Questão de Algoritmos e Estrutura de Dados — Algoritmos — IV - UFG 2024
Algoritmos e Estrutura de Dados›Algoritmos
Código
qg121346
Banca
IV - UFG
Órgão
TJ-AC
Ano
2024
Nível
Superior
Cargo
CS-UFG - - Analista Judiciário - Analista de Ciência de Dados
Uma Rede Neural Convolucional (do inglês, Convolutional Neural Network - CNN) é um algoritmo de aprendizado de máquina profundo que pode, a partir dos dados de entrada, atribuir importância (pesos e vieses que podem ser aprendidos) a vários aspectos dos dados e, portanto, obter maior diferenciação. São características da arquitetura das redes neurais convolucionais:
Aas camadas de convolução realizam extração de características e as camadas de pooling reduzem a dimensionalidade.
Bas camadas de convolução aplicam dropout para ajustar o formato dos dados para serem processados pelas camadas de pooling.
Cas camadas de pooling são baseadas em word embeddings dinâmicos, sendo adequadas para processar dados textuais.
Das camadas de pooling realizam o fine-tunning para minimizar a função de perda, que mede a diferença entre as previsões do modelo e os rótulos corretos.
Revelar gabarito e comentário▾
GabaritoA — as camadas de convolução realizam extração de características e as camadas de pooling reduzem a dimensionalidade.
Comentário gerado por IA. É um apoio ao estudo, ancorado em fontes, mas pode conter imprecisões — confira sempre na fonte oficial (lei, súmula, edital e gabarito da banca). Encontrou um erro? Use “Reportar”.
Redes Neurais Convolucionais (CNN)
Gabarito: letra A. Em uma CNN, as camadas de convolução realizam a extração de características (como bordas e texturas), enquanto as camadas de pooling reduzem a dimensionalidade espacial (subsampling), tornando a representação mais compacta e resistente a variações. Essa é a definição clássica da arquitetura CNN, conforme descrito no conteúdo de apoio.
Camada / Técnica
Função Principal
Efeito na Arquitetura
Convolução
Extração de características (bordas, texturas)
Aplica filtros (kernels) para detectar padrões locais
Pooling
Redução de dimensionalidade (subsampling)
Torna a representação mais compacta e resistente a variações
Dropout
Regularização
Desativa neurônios aleatoriamente para evitar overfitting
Backpropagation
Otimização dos pesos
Minimiza a função de perda via gradiente descendente
1Convolução
2Pooling
3Dropout
4Backpropagation
LEVEL · soulevel.com.br
Alternativa A — ✅ Correta ⟵ GABARITO
As camadas convolucionais aplicam filtros (kernels) para extrair características locais da entrada. Já as camadas de pooling (ex.: max pooling) reduzem a dimensionalidade, diminuindo o número de parâmetros e controlando overfitting. A alternativa descreve corretamente essas funções.
Alternativa B — ❌ Incorreta
Dropout é uma técnica de regularização que desativa neurônios aleatoriamente durante o treinamento para evitar overfitting. Ele não é aplicado pelas camadas de convolução e não tem a função de ajustar o formato dos dados para as camadas de pooling. A afirmação confunde o papel do dropout com o das camadas de pooling.
Alternativa C — ❌ Incorreta
Word embeddings são representações densas de palavras usadas em processamento de linguagem natural (NLP), não aplicáveis a camadas de pooling. As camadas de pooling (como max pooling ou average pooling) operam por redução espacial, não por embeddings. Essa alternativa confunde conceitos de NLP com visão computacional.
Alternativa D — ❌ Incorreta
Fine-tuning é o ajuste fino dos pesos de uma rede pré-treinada, e a minimização da função de perda é feita pelo algoritmo de backpropagation (com gradiente descendente), não pelas camadas de pooling. As camadas de pooling apenas reduzem a dimensionalidade, sem realizar otimização.
PEGA ESSA DICA!
Na arquitetura CNN, memorize os papéis: convolução → extração de características; pooling → redução de dimensionalidade; dropout → regularização; backpropagation → otimização dos pesos. Questões de concurso frequentemente trocam essas funções, como nas alternativas B e D.