2.   Assinale a alternativa correspondente a tecnologias avançadas aprofundadas de maneira independente como um tipo de mecanismo artificial sendo utilizado para aprimoramento de práticas organizacionais por meio da análise de dados.

3.       Assinale a opção que indica uma técnica que não é considerada como de aprendizagem profunda. 

4. A respeito de redes neurais artificiais, redes neurais convolucionais e processamento de linguagem natural, julgue o item a seguir :

As redes neurais artificiais são um subconjunto de machine learning, estão no cerne dos algoritmos de deep learning e são compostas por camadas de um nó, contendo uma camada de entrada, uma ou mais camadas ocultas e uma camada de saída.

5.   A respeito de redes neurais artificiais, redes neurais convolucionais e processamento de linguagem natural, julgue o item a seguir. 

As redes neurais convolucionais distinguem-se das demais redes neurais por seu desempenho superior, tendo suas entradas três tipos principais de camadas: convolucional, de agrupamento e totalmente conectada

6.   A respeito de redes neurais artificiais, redes neurais convolucionais e processamento de linguagem natural, julgue o item a seguir.

Umas das principais diferenças entre o backpropagation e o SGD (stochastic gradient descent) é a forma como os pesos são atualizados, visto que o SGD utiliza o gradiente calculado para todos os dados de treinamento, ao passo que o backpropagation usa o gradiente calculado apenas para um mini-batch de dados de treinamento.

7.  No que se refere a deep learning e mineração de dados, julgue o item subsecutivo.

As redes neurais de deep learning, ou redes neurais artificiais, tentam imitar o cérebro humano por meio de uma combinação de entradas de dados, pesos e viés; esses elementos trabalham juntos para reconhecer, classificar e descrever com precisão os objetos dentro dos dados

8. 8. Assinale a opção que indica uma técnica que não é considerada como de aprendizagem profunda

9. 9. O modelo transformer tem revolucionado a área de inteligência artificial (IA), permitindo uma mudança de paradigma em como a IA pode ser utilizada pela humanidade. Recentemente, a comunidade científica considerou o modelo transformer, seja para textos ou imagens, como um modelo de fundação (foundation model). Em relação ao modelo em questão, assinale a opção correta

10.  As redes neurais artificiais (RNA) são técnicas computacionais que, a partir de um modelo matemático inspirado na estrutura neural de seres inteligentes, adquirem conhecimento por meio da experiência. Em relação às RNA, assinale a opção correta.

11.   Julgue o próximo item, relativos a redes neurais artificiais (RNA).

As funções de ativação são elementos importantes nas redes neurais artificiais; essas funções introduzem componente não linear nas redes neurais, fazendo que elas possam aprender mais do que relações lineares entre as variáveis dependentes e independentes, tornando-as capazes de modelar também relações não lineares. 

12.   No processo de otimização de redes neurais artificiais, diferentes métodos e técnicas são utilizados para determinar os melhores parâmetros do aprendizado. Para reduzir o overfitting, uma das técnicas amplamente utilizadas é a regularização, que apresenta como características:

13.  A respeito de redes neurais artificiais, redes neurais convolucionais e processamento de linguagem natural, julgue o item a seguir.

Para permitir que computadores processem a linguagem humana na forma de dados de texto, ou de voz, entendendo seu significado integral, o processamento de linguagem natural combina linguística computacional, modelagem com base em regras da linguagem humana, com modelos estatísticos, de machine learning e de deep learning

14.   As redes neurais artificiais (Artificial Neural Networks - ANN) constituem um grupo de algoritmos inspirados nas funções dos neurônios no cérebro humano. Diversas arquiteturas de redes neurais são utilizadas para diferentes problemas, conforme suas funcionalidades. Existe uma arquitetura de rede neural específica, especialmente apropriada ao reconhecimento de padrões de imagens e vídeos, por possuir as seguintes propriedades:
As informações fluem apenas em uma direção;

As informações são propagadas em diferentes camadas neurais que filtram características (isto é, as features);

As informações são propagadas em diferentes camadas que reduzem sua dimensionalidade;
Das opções a seguir, as redes que mais aderem às propriedades listadas acima são as redes ;

15.   Com relação a sistemas computacionais aplicados às ciências da vida, julgue o item seguinte.

Redes neurais artificiais foram inicialmente inspiradas no potencial de ação de células nervosas, que são ativadas a partir dos estímulos que chegam aos dendritos (entradas) e são influenciados pela força das conexões (sinapses), antes de serem processados por essas células, gerando estímulos nas saídas (axônios).

