Questão de Engenharia de Software — Inteligencia Artificial — FGV 2024

Aprendizagem em Redes Neurais

Gabarito: letra A. A aprendizagem por correção de erro é exatamente aquela em que os parâmetros (pesos) da rede neural são ajustados para minimizar uma função custo, que mede a diferença entre a saída desejada (target) e a saída real produzida pela rede. Esse princípio é a base do algoritmo backpropagation e do gradiente descendente, amplamente utilizados no treinamento de redes neurais artificiais.

A questão cobra a definição clássica dos tipos de aprendizagem em redes neurais. A banca espera que o candidato identifique qual paradigma corresponde à minimização explícita de uma função de erro.

Alternativa A — ✅ Correta ⟵ GABARITO

A aprendizagem por correção de erro (error-correction learning) opera calculando o erro (diferença entre saída desejada e real) e ajustando os pesos de modo a reduzir esse erro. A função custo (ex.: erro quadrático médio) é minimizada iterativamente. É o mecanismo central do aprendizado supervisionado em redes neurais.

Alternativa B — ❌ Incorreta

A aprendizagem baseada em memória (memory-based learning) armazena exemplos de treinamento e realiza inferências por comparação direta (ex.: k-vizinhos mais próximos). Não envolve uma função custo que seja minimizada por ajuste de parâmetros – não há treinamento iterativo de pesos.

Alternativa C — ❌ Incorreta

A aprendizagem hebbiana (Hebbian learning) segue o princípio "neurons that fire together, wire together": os pesos são ajustados com base na correlação de ativação entre neurônios pré e pós-sinápticos, sem uma função custo explícita que meça a diferença entre saída desejada e real. É um tipo de aprendizado não supervisionado.

Alternativa D — ❌ Incorreta

A aprendizagem competitiva (competitive learning) utiliza neurônios que competem para responder a um padrão de entrada (regra do vencedor leva tudo). Os pesos são ajustados para aproximar o neurônio vencedor do padrão, mas não há minimização de uma função custo definida como diferença entre valor desejado e real.

Alternativa E — ❌ Incorreta

A aprendizagem de Boltzmann (Boltzmann learning) é um método estocástico usado em máquinas de Boltzmann, que minimiza a divergência entre as distribuições de probabilidade dos dados e do modelo. Embora envolva otimização, não se baseia diretamente na minimização da diferença entre saída desejada e real para cada amostra, como ocorre na correção de erro.