Quiz: Fundamentos de Redes Neurais

Transmite sinais elétricos.

Recebe entradas e produz uma saída com base nelas.

Pode aprender sem nenhuma entrada.

Existe apenas em sistemas biológicos.

Uma rede neural com uma única camada.

Outro nome para neurônio.

Um tipo de função de ativação.

Uma solução de armazenamento em nuvem.

Prever a próxima sequência nos dados.

Ajustar os pesos na rede neural com base nos erros.

Filtrar ruídos da entrada.

Armazenar os resultados da propagação direta.

Torna os dados ilegíveis.

Pode ajudar a melhorar a velocidade e a precisão do treinamento de redes neurais.

É necessário apenas para modelos tradicionais de aprendizado de máquina.

Introduz mais ruído nos dados.

Definir aleatoriamente todos os pesos e vieses.

Evitar o uso de funções de ativação.

Ajustar iterativamente os pesos para minimizar o erro.

Utilizar apenas a propagação direta.

Bibliotecas/frameworks para aprendizado profundo.

Tipos de funções de ativação.

Métodos de retropropagação.

Tipos específicos de redes neurais.

Ao lidar com reconhecimento de imagens.

Quando se tem conjuntos de dados pequenos e padrões mais simples.

Apenas em tarefas que exigem previsões de sequências.

Dados de texto sem sequência.

Dados tabulares.

Apenas dados unidimensionais.

Dados de imagem.

Classificação de imagens.

Análise de dados tabulares.

Dados sequenciais como séries temporais ou texto.

Dados estáticos sem qualquer ordem.

Pode reconhecer padrões complexos.

Pode lidar com grandes conjuntos de dados.

Sempre fornece resultados interpretáveis.

Auxilia no armazenamento de dados.

Auxilia na retropropagação.

Introduz flexibilidade ao modelo.

Reduz o número de parâmetros.

Inicialização

Regularização

Retropropagação

Propagação Direta

A profundidade máxima de uma rede.

O número de neurônios.

O número de vezes que todo o conjunto de dados é passado pela rede.

A taxa de aprendizado de uma rede.

Apresenta desempenho muito bom nos dados de treinamento, mas ruim em novos dados não vistos.

Apresenta desempenho ruim tanto nos dados de treinamento quanto nos dados de teste.

Apresenta bom desempenho em dados não vistos, mas ruim nos dados de treinamento.