16.             Julgue o próximo item, relativos a redes neurais artificiais (RNA).

Uma rede neural convolucional é composta por camadas convolucionais, unidades de processamento não linear e camadas de subamostragem (pooling); ela possui como característica a habilidade em explorar correlações temporais e espaciais nos dados

17.               Julgue o próximo item, relativos a redes neurais artificiais (RNA).

Em RNA formada unicamente de perceptron, uma pequena alteração nos pesos de um único perceptron na rede pode ocasionar grandes mudanças na saída desse perceptron; mesmo com a inserção das funções de ativação, não é possível controlar o nível da mudança, por isso, essas redes são voltadas para a resolução de problemas específicos, tais como regressão e previsão de séries temporais

18.  Analise as afirmativas a seguir referentes à Mineração de Dados.

       I.          Cada método de mineração de dados requer diferentes necessidades de pré-processamento. Tais necessidades variam em função do aspecto extensional da base de dados em que o método será utilizado.

     II.          Os métodos de Knowledge Discovery in Databases (KDD), sendo os métodos de Mineração de Dados um caso particular, podem ser considerados operadores definidos a partir de pré-condições e efeitos.

    III.          Diversos modelos de Redes Neurais Artificiais podem ser utilizados na implementação de métodos de Mineração de Dados.

19 . Durante uma pesquisa, foi necessário realizar a contagem de edifícios em uma determinada região. Para atingir este objetivo, decidiu-se empregar técnicas de classificação de imagens.
Considerando as características dessas técnicas, analise as afirmativas a seguir:

       I.   Classificadores supervisionados necessitam de um conjunto de treinamento previamente classificado, enquanto classificadores não supervisionados podem ser aplicados diretamente ao conjunto de imagens.

     II.  Redes neurais artificiais que utilizam técnicas como deep learning são classificadores não supervisionados, tendo em vista sua capacidade de aprender sozinhas.

    III.   Independentemente do tipo de classificação, é necessário dividir o conjunto de treinamento em pelo menos dois, um para treinar o classificador e outro para testá-lo.

20. As Redes neurais artificiais são elementos fundamentais para o uso de técnicas de aprendizado de máquina. São constituídas por camadas de unidades de processamento, chamadas de neurônios e apresentam vários modelos de redes. Nesse contexto avalie os itens a seguir:

I . Redes de Propagação Direta (Feedforward) Nestas redes, os sinais fluem apenas em uma direção, da entrada para a saída, exceto durante o treinamento. Elas são as redes neurais mais simples e comuns;

II. Redes Neurais Recorrentes (RNNs) . As RNNs possuem realimentação, ou seja, suas saídas podem ser direcionadas de volta para as entradas, formando um loop. Isso permite que elas processem sequências de dados e memorizem informações anteriores;

III. Redes Auto-Organizáveis de Kohonen. Essas redes são treinadas por aprendizado não supervisionado e são utilizadas para criar clusters dos dados de entrada. Elas se auto-organizam para encontrar padrões no conjunto de dados;

IV. Redes de Funções de Base Radial (RBF). Usadas para aproximar funções contínuas a partir de combinações lineares de funções Gaussianas. São especialmente úteis para problemas de regressão e classificação.

