Questão de Banco de Dados — Data Mining — FGV 2026

Perceptron: arquitetura, conectividade e fluxo de sinais

Gabarito: letra E (II e III, apenas). O perceptron clássico é uma rede de camada única (apenas a camada de entrada e a de saída, sem camadas ocultas), o que torna a afirmativa I falsa. As afirmativas II e III estão corretas: a rede é totalmente conectada (cada neurônio de uma camada se conecta a todos os neurônios da camada anterior) e o fluxo de sinais é unidirecional, progredindo da esquerda para a direita, de camada em camada — características típicas de uma rede feedforward. O perceptron é o modelo mais simples de rede neural artificial, proposto por Frank Rosenblatt em 1958. Ele é composto por uma camada de entrada (que recebe os sinais), uma camada de saída (que produz a resposta) e, no caso mais básico, nenhuma camada oculta. Cada neurônio de entrada é conectado a cada neurônio de saída, e cada conexão possui um peso sináptico. O neurônio de saída calcula a soma ponderada das entradas, aplica uma função de ativação (tradicionalmente uma função degrau) e produz a saída.

A arquitetura do perceptron é totalmente conectada (fully connected): isso significa que cada neurônio de uma camada está conectado a todos os neurônios da camada anterior. No perceptron de camada única, cada neurônio de entrada se conecta a todos os neurônios de saída. Essa conectividade total é uma característica fundamental das redes neurais feedforward. O fluxo de sinais no perceptron é unidirecional (feedforward): os sinais fluem da camada de entrada para a camada de saída, sem ciclos ou retroalimentação. Esse fluxo progride da esquerda para a direita no grafo arquitetural, de camada em camada. Essa característica distingue as redes feedforward das redes recorrentes (como as redes de Hopfield ou LSTM), que possuem conexões de retroalimentação. A figura da questão ilustra um perceptron com uma camada de entrada (com vários neurônios), uma camada de saída (com um ou mais neurônios) e, possivelmente, uma representação visual que pode confundir o candidato quanto ao número de camadas. A banca explora exatamente essa confusão: o perceptron clássico não possui camadas ocultas — é uma rede de camada única. A afirmativa I, ao mencionar "quatro camadas ocultas e três camadas de saída", está completamente equivocada, pois o perceptron tem apenas uma camada de entrada e uma camada de saída. A distinção crucial é entre perceptron de camada única e perceptron multicamadas (MLP). O MLP possui uma ou mais camadas ocultas entre a entrada e a saída, permitindo resolver problemas não linearmente separáveis. O perceptron simples, por sua vez, só consegue classificar problemas linearmente separáveis. Essa diferença é essencial para entender por que a afirmativa I é falsa. A pegadinha da questão está em interpretar a figura como se ela mostrasse múltiplas camadas ocultas, quando na verdade o perceptron clássico tem apenas a camada de entrada e a de saída. A banca explora a confusão entre perceptron simples e MLP, além de tentar induzir o candidato a contar os neurônios como se fossem camadas. Guarde a fronteira entre perceptron de camada única e MLP: é exatamente nela que as afirmativas se dividem. A afirmativa I erra ao atribuir camadas ocultas ao perceptron; as afirmativas II e III descrevem corretamente a conectividade total e o fluxo unidirecional.

Item I — ❌ Incorreto

A afirmativa I afirma que a rede possui "várias camadas, sendo quatro camadas ocultas e três camadas de saída de dados". Isso é falso para o perceptron clássico. O perceptron é uma rede de camada única: possui apenas uma camada de entrada e uma camada de saída, sem camadas ocultas. A banca tenta confundir o candidato ao sugerir que a quantidade de neurônios ou a representação visual da figura indica camadas ocultas, o que não é o caso. O perceptron simples não possui camadas ocultas; essa característica é do perceptron multicamadas (MLP).

Item II — ✅ Correto

A afirmativa II está correta. A rede é do tipo totalmente conectada (fully connected), o que significa que cada neurônio em qualquer camada está conectado a todos os neurônios da camada anterior. No perceptron, cada neurônio de entrada se conecta a todos os neurônios de saída. Essa conectividade total é uma característica fundamental das redes neurais feedforward e é exatamente o que a afirmativa descreve.

Item III — ✅ Correto

A afirmativa III está correta. O fluxo de sinais no perceptron é unidirecional (feedforward), progredindo da esquerda para a direita no grafo arquitetural, de camada em camada. Não há ciclos nem retroalimentação. Essa é uma característica essencial das redes feedforward, que distinguem o perceptron das redes recorrentes. O sinal flui da camada de entrada para a camada de saída, sem retorno. Conclusão: Corretos: II e III → portanto a alternativa é a letra E. Gabarito: letra E