Questão de Engenharia de Software — Inteligencia Artificial — CESPE / CEBRASPE 2025
Engenharia de Software›Inteligencia Artificial
Código
ce215298
Banca
CESPE / CEBRASPE
Órgão
STM
Ano
2025
Nível
Superior
Cargo
Analista Judiciário - Área: Apoio Especializado - Especialidade: Suporte em Tecnologia da Informação
Em uma rede neural artificial treinada por retropropagação, o objetivo principal do algoritmo durante o treinamento é aumentar o número de camadas ocultas até que a acurácia atinja 100%.
CCerto
EErrado
Revelar gabarito e comentário▾
GabaritoE — Errado
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 e Retropropagação
Gabarito: Errado (E). A afirmação está incorreta porque o objetivo principal do algoritmo de retropropagação (backpropagation) durante o treinamento de uma rede neural é ajustar os pesos sinápticos para minimizar o erro entre a saída esperada e a prevista, e não aumentar o número de camadas ocultas. O número de camadas ocultas é um hiperparâmetro definido antes do treinamento e não é alterado pelo próprio algoritmo de retropropagação. Além disso, a busca por acurácia de 100% geralmente não é realista e pode levar ao overfitting.
A questão testa o entendimento básico do funcionamento do treinamento de redes neurais supervisionadas.
Erro principal: Trocar o objetivo do algoritmo (ajuste de pesos) por uma modificação na arquitetura (aumento de camadas). A retropropagação calcula gradientes do erro em relação aos pesos e os atualiza por meio de gradiente descendente. Aumentar camadas é uma decisão de design da rede, não uma ação do algoritmo de treinamento.
Segundo erro: A acurácia de 100% raramente é alcançada em dados reais e não é um objetivo sensato, pois o modelo decoraria os dados de treino (overfitting), perdendo capacidade de generalização.
1Hiperparâmetros definidos (camadas, taxa)
2Forward: calcula saída prevista
3Calcula erro (saída real × prevista)
4Backward: gradiente do erro nos pesos
5Ajusta pesos (gradiente descendente)
6Minimiza erro (não busca 100%)
LEVEL · soulevel.com.br
PEGA ESSA DICA!
Ao estudar redes neurais, diferencie claramente hiperparâmetros (número de camadas, número de neurônios, taxa de aprendizado) de parâmetros (pesos e vieses). A retropropagação atua apenas sobre os parâmetros, ajustando-os para minimizar a função de perda.