Questão de Algoritmos e Estrutura de Dados — Algoritmos — FGV 2024
Algoritmos e Estrutura de Dados›Algoritmos
Código
fg086278
Banca
FGV
Órgão
INPE
Ano
2024
Nível
Superior
Cargo
Tecnologista Pleno I - Desenvolvimento ou Aprimoramento de Sistema de Assimilação de Dados nas Componentes do Sistema Terrestre e de Aplicações para Monitoramento do Processo de Assimilação
Assimilação de dados profunda (Deep Data Assimilation - DDA) é uma técnica recente que integra aprendizado profundo e assimilação.Utiliza-se uma rede neural recorrente para aprender o processo de assimilação, que por sua vez é treinada a partir dos estados de um sistema dinâmico e de seus resultados de assimilação correspondentes. Tais redes neurais recorrentes são implementadas com o uso de funções de ativação, que introduzem não linearidades às saídas dos neurônios das redes.Assinale a opção que menos se adequa às características esperadas para funções de ativação.
ASoftmax.
BSigmoid.
CTransformação Afim.
DTangente Hiperbólico.
EUnidade Linear Retificada (Rectified Linear Unit – ReLU).
Revelar gabarito e comentário▾
GabaritoC — Transformação Afim.
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”.
Funções de ativação em redes neurais
Gabarito: letra C. A transformação afim (combinação linear ) não é uma função de ativação — ela é a etapa linear que precede a aplicação da não linearidade. Funções de ativação como Sigmoid, Tanh, ReLU e Softmax introduzem não linearidade, permitindo que a rede aprenda padrões complexos. A questão pede a opção que menos se adequa às características esperadas, ou seja, aquela que não é uma função de ativação legítima.
A banca testa a distinção entre operação linear (transformação afim) e funções de ativação não lineares. Enquanto todas as demais alternativas são funções de ativação amplamente usadas, a transformação afim é apenas a base matemática que precede a ativação.
Alternativa A — ❌ Incorreta (não é a resposta)
Softmax é uma função de ativação usada em problemas de classificação multiclasse. Ela normaliza as saídas para uma distribuição de probabilidade, somando 1. É uma função de ativação não linear, adequada para redes neurais.
Alternativa B — ❌ Incorreta
Sigmoid (ou logística) é uma função de ativação clássica com saída entre 0 e 1. Era comum em redes neurais rasas, embora hoje sofra com o problema de gradientes evanescentes. Mesmo assim, é uma função de ativação legítima.
Alternativa C — ✅ Correta ⟵ GABARITO
Transformação afim (do tipo ) é uma operação linear, não uma função de ativação. Ela compõe a etapa de combinação linear dos neurônios, mas a não linearidade é introduzida apenas pela função de ativação aplicada em seguida. Portanto, é a que menos se adequa às características esperadas para funções de ativação.
Alternativa D — ❌ Incorreta
Tangente Hiperbólico (Tanh) é uma função de ativação não linear, semelhante à sigmoid mas com saída simétrica entre -1 e 1. É amplamente usada em redes neurais, especialmente em camadas ocultas.
Alternativa E — ❌ Incorreta
ReLU (Rectified Linear Unit) é a função de ativação mais comum atualmente, definida como . Introduz não linearidade de forma simples e eficiente, evitando o desvanecimento do gradiente.
NÃO CAIA NESSA!
A banca usa "Transformação Afim" como distrator, parecendo ser uma função de ativação pelo nome técnico. Muitos candidatos confundem a etapa linear com a ativação. Lembre-se: a transformação afim é a parte linear (pesos + viés); a função de ativação vem depois, adicionando não linearidade.