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.
block-beta
columns 3
block:Input["Entrada"]:1
end
block:Hidden1["Camada Oculta 1"]:1
end
block:Hidden2["Camada Oculta 2"]:1
end
block:Output["Saída"]:1
end
block:Loss["Função de Perda"]:1
end
block:Backprop["Backpropagation"]:1
end
Input --> Hidden1
Hidden1 --> Hidden2
Hidden2 --> Output
Output --> Loss
Loss --> Backprop
Backprop --> Hidden2
Backprop --> Hidden1
Backprop --> Input
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.