Pular para o conteúdo principal

Questão de Engenharia de Software — Inteligencia Artificial — FGV 2023

Engenharia de SoftwareInteligencia Artificial
Código
fg060690
Banca
FGV
Órgão
CGE-SC
Ano
2023
Nível
Superior
Cargo
Auditor do Estado - Ciências da Computação - Tarde (Conhecimentos Específicos)
Sobre modelos de otimização de redes neurais, assinale a afirmativa incorreta.
  1. AO gradiente descendente é um algoritmo de otimização de redes neurais em que a derivada da função de otimização leva a direção mais baixa do gráfico da função de custo.
  2. BA ideia da Regularização é adicionar um termo extra à função de custo. Intuitivamente, o efeito da regularização é fazer com que a rede prefira aprender pesos pequenos, minimizando a função de custo.
  3. CO momento acumula pesos anteriores para estabilizar a convergência da rede; o objetivo é ajudar a desviar de mínimos locais e pode acelerar treinamento em regiões muito planas da superfície de erro.
  4. DO algoritmo de otimização ADAM guarda, além dos valores dos pesos passados, o decaimento exponencial da média de gradientes passados e possui o mesmo objetivo do momento.
  5. EA regularização L1 transforma valores pequenos em zeros e, consequentemente, permite reduzir o número de pesos, enquanto a regularização L2 procura manter todos os pesos pequenos de forma que maximiza a função de custo.
Revelar gabarito e comentário

GabaritoE — A regularização L1 transforma valores pequenos em zeros e, consequentemente, permite reduzir o número de pesos, enquanto a regularização L2 procura manter todos os pesos pequenos de forma que maximiza a função de custo.

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”.

Otimização de redes neurais – Regularização e algoritmos

Gabarito: letra E. A alternativa E é a incorreta pois a regularização L2 minimiza (e não maximiza) a função de custo. L1 induz esparsidade zerando pesos, L2 mantém pesos pequenos, mas ambas atuam na minimização da função de custo – o objetivo da regularização é reduzir o overfitting, penalizando pesos grandes.

A banca testa a compreensão dos principais tópicos de otimização: gradiente descendente, regularização (L1/L2), momentum e ADAM. A pegadinha está na troca do verbo na última alternativa.

Alternativa A — ✅ Correta

O gradiente descendente calcula a derivada (gradiente) da função de custo e segue a direção de maior declive para encontrar o mínimo. A descrição está precisa.

Alternativa B — ✅ Correta

A regularização adiciona um termo extra à função de custo (penalidade). Isso faz com que a rede prefira pesos menores, evitando overfitting. A frase está correta.

Alternativa C — ✅ Correta

Momentum acumula os passos anteriores dos gradientes, suavizando a trajetória e ajudando a escapar de mínimos locais ou regiões planas. A definição está adequada.

Alternativa D — ✅ Correta

ADAM combina momentum (média exponencial dos gradientes) e RMSprop (média exponencial dos quadrados dos gradientes). A descrição é verdadeira.

Alternativa E — ❌ Incorreta ⟵ GABARITO

O erro está no final: "maximiza a função de custo". A regularização L2, assim como L1, faz parte da minimização da função de custo. L2 impõe uma penalidade que mantém os pesos pequenos, mas o objetivo é minimizar a soma entre o erro e a penalidade – maximizar não faz sentido. A primeira parte (L1 zera pesos) está correta, mas o verbo final invalida a afirmativa.

NÃO CAIA NESSA!

A banca troca o verbo "minimizar" por "maximizar". O aluno que não lê com atenção pode achar que a frase está toda correta, pois a primeira parte sobre L1 está certa. Fique atento à concordância com o objetivo da regularização.

Gabarito: letra E – a única afirmativa incorreta.

Link permanente: /questoes/fg060690