 Em seguida é correto o que se afirmar em :

21. ‘Volta’ de Elis Regina em vídeo gera espanto e debate; entenda onda de uso de IA com cantores mortos
Comercial em que cantora aparece em dueto com Maria Rita gerou críticas e elogios nas redes sociais; ‘Estadão’ já adiantou discussão com criadores e especialistas sobre recriação de voz e imagem de artistas que já morreram. A Inteligência Artificial – IA mostra, a cada dia, que é possível fazer mais do que se imaginava. Um comercial que trouxe a cantora Elis Regina fazendo um dueto ao lado da filha, Maria Rita, tomou conta das redes sociais. Enquanto a publicidade emocionou alguns, outros passaram a discutir o limite da utilização da voz e da imagem de artistas que já morreram.
(Disponível em: https://www.terra.com.br/diversao/musica/volta-de-elis-regina-em-video-gera-espanto-e-debate-entenda-onda-de-uso-de-ia-comcantores-mortos.)
Sem considerar as questões legais e éticas, assinale, a seguir, tecnologia utilizada na recriação da imagem e da voz da cantora em questão.

As redes neurais artificiais são modelos computacionais inspirados no funcionamento do cérebro humano, compostas por unidades chamadas de neurônios artificiais, que recebem sinais de entrada, processam esses sinais e geram uma saída. A ideia central é que, assim como o cérebro humano aprende a partir de exemplos e experiências, as redes neurais também podem aprender padrões a partir de dados. Esse aprendizado é realizado por meio de algoritmos de treinamento, que ajustam os pesos das conexões entre os neurônios. O avanço tecnológico das últimas décadas permitiu o uso de redes neurais em diferentes áreas, como reconhecimento de voz, visão computacional, previsão de séries temporais e diagnósticos médicos assistidos por computador.

Além disso, redes neurais profundas (deep learning) tornaram-se fundamentais para aplicações modernas que lidam com grandes volumes de dados, uma vez que possuem múltiplas camadas ocultas que permitem extrair características complexas e hierárquicas dos dados. Apesar de sua eficácia, ainda existem desafios, como o alto custo computacional, a necessidade de grandes bases de dados para treinamento e a dificuldade de interpretação dos resultados, já que muitos modelos são considerados "caixas-pretas". Assim, compreender o funcionamento básico das redes neurais é essencial para profissionais que desejam aplicá-las em problemas reais, equilibrando vantagens e limitações desses modelos.

Considerando o texto acima, analise as afirmativas a seguir sobre redes neurais artificiais:

I. As redes neurais artificiais são inspiradas na estrutura biológica do cérebro humano e possuem neurônios artificiais que processam informações por meio de conexões com pesos ajustáveis.
II. O aprendizado de uma rede neural consiste em ajustar os pesos das conexões, a fim de minimizar erros entre as previsões do modelo e os valores reais dos dados de treinamento.
III. Redes neurais profundas permitem identificar padrões mais complexos nos dados, sendo úteis em tarefas como reconhecimento de imagens e processamento de linguagem natural.
IV. O principal desafio das redes neurais é que elas não podem ser aplicadas em grandes volumes de dados, uma vez que não possuem capacidade de generalização para problemas complexos.

Assinale a alternativa correta:

O Perceptron é considerado um dos modelos mais simples de redes neurais artificiais, desenvolvido por Frank Rosenblatt em 1958. Ele foi criado para reconhecer padrões básicos a partir de entradas numéricas, atribuindo pesos a essas entradas e realizando cálculos que resultam em uma saída binária (0 ou 1). O funcionamento do Perceptron baseia-se em uma combinação linear dos sinais de entrada, seguida de uma função de ativação que determina a saída. Durante o processo de aprendizado, os pesos do Perceptron são ajustados por meio de um algoritmo que busca reduzir os erros de classificação, tornando o modelo capaz de generalizar para novos exemplos.

Apesar de sua importância histórica e de sua capacidade de resolver problemas de classificação linearmente separáveis, o Perceptron apresenta limitações. Ele não consegue resolver problemas que não sejam linearmente separáveis, como o clássico exemplo da função XOR (ou exclusivo). Esse desafio levou ao desenvolvimento de arquiteturas mais avançadas, como as redes multicamadas (MLP – Multilayer Perceptron), que utilizam camadas ocultas e funções de ativação não lineares, possibilitando a resolução de problemas muito mais complexos. Ainda assim, o Perceptron permanece como um conceito fundamental para compreender as bases das redes neurais e do aprendizado de máquina moderno.

