Questão de Engenharia de Software — Inteligencia Artificial — FGV 2025

Redes Neurais Profundas (Deep Learning)

Gabarito: letra C. Redes neurais profundas utilizam múltiplas camadas ocultas para aprender representações hierárquicas dos dados, extraindo automaticamente características de alto nível a partir de atributos simples, conforme descrito na alternativa C.

A banca explora conceitos fundamentais sobre a arquitetura e o propósito das redes profundas, que se diferenciam das redes rasas justamente pela profundidade (número de camadas) e pela capacidade de modelar padrões complexos e não lineares.

Alternativa A — ❌ Incorreta

Afirma que redes profundas têm uma única camada oculta e são ideais para problemas linearmente separáveis. Na verdade, a profundidade vem de múltiplas camadas ocultas, e a principal vantagem é lidar com problemas não lineares e complexos, não apenas separáveis linearmente.

Alternativa B — ❌ Incorreta

Diz que a profundidade se refere ao número de conexões por neurônio, e não ao número de camadas. O termo profundidade em deep learning refere-se exatamente ao número de camadas da rede, não à quantidade de conexões.

Alternativa C — ✅ Correta ⟵ GABARITO

A alternativa descreve corretamente o funcionamento das redes profundas: elas aprendem representações hierárquicas (camadas iniciais capturam bordas, cores; posteriores combinam em formas, objetos) e extraem automaticamente características de alto nível, sem necessidade de engenharia manual de atributos. Esse é o cerne do aprendizado profundo.

Alternativa D — ❌ Incorreta

Afirma que o principal objetivo é substituir completamente algoritmos supervisionados como SVM e árvores de decisão em qualquer contexto. Deep learning não visa substituição completa; cada técnica tem seu domínio de aplicação. Em muitos cenários com poucos dados ou necessidade de interpretabilidade, SVM e árvores ainda são preferíveis.

Alternativa E — ❌ Incorreta

Alega que redes profundas não exigem grande capacidade computacional e podem ser treinadas em qualquer máquina convencional. Na prática, o treinamento de modelos profundos demanda GPUs, grande quantidade de memória e tempo, sendo inviável em máquinas convencionais para tarefas reais.

Gabarito: letra C.