Questão de Noções de Informática — Inteligência Artificial e Automação — FIOCRUZ 2024
Noções de InformáticaInteligência Artificial e Automação
- Código
- qg147234
- Banca
- FIOCRUZ
- Órgão
- FIOCRUZ
- Ano
- 2024
- Nível
- Superior
- Cargo
- Tecnologista em Saúde Pública - TE56 - Cientista de Dados em Saúde
As Redes Neurais Recorrentes (RNNs) são projetadas para processar dados sequenciais ou temporais, destacando-se pela sua capacidade de reter memória de entradas anteriores através de loops internos na sua arquitetura. Entre os algoritmos mais utilizados, destacam-se o Long Short-Term Memory (LSTM) e o Gated Recurrent Unit (GRU), ambos projetados para preservar informações ao longo do tempo e superar o desafio do desaparecimento do gradiente. Além disso, técnicas fundamentais como softmax, backpropagation e o processo feedforward são fundamentais para o treinamento e a eficácia das RNNs. Acerca dessas técnicas, a opção que apresenta uma observação INCORRETA é:
- Aa função softmax pode ser usada na camada de saída das RNNs para realizar tarefas de regressão, convertendo os logits em valores contínuos que representam diferentes magnitudes.
- Bdurante o processo de feedforward em redes neurais, incluindo as RNNs, a informação é processada sequencialmente da camada de entrada até a camada de saída, utilizando funções de ativação para introduzir não-linearidade.
- Co backpropagation é o método pelo qual o erro é propagado de volta pela rede para atualizar os pesos, utilizando o gradiente do erro em relação a cada peso para fazer ajustes que minimizem o erro total da rede.
- Da função softmax na camada de saída de uma RNN é crucial para problemas de classificação, onde os logits são transformados em probabilidades que somam 1, facilitando a determinação da classe mais provável para a entrada dada.
- Eo processo de feedforward e backpropagation em RNNs inclui o cálculo de gradientes para cada etapa temporal, ajustando os pesos não apenas com base na saída atual, mas também considerando a influência de entradas anteriores.