Com base no texto apresentado, analise as afirmações a seguir sobre o Perceptron:

I. O Perceptron realiza cálculos a partir de uma combinação linear das entradas e, por meio de uma função de ativação, gera saídas binárias.
II. O processo de aprendizado do Perceptron consiste em ajustar os pesos das conexões de forma a minimizar os erros de classificação.
III. O Perceptron é capaz de resolver qualquer tipo de problema de classificação, inclusive aqueles que não são linearmente separáveis.
IV. O desenvolvimento das redes multicamadas buscou superar as limitações do Perceptron, permitindo a resolução de problemas mais complexos.

Assinale a alternativa correta:

As Redes Neurais Convolucionais (CNNs – Convolutional Neural Networks) surgiram como uma evolução das redes neurais artificiais, especialmente voltadas para o processamento de dados com estrutura espacial, como imagens. A principal característica das CNNs é a utilização de camadas de convolução, nas quais filtros (ou kernels) percorrem a entrada extraindo automaticamente características relevantes, como bordas, texturas e formas. Essas características são transmitidas a camadas mais profundas da rede, que conseguem identificar padrões de maior complexidade, como rostos humanos ou objetos em imagens.

Outro elemento importante das CNNs é a utilização de camadas de pooling, que reduzem a dimensionalidade dos dados, mantendo apenas as informações mais relevantes e diminuindo o custo computacional. Em conjunto, essas camadas permitem que as CNNs sejam altamente eficazes em tarefas de classificação de imagens, reconhecimento facial, visão computacional em veículos autônomos, diagnósticos médicos baseados em exames de imagem, entre outras aplicações.

Apesar de seu grande sucesso, as CNNs apresentam desafios, como a necessidade de grande quantidade de dados anotados para treinamento, alto custo computacional e dificuldades de interpretação de seus resultados. Ainda assim, continuam sendo um dos modelos mais utilizados em inteligência artificial e aprendizado profundo, devido ao seu desempenho em problemas que envolvem análise de dados visuais.

Com base no texto apresentado, analise as afirmações a seguir sobre redes neurais convolucionais:

I. As camadas de convolução utilizam filtros que percorrem os dados de entrada, permitindo a extração automática de características relevantes.
II. As camadas de pooling têm como objetivo reduzir a dimensionalidade dos dados, diminuindo o custo computacional sem perder informações essenciais.
III. Uma das principais vantagens das CNNs é que dispensam a necessidade de grandes volumes de dados anotados, já que conseguem aprender sozinhas com poucos exemplos.
IV. As CNNs possuem grande aplicação em tarefas de reconhecimento de imagens e visão computacional, incluindo áreas como medicina e transporte autônomo.

Assinale a alternativa correta:

As Redes Adversárias Generativas (GANs), propostas por Ian Goodfellow em 2014, representam um avanço significativo no campo do aprendizado profundo, especialmente em tarefas de geração de dados sintéticos. O funcionamento das GANs baseia-se na interação entre dois modelos distintos: o gerador e o discriminador. O gerador é responsável por criar exemplos falsos, a partir de ruído aleatório, que devem se parecer o máximo possível com dados reais. O discriminador, por sua vez, tem a função de avaliar se uma determinada entrada é um dado real (proveniente do conjunto de treinamento) ou se foi gerada artificialmente.

Essa dinâmica cria um processo de aprendizado competitivo: enquanto o gerador tenta “enganar” o discriminador com exemplos cada vez mais realistas, o discriminador se torna mais preciso em identificar falsificações. O equilíbrio entre esses dois modelos leva ao aperfeiçoamento da capacidade do gerador em criar dados sintéticos de alta qualidade. As GANs têm sido amplamente utilizadas em áreas como geração de imagens realistas, aumento de dados para treinamento de outros modelos, restauração de imagens, produção de vídeos e até mesmo em aplicações criativas, como a geração de arte digital.

Apesar de seu potencial, as GANs enfrentam desafios. Um dos principais é a instabilidade no treinamento, já que o equilíbrio entre o gerador e o discriminador é difícil de alcançar, podendo levar a problemas como o “colapso de modo”, quando o gerador produz apenas variações muito semelhantes. Além disso, há preocupações éticas, pois essas redes também podem ser usadas para criar “deepfakes”, gerando conteúdos falsos realistas que podem ser explorados de maneira indevida.

