Questão de Engenharia de Software — Inteligencia Artificial — FUNDATEC 2025
Engenharia de Software›Inteligencia Artificial
Código
qg477893
Banca
FUNDATEC
Órgão
Prefeitura de Porto Alegre - RS
Ano
2025
Nível
Superior
Cargo
Auditor Fiscal da Receita Municipal - Bloco II
Deep learning é uma subárea do aprendizado de máquina que utiliza redes neurais profundas para modelar dados complexos. Assinale a alternativa que descreve corretamente uma característica fundamental das redes neurais profundas.
ARedes Neurais Recorrentes (RNNs) são adequadas para processar dados sequenciais, como séries temporais e texto.
BRedes profundas se caracterizam por nunca demandarem grandes volumes de dados para treinar seus modelos de forma eficaz.
CRedes Neurais Convolucionais (CNNs) são mais indicadas para a análise de dados tabulares do que para tarefas de visão computacional.
DRedes neurais profundas se caracterizam por não permitirem otimização dos hiperparâmetros para obter um melhor desempenho
ERedes neurais artificiais simples são sempre uma melhor opção do que abordagens de deep learning, visto que apresentam maior precisão do que redes profundas para dados complexos.
Revelar gabarito e comentário▾
GabaritoA — Redes Neurais Recorrentes (RNNs) são adequadas para processar dados sequenciais, como séries temporais e texto.
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”.
Deep Learning e Redes Neurais Profundas
Gabarito: Letra A. Redes Neurais Recorrentes (RNNs) são arquiteturas especializadas no processamento de sequências, como séries temporais e texto, devido à sua capacidade de manter estados ocultos que capturam dependências temporais. Essa característica é fundamental para tarefas como modelagem de linguagem e reconhecimento de fala.
Alternative A — ✅ Correta ⟵ GABARITO
As RNNs possuem conexões que permitem que a informação persista ao longo de passos de tempo, sendo ideais para dados sequenciais. O contexto de apoio destaca que "as redes neurais recorrentes, nas quais os dados podem fluir em qualquer direção, são usadas para aplicações como modelagem de linguagem".
Alternative B — ❌ Incorreta
Afirma que redes profundas nunca demandam grandes volumes de dados, o que é falso. Na verdade, redes profundas são propensas a overfitting e geralmente requerem conjuntos de dados extensos para generalizar bem. Métodos como data augmentation são usados para contornar a falta de dados.
Alternative C — ❌ Incorreta
Inverte a aplicação típica: CNNs são a principal ferramenta para visão computacional, e não para dados tabulares. Elas são projetadas para capturar padrões espaciais (como imagens), enquanto dados tabulares são melhor tratados por modelos como árvores de decisão ou MLPs. O contexto confirma que "as redes neurais convolucionais (CNNs) são usadas em visão computacional".
Alternative D — ❌ Incorreta
Erro grave: a otimização de hiperparâmetros (taxa de aprendizado, número de camadas, etc.) é parte essencial do treinamento de redes profundas. O contexto menciona "muitos parâmetros de treinamento" e "sweeping do espaço de parâmetros", indicando a necessidade de ajuste.
Alternative E — ❌ Incorreta
Generalização incorreta: redes profundas podem superar redes simples em dados complexos devido à capacidade de aprender representações hierárquicas. Não é verdade que redes simples sempre têm maior precisão; na verdade, deep learning se destaca justamente nesses cenários. O contexto explica que "as redes neurais profundas podem modelar relacionamentos que não são lineares complexos".
Redes Neurais Profundas
1Arquiteturas
RNNs
Dados sequenciais
Estados ocultos
CNNs
Visão computacional
Padrões espaciais
2Treinamento
Grandes volumes de dados
Otimização de hiperparâmetros
3Vantagens
Representações hierárquicas
Dados complexos
LEVEL · soulevel.com.br
Gabarito: letra A – única alternativa que descreve corretamente uma característica fundamental das redes neurais profundas.