Questão de Algoritmos e Estrutura de Dados — Algoritmos — IV - UFG 2024
Algoritmos e Estrutura de Dados›Algoritmos
Código
qg121352
Banca
IV - UFG
Órgão
TJ-AC
Ano
2024
Nível
Superior
Cargo
CS-UFG - - Analista Judiciário - Analista de Ciência de Dados
Redes neurais recorrentes (RNNs) são modelos de aprendizado profundo treinados para reconhecer padrões em dados sequenciais (texto, imagens, genomas, caligrafia, palavra falada ou dados de séries numéricas), em que componentes se inter-relacionam com base em regras complexas de semântica e sintaxe. São características das redes neurais recorrentes:
Aausência de camadas ocultas, o que permite que seu funcionamento seja mais interpretável que as demais topologias.
Bdependência temporal com os dados, uma vez que processam suas próprias saídas como entradas momento após momento.
Cdependência espacial com os dados, uma vez que as entradas são de tamanho fixo.
Dsimilaridade com a arquitetura feedforward, pelo loop de feedback conectado às suas decisões anteriores, duplicando assim a quantidade de camadas.
Revelar gabarito e comentário▾
GabaritoB — dependência temporal com os dados, uma vez que processam suas próprias saídas como entradas momento após momento.
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 Recorrentes (RNNs)
Gabarito: letra B. A característica fundamental das RNNs é a dependência temporal, obtida por meio de conexões recorrentes que realimentam a saída de um passo de tempo como entrada para o próximo, permitindo o processamento de sequências de dados.
RNN (Redes Neurais Recorrentes): Característica central (Dependência temporal, Saída de um passo → entrada do próximo, Memória de curto prazo, Sequências de comprimento variável); Estrutura (Possui camadas ocultas, Loop de realimentação (feedback), Mesma camada reutilizada a cada passo); Não é (Ausência de camadas ocultas ❌, Dependência espacial ❌ (é CNN), Entrada de tamanho fixo ❌, Duplicação de camadas ❌)
Análise das alternativas
Alternativa A — ❌ Incorreta
Afirma que RNNs possuem "ausência de camadas ocultas". Na verdade, as RNNs possuem camadas ocultas, inclusive com loops de recorrência que conectam a saída de um instante à entrada do instante seguinte. A ausência de camadas ocultas caracteriza modelos mais simples, como o Perceptron de uma camada.
Alternativa B — ✅ Correta ⟵ GABARITO
Descreve com precisão a essência das RNNs: "dependência temporal com os dados, uma vez que processam suas próprias saídas como entradas momento após momento". Esse mecanismo de realimentação (feedback loop) permite que a rede mantenha uma memória de curto prazo e aprenda padrões sequenciais, como texto, séries temporais e fala.
Alternativa C — ❌ Incorreta
Afirma "dependência espacial com os dados" e que "as entradas são de tamanho fixo". RNNs são projetadas para dependência temporal, não espacial. Além disso, elas podem lidar com sequências de comprimento variável (por exemplo, frases de tamanhos diferentes), sendo uma de suas vantagens sobre arquiteturas de tamanho fixo. A dependência espacial é mais associada a redes convolucionais (CNNs).
Alternativa D — ❌ Incorreta
Diz que RNNs são "similares à arquitetura feedforward, pelo loop de feedback ... duplicando assim a quantidade de camadas". Embora haja similaridade estrutural com feedforward (presença de camadas ocultas), o loop de feedback não duplica o número de camadas. O que ocorre é que a cada passo temporal a mesma camada oculta é reutilizada, criando uma profundidade temporal, mas não uma duplicação literal de camadas.
NÃO CAIA NESSA!
A banca explora a confusão entre dependência temporal (RNN) e espacial (CNN), além de atribuir às RNNs características que não lhes pertencem, como ausência de camadas ocultas ou duplicação de camadas. Fique atento: a recorrência é sobre tempo, não espaço.