Com base no texto apresentado, analise as afirmações a seguir sobre Redes Adversárias Generativas (GANs):

I. As GANs são compostas por dois modelos que competem entre si: o gerador, que cria dados sintéticos, e o discriminador, que avalia se os dados são reais ou artificiais.
II. O processo de aprendizado das GANs é caracterizado por uma relação cooperativa entre gerador e discriminador, que colaboram para alcançar o resultado final.
III. Um dos principais desafios das GANs é a instabilidade no treinamento, que pode resultar em situações como o colapso de modo.
IV. Entre as aplicações das GANs estão a geração de imagens realistas, o aumento de bases de dados e a criação de conteúdos artísticos digitais.

Assinale a alternativa correta:

Nas redes neurais artificiais, o bias (ou viés) é um parâmetro adicional presente nos neurônios artificiais, cuja função é deslocar a função de ativação, permitindo maior flexibilidade do modelo. Em termos práticos, o bias funciona como um termo independente em uma equação matemática, semelhante à constante em uma função linear. Ele garante que os neurônios possam ajustar a saída mesmo quando todas as entradas forem iguais a zero, aumentando a capacidade da rede em representar padrões mais complexos.

Sem o bias, o comportamento de um neurônio seria limitado, pois a função de ativação sempre passaria pela origem do plano cartesiano, restringindo sua habilidade de modelar dados. O bias, portanto, é essencial para o aprendizado, pois contribui para que o modelo encontre fronteiras de decisão mais precisas e adequadas aos dados de treinamento.

Contudo, apesar de sua importância técnica, o termo “bias” também é usado em outro contexto dentro do aprendizado de máquina: o viés algorítmico. Nesse caso, refere-se a distorções não desejadas que podem surgir em modelos treinados a partir de bases de dados enviesadas, reproduzindo ou até amplificando desigualdades sociais, raciais ou de gênero. Assim, compreender o conceito de bias é fundamental, tanto em sua dimensão matemática quanto em sua dimensão ética, para que profissionais da área possam projetar modelos mais eficientes e responsáveis.

Com base no texto, analise as afirmações a seguir sobre o bias em redes neurais:

I. O bias é um parâmetro que aumenta a flexibilidade dos neurônios artificiais, permitindo deslocar a função de ativação.
II. Sem o bias, a saída de um neurônio estaria limitada a funções que passam pela origem, reduzindo a capacidade de modelagem da rede.
III. O bias em redes neurais refere-se apenas a distorções éticas e sociais presentes nos modelos de aprendizado, não tendo relação matemática.
IV. O viés algorítmico, diferente do bias matemático, refere-se a problemas de justiça e imparcialidade em modelos de inteligência artificial.

Assinale a alternativa correta:

Nas redes neurais artificiais, a função de ativação é responsável por transformar a soma ponderada das entradas de um neurônio em uma saída que será transmitida à próxima camada. Sem uma função de ativação adequada, a rede se reduziria a um modelo puramente linear, independentemente do número de camadas, o que limitaria drasticamente sua capacidade de resolver problemas complexos. As funções de ativação introduzem não linearidade, permitindo que a rede aprenda representações mais sofisticadas dos dados.

Entre os principais tipos de funções de ativação estão: a função sigmoide, que comprime os valores de saída em um intervalo entre 0 e 1; a tangente hiperbólica (tanh), que gera valores entre -1 e 1, sendo útil quando é necessário representar saídas negativas; e a ReLU (Rectified Linear Unit), atualmente uma das mais usadas em redes profundas, pois reduz problemas de gradiente e acelera o treinamento, ao manter valores positivos e anular os negativos. Existem ainda variações da ReLU, como a Leaky ReLU, que busca evitar o chamado "neurônio morto".

Portanto, compreender a escolha da função de ativação é fundamental para o bom desempenho das redes neurais, já que ela impacta diretamente a eficiência do treinamento, a velocidade de convergência e a capacidade da rede em lidar com diferentes tipos de problemas.

