Pular para o conteúdo principal

Questão de Engenharia de Software — Inteligencia Artificial — FGV 2024

Engenharia de SoftwareInteligencia Artificial
Código
fg084644
Banca
FGV
Órgão
EPE
Ano
2024
Nível
Superior
Cargo
Analista de Gestão Corporativa - Tecnologia da Informação (Ciência de Dados)
O treinamento em redes neurais artificiais é, essencialmente, um problema de otimização, em que se busca minimizar o erro entre as predições do modelo neural e os valores alvo preexistentes no conjunto de dados de treinamento.Com respeito aos métodos relacionados à otimização de parâmetros em redes neurais artificiais, analise as afirmativas a seguir.I. No algoritmo backpropagation, a aplicação da regra da cadeia é fundamental para o cálculo dos gradientes dos erros com respeito aos pesos (parâmetros) da rede neural artificial.II. O método do gradiente (também chamado de método do máximo declive ou Gradient Descent – GD) escolhe aleatoriamente um pequeno número de instâncias de dados de treinamento a cada passo, aumentando a velocidade inicial de minimização das métricas de erro.III. As técnicas de regularização L1 (Lasso) e L2 (Ridge) podem ser utilizadas para mitigar problemas relacionados a inicialização indevida de pesos (parâmetros) em redes neurais.Está correto o que se afirma em
  1. AI, apenas.
  2. BII, apenas.
  3. CI e III, apenas.
  4. DII e III, apenas.
  5. EI, II e III.
Revelar gabarito e comentário

GabaritoA — I, apenas.

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 parâmetros em redes neurais

Gabarito: letra A (apenas a afirmativa I está correta). O backpropagation usa a regra da cadeia para calcular gradientes (I correta). A afirmativa II descreve o Stochastic Gradient Descent (SGD), não o Gradient Descent clássico. A afirmativa III confunde o propósito da regularização L1/L2, que combate overfitting, não problemas de inicialização.

Item I — ✅ Correta

No algoritmo backpropagation, o gradiente do erro em relação a cada peso é calculado aplicando-se sucessivamente a regra da cadeia do cálculo diferencial. Essa propagação reversa dos erros permite atualizar os parâmetros da rede na direção que minimiza a função de custo. O item está correto.

Item II — ❌ Incorreta ⟵ GABARITO

NÃO CAIA NESSA!

A banca trocou o Gradient Descent (GD) pelo Stochastic Gradient Descent (SGD). O GD clássico utiliza todo o conjunto de treinamento a cada iteração (batch). Já a escolha aleatória de um pequeno número de instâncias é característica do SGD ou do mini-batch GD. A afirmativa erra ao atribuir essa característica ao GD genérico.

O método do gradiente (máximo declive) tradicional calcula o gradiente sobre todos os exemplos do dataset, o que pode ser lento para conjuntos grandes. O SGD, por sua vez, usa uma ou poucas amostras aleatórias por iteração, acelerando a convergência inicial, mas com maior variância. A descrição do item corresponde ao SGD, não ao GD.

Item III — ❌ Incorreta

As regularizações L1 (Lasso) e L2 (Ridge) são técnicas para prevenir overfitting, adicionando uma penalidade aos pesos na função de custo. Elas não têm relação com problemas de inicialização indevida de pesos, que são tratados com métodos como inicialização de Xavier/He, normalização de lotes ou escolha cuidadosa da distribuição inicial. Portanto, o item está errado.

Conclusão: Apenas a afirmativa I é verdadeira, o que corresponde à alternativa A.

Link permanente: /questoes/fg084644