{"subject_id":"3a3cc48d0099814cb7dacca80ab7cb3c","topico":"Deep learning: CNN, RNN/LSTM/GRU, Transformer, autoencoders, GANs","stems":["Acerca de inteligência artificial (IA), julgue os seguintes itens.","Acerca de deep learning, de Big Data e de redes neurais, julgue os itens subsequentes.","Julgue os itens que se seguem, relativos a ciência de dados e inteligência artificial (IA).","Em relação à inteligência artificial (IA), julgue os itens a seguir.","A respeito de overfitting e underfitting, de deep learning e de métodos de data mining, julgue os itens que se seguem.","A respeito de aprendizagem de máquina, deep learning e processamento de linguagem natural, julgue os itens seguintes.","A respeito de redes neurais, julgue os itens que se seguem.","A respeito de inteligência artificial, julgue os itens seguintes.","Julgue os itens subsequentes, a respeito de inteligência artificial."],"questions":[{"id":"5685a8487534","number":57,"stem":0,"statement":"As redes neurais convolucionais (CNN) são fundamentais para tarefas de visão computacional porque implementam operações de convolução que permitem a extração hierárquica de características visuais, desde bordas e texturas em camadas iniciais, até estruturas mais complexas em camadas profundas.","answer":"C","source":{"slug":"SUSEP_25","ano":2025},"explanation":{"verdict_reason":"A convolução aplica filtros deslizantes que detectam padrões locais independentemente da posição em que ocorrem, e o empilhamento de camadas compõe esses padrões: as primeiras camadas respondem a bordas e texturas, as seguintes a partes, as profundas a objetos inteiros. Essa hierarquia de características, junto com o compartilhamento de pesos do filtro, é a razão de a CNN ser a arquitetura padrão de visão computacional.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"CNN: convolução extrai características em hierarquia crescente","citation":null,"trap_note":"Guarde a direção da hierarquia: raso é simples (borda, textura), profundo é complexo (parte, objeto). Item que inverta o sentido — bordas nas camadas profundas — é errado sem precisar de mais nada."}},{"id":"75dc650f7a01","number":58,"stem":0,"statement":"No processamento de linguagem natural, os modelos baseados em arquitetura transformer superaram as RNN e LSTM principalmente pela capacidade de tais modelos processarem sequências mais longas com menor custo computacional.","answer":"E","source":{"slug":"SUSEP_25","ano":2025},"explanation":{"verdict_reason":"O transformer suplantou RNN e LSTM porque a autoatenção processa todas as posições da sequência de uma vez, o que elimina a dependência sequencial da recorrência e permite paralelizar o treinamento, além de ligar diretamente posições distantes sem o caminho passo a passo que causa o desvanecimento do gradiente. O custo computacional não cai: a autoatenção é quadrática no comprimento da sequência, contra o custo linear por passo da recorrência. O item acerta o resultado e erra a causa.","distortion_type":"relacao_causal","distorted_span":"principalmente pela capacidade de tais modelos processarem sequências mais longas com menor custo computacional","corrected_statement":"No processamento de linguagem natural, os modelos baseados em arquitetura transformer superaram as RNN e LSTM principalmente pela capacidade de tais modelos processarem a sequência inteira em paralelo, capturando dependências de longo alcance.","concept":"Transformer ganha em paralelismo, não em custo menor","citation":null,"trap_note":"Item de transformer quase sempre entrega o resultado certo com a causa errada. A vantagem é paralelismo e dependência de longo alcance; o custo da autoatenção cresce com o quadrado do comprimento da sequência. Sempre que aparecer menor custo computacional ligado à atenção, desconfie."