuração dos parâmetros do autoencoder, o tamanho do espaço latente é uma informação crucial, pois determina o tamanho do espaço onde os dados de entrada serão comprimidos.
  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”.

Autoencoders e Espaço Latente

✅ CERTO. A afirmação está correta. Em autoencoders, o tamanho do espaço latente (bottleneck layer) define a dimensionalidade da representação comprimida dos dados de entrada. Esse parâmetro é crucial porque controla o nível de compressão: um espaço latente menor força uma codificação mais compacta, enquanto um maior retém mais informação.

Autoencoders são redes neurais treinadas para reconstruir a entrada, possuindo uma camada oculta de menor dimensionalidade (o espaço latente). O aprendizado consiste em codificar a entrada em uma representação de dimensão reduzida e, em seguida, decodificá-la de volta ao espaço original. Portanto, a escolha do tamanho do espaço latente determina diretamente o grau de redução de dimensionalidade e a qualidade da reconstrução.

  1. 1Entrada (alta dimensão)
  2. 2Codificador (encoder)
  3. 3Espaço latente (bottleneck)
  4. 4Decodificador (decoder)
  5. 5Saída reconstruída
LEVEL · soulevel.com.br

Gabarito: Certo.

Link permanente: /questoes/ce167041