Filtrar


Questões por página:
Julgue os itens subsecutivos, em relação às redes neurais denominadas CNN, RNN e LSTM.
Em redes CNN, a inserção no modelo neural de um kernel de dimensão n × n acarreta a inclusão de n × n + 1 parâmetros ao modelo, caso a inserção do kernel seja acompanhada da inclusão de um bias.
Julgue os itens subsecutivos, em relação às redes neurais denominadas CNN, RNN e LSTM.
Em uma rede CNN, a dimensão do mapa de ativação em determinada camada depende, entre outros hiperparâmetros da rede, dos parâmetros denominados stride e dilation; uma rede CNN pode possuir diversas camadas convolucionais, e cada uma dessas camadas pode ser formada por diversos mapas de ativação.
Julgue os itens subsecutivos, em relação às redes neurais denominadas CNN, RNN e LSTM.
Vanishing gradient e exploding gradient são duas condições que podem ser encontradas em redes RNN; o emprego de célula de memória busca mitigar a ocorrência dessas condições em redes LSTM.

Julgue os seguintes itens, a respeito de validação e avaliação de modelos de aprendizagem.


Se a medida de desempenho denominada precisão aplicada a um modelo de aprendizagem é baixa, deve-se desconfiar quando uma amostra for classificada como positiva, para evitar prejuízos decorrentes de erro na classificação realizada pelo modelo.

Julgue os seguintes itens, a respeito de validação e avaliação de modelos de aprendizagem.


A métrica de desempenho denominada acurácia aplicada a um modelo de aprendizagem para a classificação de múltiplas classes tem capacidade de avaliar o desempenho da rede para cada classe tratada de forma individualizada, além de ser capaz de apontar se há equilíbrio nas quantidades de verdadeiros positivos e verdadeiros negativos, para cada uma dessas classes.