}},{"id":"f7a123094799","number":67,"stem":1,"statement":"Em uma rede neural artificial treinada por retropropagação, o objetivo principal do algoritmo durante o treinamento é aumentar o número de camadas ocultas até que a acurácia atinja 100%.","answer":"E","source":{"slug":"STM_25","ano":2025},"explanation":{"verdict_reason":"A retropropagação calcula o gradiente do erro em relação a cada peso e ajusta os pesos para minimizar a função de perda. O número de camadas ocultas é decisão de arquitetura, tomada antes do treinamento e não alterada pelo algoritmo. Além disso, perseguir 100% de acurácia no treinamento é a descrição do sobreajuste, não do objetivo.","distortion_type":"troca_de_termo","distorted_span":"aumentar o número de camadas ocultas até que a acurácia atinja 100%","corrected_statement":"Em uma rede neural artificial treinada por retropropagação, o objetivo principal do algoritmo durante o treinamento é ajustar os pesos das conexões até que o erro seja minimizado.","concept":"Retropropagação ajusta pesos, não a arquitetura","citation":null,"trap_note":"Separe o que é escolhido pelo projetista do que é aprendido pelo algoritmo: número de camadas, número de neurônios, função de ativação e taxa de aprendizado são hiperparâmetros definidos antes; pesos e vieses são o que o treinamento altera. Item que faz o treinamento mexer na arquitetura trocou os dois lados."}},{"id":"b3f0f75e42cc","number":68,"stem":1,"statement":"No contexto do deep learning, a função das camadas ocultas (hidden layers) em uma rede neural profunda é extrair e processar os dados de forma que a rede aprenda características progressivamente mais complexas nas camadas mais profundas.","answer":"C","source":{"slug":"STM_25","ano":2025},"explanation":{"verdict_reason":"As camadas ocultas são onde a rede constrói representações intermediárias: cada camada recebe a saída da anterior e compõe características mais abstratas que as dela. É essa composição progressiva, e não o número de neurônios em si, que dá sentido ao termo profundo. A descrição corresponde à função dessas camadas.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Camadas ocultas compõem características progressivamente complexas","citation":null,"trap_note":"A profundidade serve à abstração crescente: cada camada é feita das saídas da anterior. Guarde o sentido da progressão, porque a distorção mais comum é invertê-lo, pondo as características complexas nas camadas iniciais."}},{"id":"e4afba88ab5a","number":69,"stem":1,"statement":"O overfitting, em modelos de deep learning, ocorre quando o modelo tem alta precisão tanto nos dados de treinamento quanto nos dados de teste, indicativo de que o modelo generaliza bem.","answer":"E","source":{"slug":"STM_25","ano":2025},"explanation":{"verdict_reason":"Alta precisão tanto no treinamento quanto no teste é justamente o modelo que generaliza bem, ou seja, o resultado desejado. Overfitting é o contrário: precisão alta no treinamento e queda acentuada em dados novos, porque o modelo decorou o ruído do conjunto de treino. O item descreve o modelo bem ajustado e lhe dá o nome do defeito.","distortion_type":"inversao","distorted_span":"alta precisão tanto nos dados de treinamento quanto nos dados de teste, indicativo de que o modelo generaliza bem","corrected_statement":"O overfitting, em modelos de deep learning, ocorre quando o modelo tem alta precisão nos dados de treinamento e desempenho muito pior nos dados de teste, indicativo de que o modelo não generaliza bem.","concept":"Overfitting é a lacuna entre treino e teste","citation":null,"trap_note":"Sempre que o item usar tanto... quanto para os dois conjuntos, ele está descrevendo um modelo bem ajustado. Overfitting exige diferença entre os dois desempenhos; sem lacuna não há sobreajuste."}},{"id":"de87ab577a64","number":71,"stem":1,"statement":"Em uma rede neural artificial, a função de ativação é responsável por armazenar os pesos de cada conexão entre os neurônios para posterior retropropagação.","answer":"E","source":{"slug":"STM_25","ano":2025},"explanation":{"verdict_reason":"A função de ativação recebe a soma ponderada das entradas de um neurônio e produz sua saída, introduzindo a não linearidade sem a qual a rede inteira colapsaria em uma única transformação linear. Ela não guarda nada: os pesos são os próprios parâmetros das conexões, armazenados na estrutura da rede e atualizados pela retropropagação. O item dá à ativação o papel dos pesos.","distortion_type":"atribuicao_errada","distorted_span":"responsável por armazenar os pesos de cada conexão entre os neurônios","corrected_statement":"Em uma rede neural artificial, a função de ativação é responsável por transformar a soma ponderada das entradas na saída do neurônio, introduzindo não linearidade ao modelo.","concept":"Ativação transforma a soma ponderada; peso é parâmetro da conexão","citation":null,"trap_note":"Três papéis que a banca embaralha dentro do neurônio: o peso guarda a força da conexão, a soma ponderada agrega as entradas e a função de ativação transforma essa soma em saída. Quem faz o quê resolve quase todo item de unidade de rede neural."}},{"id":"2b7c257de7d6","number":105,"stem":2,"statement":"Deep learning é um campo da IA cujos modelos conseguem reconhecer padrões de dados, tais como imagens e textos, para produzir insights e previsões precisas, sendo as redes neurais sua tecnologia subjacente.","answer":"C","source":{"slug":"STM_25","ano":2025},"explanation":{"verdict_reason":"Deep learning é o subcampo do aprendizado de máquina que empilha muitas camadas de representação em redes neurais artificiais para reconhecer padrões em dados de alta dimensão, como imagem, áudio e texto. A rede neural profunda é literalmente a tecnologia que o sustenta. A definição corresponde ao conceito.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Deep learning: aprendizado de máquina sobre redes neurais profundas","citation":null,"trap_note":"Fixe o encaixe das caixas: inteligência artificial contém aprendizado de máquina, que contém deep learning, cuja tecnologia de base é a rede neural artificial de muitas camadas. A maioria dos itens de definição neste tópico se decide só por esse encaixe."}},{"id":"8b583e53e2b6","number":89,"stem":3,"statement":"As redes adversárias generativas utilizam a rede geradora para produzir dados falsos aleatoriamente e a discriminadora para identificar esses dados falsos.","answer":"C","source":{"slug":"TCE_AC_24","ano":2024},"explanation":{"verdict_reason":"Na rede adversária generativa, o gerador parte de ruído aleatório e produz amostras sintéticas, enquanto o discriminador é treinado para separar amostra real de amostra gerada. Os dois são treinados em oposição: o gerador melhora ao enganar o discriminador, que melhora ao não ser enganado. A divisão de papéis descrita é a da arquitetura.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"GAN: gerador cria, discriminador distingue real de falso","citation":null,"trap_note":"Em GAN, o par a fixar é gerador produz e discriminador julga. A distorção clássica é a troca simples de papéis, com o discriminador gerando dados — e ela se reconhece sem saber mais nada sobre a arquitetura."}},{"id":"9ebe5978e55c","number":92,"stem":3,"statement":"Os modelos de difusão são focados na classificação de pontos de dados para determinar a relação entre fatores conhecidos e desconhecidos.","answer":"E","source":{"slug":"TCE_AC_24","ano":2024},"explanation":{"verdict_reason":"Modelos de difusão são generativos: aprendem a reverter um processo de adição gradual de ruído e, partindo de ruído puro, sintetizam dados novos, o que os tornou a base dos geradores de imagem. Classificar pontos de dados e relacionar fatores conhecidos a desconhecidos descreve modelo discriminativo — classificação ou regressão. O item põe um modelo generativo na categoria errada.","distortion_type":"atribuicao_errada","distorted_span":"são focados na classificação de pontos de dados","corrected_statement":"Os modelos de difusão são focados na geração de novos dados, revertendo gradualmente um processo de adição de ruído.","concept":"Difusão é modelo generativo, não classificador","citation":null,"trap_note":"Antes do detalhe, confira a categoria do modelo: difusão e GAN geram, autoencoder comprime e reconstrói, CNN e transformer podem gerar ou discriminar conforme a cabeça de saída. Categoria errada derruba o item sozinha."}},{"id":"f39f134726bc","number":116,"stem":4,"statement":"O overfitting ocorre quando um modelo de machine learning tem alta precisão nos dados de treinamento, mas apresenta desempenho significativamente pior em novos dados.","answer":"C","source":{"slug":"ANM_24","ano":2024},"explanation":{"verdict_reason":"Overfitting é o modelo que decorou o conjunto de treinamento, inclusive o ruído, em vez de aprender o padrão que generaliza. A assinatura é justamente a distância entre os dois desempenhos: erro baixo no treino e erro alto em dados novos. O item descreve essa lacuna, que é a definição.