Questão de Engenharia de Software — Inteligencia Artificial — FGV 2024
Engenharia de Software›Inteligencia Artificial
Código
fg077330
Banca
FGV
Órgão
CVM
Ano
2024
Nível
Superior
Cargo
Analista - Perfil 7 - Ciência de Dados - Tarde
Considere um modelo de rede neural projetado para tarefas de classificação de imagens. A arquitetura da rede consiste em várias camadas, incluindo camadas de entrada, ocultas e de saída. Durante o treinamento, o modelo aprende a atribuir imagens de entrada a classes predefinidas (por exemplo, “gato”, “cachorro”, “pássaro”, etc.).Sobre o papel da camada de saída nessa rede neural, é correto afirmar que ela:
Agarante que a rede neural generalize bem para dados não vistos, prevenindo o sobreajuste;
Bajusta os pesos dos neurônios ocultos para minimizar o erro de classificação durante o treinamento;
Cmapeia as características aprendidas para rótulos de classe específicos com base em padrões aprendidos;
Drealiza a extração de características aprendendo representações hierárquicas a partir de valores de pixel brutos;
Ecalcula a soma ponderada das características de entrada e aplica uma função de ativação para produzir probabilidades de classe.
Revelar gabarito e comentário▾
GabaritoC — mapeia as características aprendidas para rótulos de classe específicos com base em padrões aprendidos;
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”.
Papel da Camada de Saída em Redes Neurais
Gabarito: letra C. A camada de saída de uma rede neural de classificação é responsável por mapear as representações de alta abstração aprendidas pelas camadas ocultas para os rótulos de classe específicos (por exemplo, "gato", "cachorro", "pássaro"). Esse mapeamento é feito com base nos padrões aprendidos durante o treinamento, geralmente utilizando funções de ativação como softmax para produzir probabilidades por classe.
A questão testa o conhecimento da função de cada componente da arquitetura. A banca explora a confusão entre operações genéricas de neurônios e o papel específico da última camada.
Alternativa A — ❌ Incorreta
Afirma que a camada de saída garante generalização e previne sobreajuste. Na verdade, a generalização é obtida por técnicas como regularização (L1/L2, dropout), seleção de modelo e dados de validação — não é atribuição da camada de saída.
Alternativa B — ❌ Incorreta
Diz que a camada de saída ajusta pesos das camadas ocultas. O ajuste de pesos em toda a rede é realizado pelo algoritmo de retropropagação (backpropagation) durante o treinamento, não por uma camada específica.
Alternativa C — ✅ Correta ⟵ GABARITO
Exatamente: a camada de saída recebe as características processadas pelas camadas anteriores e as converte em decisões de classe. É o estágio final que associa as representações internas aos rótulos predefinidos.
Alternativa D — ❌ Incorreta
A extração de características hierárquicas (como bordas, texturas, formas) é função das camadas ocultas — especialmente em redes convolucionais. A camada de saída não realiza extração; ela utiliza as características já extraídas.
Alternativa E — ❌ Incorreta
Embora os neurônios da camada de saída realmente calculem soma ponderada e apliquem função de ativação, essa descrição se aplica a qualquer neurônio. A alternativa não enfatiza o propósito final de mapear para classes, que é a essência da camada de saída. Além disso, as "características de entrada" mencionadas são na verdade as saídas da última camada oculta, não os pixels brutos.
PEGA ESSA DICA!
Para lembrar o papel de cada camada: camadas ocultas extraem e transformam características; camada de saída decide a classe. Quando uma alternativa descrever uma operação genérica (soma + ativação), desconfie: ela pode ser verdadeira, mas não é exclusiva da camada de saída. A função específica é o mapeamento para os rótulos.