Questão de Engenharia de Software — Inteligencia Artificial — CESPE / CEBRASPE 2024
Engenharia de Software›Inteligencia Artificial
Código
ce175984
Banca
CESPE / CEBRASPE
Órgão
LNA
Ano
2024
Nível
Superior
Cargo
Tecnologista – Especialidade: Desenvolvimento e Arquitetura de Software
As redes neurais artificiais (RNA) são técnicas computacionais que, a partir de um modelo matemático inspirado na estrutura neural de seres inteligentes, adquirem conhecimento por meio da experiência. Em relação às RNA, assinale a opção correta.
ANo processo de aprendizado das RNA, pode ser utilizado o paradigma de aprendizado por reforço.
BO algoritmo de backpropagation é empregado nas RNA no processo de redução do espaço de variáveis de saída.
CO modelo proposto por McCullock e Pitts na primeira metade do século XX não faz uso de uma função de ativação.
DAs RNA não possuem camada de saída.
EMinsky e Papert analisaram matematicamente o perceptron e demostraram que redes de uma camada são capazes de solucionar problemas que não sejam linearmente separáveis.
Revelar gabarito e comentário▾
GabaritoA — No processo de aprendizado das RNA, pode ser utilizado o paradigma de aprendizado por reforço.
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”.
Redes Neurais Artificiais (RNA)
Gabarito: letra A. O aprendizado por reforço é um dos paradigmas de aprendizado aplicáveis a redes neurais, permitindo que o modelo aprenda interagindo com o ambiente e recebendo recompensas/punições (conceito consolidado na literatura de aprendizado de máquina). As demais alternativas contêm erros conceituais clássicos.
Paradigmas de aprendizado (RNA): Supervisionado (Peso ajustado com saída desejada); Não supervisionado (Padrões sem rótulos); Por reforço (Recompensa/punição do ambiente, Decisão sequencial (Q-learning))
Alternativa A — ✅ Correta ⟵ GABARITO
O aprendizado por reforço é de fato um paradigma utilizado em redes neurais artificiais, especialmente em problemas de decisão sequencial (ex.: Q-learning com redes profundas). A afirmativa está correta.
Alternativa B — ❌ Incorreta
O algoritmo de backpropagation (retropropagação do erro) é usado para ajustar os pesos das conexões com base no gradiente do erro em relação à saída desejada — não para reduzir o espaço de variáveis de saída. A redução do espaço de variáveis é geralmente feita por técnicas de seleção de características ou projeção, não pelo backpropagation.
Alternativa C — ❌ Incorreta
O modelo de McCulloch e Pitts (1943) simula um neurônio binário que utiliza uma função de ativação do tipo degrau (threshold). A saída é 1 se a soma ponderada excede um limiar, e 0 caso contrário. Portanto, faz sim uso de uma função de ativação.
Alternativa D — ❌ Incorreta
Toda rede neural possui pelo menos uma camada de saída, que produz o resultado final da computação. A ausência de camada de saída tornaria impossível extrair uma saída da rede.
NÃO CAIA NESSA!
Muita atenção à alternativa E, que inverte o resultado do famoso livro Perceptrons (1969) de Minsky e Papert. Eles demonstraram matematicamente que redes de uma única camada (perceptron simples) não são capazes de resolver problemas não linearmente separáveis (ex.: XOR). A banca trocou a conclusão dizendo o oposto.
Alternativa E — ❌ Incorreta
Minsky e Papert provaram exatamente o contrário: o perceptron de uma camada só consegue resolver problemas linearmente separáveis. Problemas não linearmente separáveis (como a função XOR) exigem múltiplas camadas (redes multicamadas).