Questão de Engenharia de Software — Inteligencia Artificial — FGV 2024

Deep Learning – Backpropagation

Gabarito: letra D. O processo de ajustar os pesos de uma rede neural para minimizar a função de perda é chamado de backpropagation. Esse algoritmo calcula o gradiente da função de perda em relação a cada peso, utilizando a regra da cadeia, e então atualiza os pesos no sentido contrário ao gradiente (descida do gradiente).

As demais alternativas referem-se a outros conceitos:

• Inicialização de Pesos é a definição dos valores iniciais antes do treinamento.

• Normalização é uma técnica de pré-processamento ou regularização, não o ajuste de pesos.

• Propagação para Frente é a passagem dos dados da entrada até a saída, sem ajuste de pesos.

• Dropout é uma técnica de regularização que desativa aleatoriamente neurônios durante o treinamento.

Alternativa A — ❌ Incorreta

Inicialização de Pesos refere-se apenas aos valores iniciais dos pesos, não ao processo de ajuste durante o treinamento.

Alternativa B — ❌ Incorreta

Normalização é uma técnica que ajusta a escala dos dados ou ativações, mas não envolve a alteração dos pesos para minimizar a perda.

Alternativa C — ❌ Incorreta

Propagação para Frente (Forward Propagation) é o cálculo da saída da rede a partir das entradas, sem atualização de pesos.

Alternativa D — ✅ Correta ⟵ GABARITO

Backpropagation é o algoritmo que, após a propagação para frente, calcula os gradientes da função de perda em relação a cada peso e os utiliza para ajustar os pesos, minimizando a perda.

Alternativa E — ❌ Incorreta

Dropout é uma técnica de regularização que desativa aleatoriamente neurônios durante o treinamento, não o processo de ajuste de pesos.

Gabarito: letra D.