Redes Neurais Convolucionais (CNN)
❌ ERRADO. A afirmação está incorreta porque as redes neurais convolucionais (CNNs) são projetadas para processar dados com estrutura espacial, como imagens, e não dados sequenciais (texto ou áudio). Além disso, as CNNs extraem características intermediárias por meio de camadas convolucionais e de pooling, e não preveem diretamente a saída final sem essa extração.
O item comete dois erros conceituais principais:
Dados sequenciais: O processamento de dados sequenciais (texto, áudio, séries temporais) é tipicamente realizado por redes neurais recorrentes (RNNs), como LSTMs e GRUs, ou por arquiteturas baseadas em Transformers. As CNNs, embora possam ser aplicadas a sequências (convolução 1D), são mais adequadas para dados com vizinhança espacial, como imagens.
Extração de características: As CNNs são construídas exatamente para extrair características hierárquicas automaticamente. As camadas convolucionais aplicam filtros que detectam padrões locais (bordas, texturas) e, após sucessivas camadas, combinam essas características para formar representações de alto nível. As camadas de pooling reduzem a dimensionalidade, e no final, uma camada totalmente conectada realiza a classificação ou regressão. Portanto, a afirmação de que as CNNs preveem a saída "sem extrair características intermediárias" é falsa.
Portanto, o item está ERRADO.