Com base no texto, assinale a alternativa correta:

Durante o treinamento de redes neurais profundas, utiliza-se o método de retropropagação de erro (backpropagation) aliado a algoritmos de otimização, como o gradiente descendente. Nesse processo, os pesos da rede são ajustados de acordo com o gradiente da função de erro. No entanto, em arquiteturas com muitas camadas, podem surgir problemas relacionados ao cálculo do gradiente, conhecidos como gradiente desvanecido (vanishing gradient) e gradiente explosivo (exploding gradient).

O gradiente desvanecido ocorre quando os valores derivados tornam-se muito pequenos nas camadas mais profundas, dificultando ou até impedindo o aprendizado, pois os pesos praticamente deixam de ser atualizados. Esse problema é comum em funções de ativação como a sigmoide e a tangente hiperbólica. Já o gradiente explosivo acontece quando os valores derivados se tornam excessivamente grandes, provocando instabilidade no treinamento e dificultando a convergência do modelo.

Diversas soluções têm sido propostas para mitigar esses problemas, como a utilização de funções de ativação mais adequadas (por exemplo, ReLU e suas variações), técnicas de normalização (Batch Normalization) e ajustes nos algoritmos de otimização. A compreensão desses fenômenos é essencial para o desenvolvimento de redes profundas estáveis e eficazes em tarefas de aprendizado.

Com base no texto apresentado, assinale a alternativa correta:

O desenvolvimento inicial das redes neurais artificiais teve grande contribuição do modelo do Perceptron, proposto por Frank Rosenblatt em 1958. O Perceptron é capaz de resolver problemas de classificação linearmente separáveis, isto é, aqueles em que uma reta (ou hiperplano, em dimensões maiores) consegue separar as classes de dados. Contudo, uma limitação desse modelo ficou evidente quando se analisou a função lógica XOR (ou exclusivo).

A função XOR retorna verdadeiro (1) apenas quando uma das entradas é verdadeira, mas não ambas simultaneamente. Esse comportamento não pode ser representado por uma fronteira linear simples, já que os pontos que devem ser classificados como 1 e os que devem ser classificados como 0 não são linearmente separáveis no espaço bidimensional. Essa limitação foi destacada por Marvin Minsky e Seymour Papert, em 1969, no livro Perceptrons, o que gerou certo descrédito nas redes neurais na época.

A solução para o problema veio com o desenvolvimento das redes neurais multicamadas (MLP – Multilayer Perceptron), que utilizam camadas ocultas e funções de ativação não lineares. Essas redes foram capazes de representar a função XOR e muitos outros problemas não linearmente separáveis, impulsionando uma nova era no campo do aprendizado de máquina.

Com base no texto, assinale a alternativa correta:

O algoritmo de backpropagation (retropropagação do erro) é um dos pilares do treinamento de redes neurais artificiais. Introduzido nos anos 1980, ele tornou viável a utilização prática das redes multicamadas (MLPs), permitindo o ajuste eficiente dos pesos em todas as camadas da rede. O funcionamento do algoritmo está baseado no cálculo do erro entre a saída obtida pela rede e a saída desejada, propagando esse erro de forma inversa, da camada de saída até as camadas iniciais.

Esse processo é realizado por meio da aplicação da regra da cadeia do cálculo diferencial, que possibilita determinar como cada peso contribui para o erro final. Assim, os pesos são ajustados gradualmente por um otimizador, como o gradiente descendente, reduzindo o erro ao longo de sucessivas iterações. O backpropagation, portanto, é um método supervisionado de aprendizado, exigindo conjuntos de treinamento rotulados para corrigir as previsões da rede.

Apesar de sua eficácia, o algoritmo pode enfrentar dificuldades em redes muito profundas, como o problema do gradiente desvanecido ou explosivo. Para lidar com essas limitações, foram propostas melhorias, como funções de ativação mais adequadas (ReLU), técnicas de normalização e arquiteturas específicas de redes profundas. Mesmo assim, o backpropagation continua sendo o principal método de treinamento de redes neurais em aplicações modernas.

Com base no texto apresentado, assinale a alternativa correta: