{"subject_id":"3a3cc48d00998124a1d3ff387ce3ead2","topico":"Redes neurais: perceptron, ativações, backpropagation, otimizadores, dropout","stems":["Acerca de inteligência artificial (IA), julgue os seguintes itens.","Julgue os itens a seguir, relativos a redes neurais artificiais.","No que se refere à inteligência artificial e aprendizado de máquina, julgue os próximos itens.","Julgue os itens que se seguem, em relação a grandes modelos de linguagem (LLMs) e a redes neurais.","A respeito de redes neurais, julgue os itens que se seguem.","A respeito de inteligência artificial, julgue os itens seguintes."],"questions":[{"id":"83490615e7f1","number":59,"stem":0,"statement":"Em redes neurais artificiais, as funções de ativação não lineares são essenciais para que o modelo possa aprender representações complexas, uma vez que múltiplas camadas de transformações lineares equivaleriam a uma única transformação linear.","answer":"C","source":{"slug":"SUSEP_25","ano":2025},"explanation":{"verdict_reason":"A composição de transformações lineares é ela própria uma transformação linear, de modo que uma pilha de camadas sem não linearidade teria exatamente o poder de representação de uma única camada — a profundidade não acrescentaria nada. A função de ativação não linear entre as camadas é o que quebra esse colapso e permite aproximar fronteiras de decisão complexas. O item enuncia justamente essa razão.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Sem não linearidade, camadas colapsam em uma só","citation":null,"trap_note":"Esta é a única justificativa que a banca aceita para a existência da função de ativação. Se o item disser que a ativação armazena pesos, acelera o cálculo ou serve para normalizar a entrada, ele trocou o papel; se disser que ela introduz não linearidade, está no caminho certo."}},{"id":"4c105239faca","number":87,"stem":1,"statement":"Nas redes neurais multicamadas, quando se aumenta significativamente a dimensão da rede neural, o esforço computacional para sua implementação tem um aumento insignificante.","answer":"E","source":{"slug":"ANM_24","ano":2024},"explanation":{"verdict_reason":"O número de pesos de uma camada totalmente conectada é o produto do número de neurônios dela pelo da camada anterior, de modo que ampliar a rede faz o número de parâmetros e de multiplicações crescer de forma acentuada, não marginal. Cada parâmetro a mais custa memória, custa uma operação na passagem para a frente e outra no cálculo do gradiente, a cada exemplo e a cada época. É justamente esse crescimento do esforço computacional que obrigou o uso de GPUs no treinamento de redes grandes.","distortion_type":"inversao","distorted_span":"tem um aumento insignificante","corrected_statement":"Nas redes neurais multicamadas, quando se aumenta significativamente a dimensão da rede neural, o esforço computacional para sua implementação tem um aumento expressivo.","concept":"Custo computacional cresce com a dimensão da rede","citation":null,"trap_note":"Aumentar a dimensão da rede aumenta parâmetros, memória e tempo de treinamento — sempre. Item que prometa crescimento insignificante, custo constante ou desempenho indiferente ao tamanho está negando o compromisso que define o assunto."}},{"id":"4b6b96d5ab3e","number":88,"stem":1,"statement":"Uma rede neural feedforward se distingue das demais pela presença de uma ou mais camadas ocultas, cujos nós de computação são chamados de neurônios ocultos ou unidades ocultas, devido ao fato de que essa parte da rede neural não é vista diretamente da entrada ou saída da rede.","answer":"E","source":{"slug":"ANM_24","ano":2024},"explanation":{"verdict_reason":"A presença de camadas ocultas não distingue a rede alimentada adiante das demais: distingue a rede alimentada adiante de múltiplas camadas da rede alimentada adiante de camada única, que liga a entrada diretamente à saída. Redes recorrentes também têm camadas ocultas — o que as diferencia é o laço de realimentação, não a existência de neurônios ocultos. O item toma a definição da subclasse multicamadas e a aplica à classe inteira.","distortion_type":"troca_de_termo","distorted_span":"Uma rede neural feedforward se distingue das demais","corrected_statement":"Uma rede neural feedforward de múltiplas camadas se distingue da de camada única pela presença de uma ou mais camadas ocultas, cujos nós de computação são chamados de neurônios ocultos ou unidades ocultas, devido ao fato de que essa parte da rede neural não é vista diretamente da entrada ou saída da rede.","concept":"Camada oculta distingue multicamadas, não feedforward","citation":null,"trap_note":"Neste tópico a banca copia trechos de manual e troca uma palavra do sujeito. Quando o item disser que uma característica distingue uma classe das demais, procure um contraexemplo fora dela: se a rede recorrente também tem camada oculta, a característica não distingue coisa alguma."}},{"id":"27c0446a7829","number":89,"stem":1,"statement":"Os nós de origem na camada de entrada da rede neural, isto é, na primeira camada oculta, fornecem os respectivos elementos do padrão de ativação (vetor de entrada), que constituem os sinais de entrada aplicados aos neurônios (nós de computação) na segunda camada.","answer":"E","source":{"slug":"ANM_24","ano":2024},"explanation":{"verdict_reason":"A camada de entrada não é camada oculta: seus nós de origem apenas apresentam o vetor de entrada, sem realizar computação. A primeira camada oculta é a segunda camada da rede, exatamente aquela que recebe esses sinais, como o próprio item diz em seguida. O aposto foi deslocado, e o resultado é a camada de entrada rotulada como primeira camada oculta.","distortion_type":"atribuicao_errada","distorted_span":"isto é, na primeira camada oculta","corrected_statement":"Os nós de origem na camada de entrada da rede neural fornecem os respectivos elementos do padrão de ativação (vetor de entrada), que constituem os sinais de entrada aplicados aos neurônios (nós de computação) na segunda camada, isto é, na primeira camada oculta.","concept":"Camada de entrada não computa nem é camada oculta","citation":null,"trap_note":"Conte as camadas com cuidado: entrada é a primeira camada, mas a primeira camada oculta é a segunda. A distorção mais barata deste tópico é mover um aposto — isto é, ou seja, ou o que equivale a — de um termo para o vizinho; releia a qual palavra o aposto está colado."}},{"id":"cffd3c31daa8","number":110,"stem":2,"statement":"As redes neurais do tipo feedforward, por padrão, processam os dados continuamente, utilizando encaminhamentos de feedbacks corretivos para aprimorar sua análise preditiva.","answer":"E","source":{"slug":"STJ_24","ano":2024},"explanation":{"verdict_reason":"Em uma rede alimentada adiante o sinal percorre um único sentido, da entrada para a saída, sem laços que devolvam a saída de uma camada à entrada de outra — é exatamente essa ausência de realimentação que define a arquitetura. Processamento contínuo com retorno de sinal descreve a rede recorrente. A retropropagação também não serve de defesa, pois ela propaga erro na fase de treinamento e não cria conexão de realimentação na arquitetura.","distortion_type":"atribuicao_errada","distorted_span":"utilizando encaminhamentos de feedbacks corretivos para aprimorar sua análise preditiva","corrected_statement":"As redes neurais do tipo feedforward, por padrão, processam os dados em um único sentido, da camada de entrada para a de saída, sem encaminhamentos de feedbacks corretivos.","concept":"Feedforward não tem realimentação; recorrente tem","citation":null,"trap_note":"O par que decide a maioria dos itens de arquitetura: feedforward é sentido único, recorrente tem laço de realimentação. Não confunda o laço da arquitetura com a retropropagação do erro, que existe em ambas e é fase de treinamento, não conexão."}},{"id":"d572a9cd25f0","number":114,"stem":3,"statement":"A aplicação da função de ativação softmax na camada de saída foi o fator determinante pela grande evolução da capacidade de visão computacional em redes neurais multicamadas.","answer":"E","source":{"slug":"TRF6_24","ano":2024},"explanation":{"verdict_reason":"A softmax apenas normaliza as saídas da última camada em uma distribuição de probabilidade sobre as classes; é uma conveniência de saída, anterior e alheia ao avanço da visão computacional. O que impulsionou a área foi a convolução com compartilhamento de pesos, a profundidade viabilizada pela ativação ReLU, as grandes bases rotuladas e o treinamento em GPU. O item atribui a uma peça secundária uma causa que não é dela.","distortion_type":"relacao_causal","distorted_span":"foi o fator determinante pela grande evolução da capacidade de visão computacional","corrected_statement":"A aplicação da função de ativação softmax na camada de saída permite converter as saídas da rede em uma distribuição de probabilidade entre as classes, em redes neurais multicamadas.","concept":"Softmax normaliza a saída em probabilidades","citation":null,"trap_note":"Fator determinante, principal responsável, o que possibilitou: quando o item eleva um componente a causa de um salto histórico, verifique se aquele componente já existia antes do salto. A softmax e a camada de saída são antigas; o que mudou foi convolução, profundidade, dados e hardware."}},{"id":"997a6d304226","number":86,"stem":4,"statement":"As conexões entre as camadas de uma rede neural do tipo MLP são de natureza feedfoward.","answer":"C","source":{"slug":"DATAPREV_23","ano":2023},"explanation":{"verdict_reason":"O perceptron de múltiplas camadas é, por definição, uma rede alimentada adiante: cada camada recebe apenas as saídas da camada anterior e entrega as suas à seguinte, sem laços de retorno. O treinamento por retropropagação não altera isso, porque propaga erro para atualizar pesos e não constitui conexão de realimentação. A afirmação corresponde à arquitetura.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"MLP é rede alimentada adiante por definição","citation":null,"trap_note":"MLP e feedforward multicamadas são o mesmo objeto sob dois nomes. Item que oponha os dois, ou que atribua realimentação ao MLP, está montando uma distinção que não existe."}},{"id":"80df1e6007c2","number":87,"stem":4,"statement":"Nas redes neurais completamente conectadas, todos os neurônios de uma camada estão conectados aos neurônios da camada seguinte, no entanto, não é possível que as saídas das camadas posteriores alimentem a entrada de camadas anteriores.","answer":"E","source":{"slug":"DATAPREV_23","ano":2023},"explanation":{"verdict_reason":"Conectividade completa diz com quantos neurônios cada neurônio se liga, não em que sentido o sinal corre — são dois eixos independentes da arquitetura. Existem redes completamente conectadas com realimentação, em que a saída de uma camada posterior volta à entrada de camada anterior: é assim que se constroem as redes recorrentes. A impossibilidade afirmada na segunda metade do item não existe.","distortion_type":"generalizacao","distorted_span":"não é possível que as saídas das camadas posteriores alimentem a entrada de camadas anteriores","corrected_statement":"Nas redes neurais completamente conectadas, todos os neurônios de uma camada estão conectados aos neurônios da camada seguinte, sendo ainda possível que as saídas das camadas posteriores alimentem a entrada de camadas anteriores, caso haja realimentação.","concept":"Conectividade completa não implica ausência de realimentação","citation":null,"trap_note":"Metade verdadeira seguida de no entanto, contudo ou porém é a assinatura do tópico: a definição correta abre a frase e a negação falsa a fecha. Leia até o fim e julgue a oração adversativa separadamente, porque é quase sempre ali que está o erro."}},{"id":"722cebec80f3","number":88,"stem":4,"statement":"As redes neurais têm a capacidade de adaptar seus pesos sinápticos considerando as mudanças de padrão dos dados de entrada.","answer":"C","source":{"slug":"DATAPREV_23","ano":2023},"explanation":{"verdict_reason":"Aprender, em uma rede neural, é exatamente ajustar os pesos sinápticos em resposta aos dados apresentados: a cada exemplo, o erro observado na saída determina a correção aplicada a cada conexão. Essa capacidade de reajuste diante de novos padrões de entrada é a definição de adaptabilidade da rede. A afirmação descreve o próprio mecanismo de aprendizagem.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Aprendizagem é ajuste dos pesos sinápticos","citation":null,"trap_note":"Fixe o que muda durante o treinamento: pesos e vieses. Número de camadas, número de neurônios e função de ativação são escolhas de projeto e não são ajustados pelo aprendizado."}},{"id":"4cf8002d177b","number":89,"stem":4,"statement":"Backpropagation propaga o erro da camada de saída para as camadas intermediárias de uma rede neural a fim de que estas possam modificar seus pesos de forma a minimizar o erro médio.","answer":"C","source":{"slug":"DATAPREV_23","ano":2023},"explanation":{"verdict_reason":"A retropropagação calcula o erro na camada de saída e o distribui para trás, camada por camada, aplicando a regra da cadeia para obter a contribuição de cada peso para esse erro. Com o gradiente em mãos, cada camada intermediária corrige seus pesos no sentido que reduz a função de erro. É precisamente o mecanismo descrito.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Backpropagation propaga o erro da saída para trás","citation":null,"trap_note":"Guarde os dois sentidos do ciclo de treinamento: para a frente segue o sinal de entrada até a saída; para trás segue o erro, da saída às camadas intermediárias, para ajustar pesos. Item que inverta esses sentidos, ou que faça o erro andar para a frente, está errado sem mais."}},{"id":"1472b101c7cc","number":110,"stem":5,"statement":"Cada unidade de uma rede neural artificial possui um valor e um peso, no seu nível mais básico, para indicar sua importância relativa.","answer":"C","source":{"slug":"SEFAZ_CE_21","ano":2021},"explanation":{"verdict_reason":"No nível mais elementar, o neurônio artificial guarda um valor de ativação e cada conexão que chega a ele carrega um peso, que mede quanto aquela entrada influencia a saída. É o peso que expressa a importância relativa do sinal, e é ele que o treinamento ajusta. A descrição corresponde ao funcionamento da unidade.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Unidade da rede: valor de ativação e pesos de entrada","citation":null,"trap_note":"Guarde o conteúdo do neurônio: entradas, pesos, soma ponderada mais viés, função de ativação e saída. Quase todo item de unidade de rede neural se decide identificando qual desses cinco elementos foi descrito com o nome de outro."}}]}