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Overfitting: alto desempenho no treino, baixo fora dele","citation":null,"trap_note":"Overfitting e underfitting se decidem comparando dois números, nunca um só. Alto no treino e baixo no teste é overfitting; baixo nos dois é underfitting; alto nos dois é o modelo bem ajustado. Item que cita um desempenho só, ou que usa os dois no mesmo sentido, está mal montado de propósito."}},{"id":"40c1dafc431d","number":117,"stem":4,"statement":"A única maneira de se evitar o underfitting em um modelo de machine learning é reduzir a quantidade de dados de entrada, pois isso impede que o modelo fique sobrecarregado de informações irrelevantes.","answer":"E","source":{"slug":"ANM_24","ano":2024},"explanation":{"verdict_reason":"Underfitting é o modelo simples demais para o padrão dos dados, e se combate aumentando a capacidade: mais parâmetros ou camadas, atributos mais informativos, menos regularização, mais tempo de treinamento. Reduzir a quantidade de dados de entrada não corrige underfitting — se algo, agrava. E nenhuma dessas medidas é a única maneira: são várias, combináveis.","distortion_type":"generalizacao","distorted_span":"A única maneira de se evitar o underfitting em um modelo de machine learning é reduzir a quantidade de dados de entrada","corrected_statement":"Uma das maneiras de se evitar o underfitting em um modelo de machine learning é aumentar a capacidade do modelo, pois isso permite que ele represente padrões mais complexos dos dados.","concept":"Underfitting se corrige aumentando capacidade, não reduzindo dados","citation":null,"trap_note":"Neste tópico, todo item que promete a única maneira, a eliminação completa ou a independência total de algum fator é errado. Aprendizado de máquina é campo de compromissos: quando a banca apresenta uma receita exclusiva, o erro está na exclusividade antes de estar no conteúdo."}},{"id":"cb8a3dabedfa","number":118,"stem":4,"statement":"O uso de GPUs e TPUs acelera os cálculos necessários para operações matriciais e retropropagação em modelos de deep learning.","answer":"C","source":{"slug":"ANM_24","ano":2024},"explanation":{"verdict_reason":"O treinamento de uma rede profunda se resume a multiplicações de matrizes na passagem para a frente e ao cálculo de gradientes pela regra da cadeia na retropropagação — operações idênticas repetidas sobre milhares de elementos. É precisamente a carga que GPUs e TPUs executam em paralelo, com milhares de núcleos e unidades dedicadas a produto matricial, ao contrário da CPU, otimizada para poucas linhas de execução complexas.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"GPU e TPU aceleram operações matriciais e gradientes","citation":null,"trap_note":"Hardware acelerador é assunto de paralelismo: o que se ganha é em operação regular e repetida sobre matrizes. Item que atribua a GPU ganho em tarefa sequencial, em lógica de controle ou em acesso a disco trocou o motivo do ganho."}},{"id":"79b5d74e5b48","number":119,"stem":4,"statement":"A regressão é o método de data mining usado para prever valores contínuos como, por exemplo, previsão de vendas, preços de ações, identificação de transações fraudulentas, entre outros.","answer":"C","source":{"slug":"ANM_24","ano":2024},"explanation":{"verdict_reason":"O que decide o item é a definição de regressão: prever uma saída numérica contínua, em oposição à classificação, que prevê rótulo. Os exemplos citados são ilustrativos — inclusive a fraude, que na prática é modelada como escore contínuo de risco antes de virar decisão. O núcleo da afirmação, regressão prevê valor contínuo, está correto.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Regressão prevê valor contínuo; classificação prevê rótulo","citation":null,"trap_note":"Em item de método de mineração de dados, julgue primeiro a definição e só depois a lista de exemplos, que costuma vir aberta por como, por exemplo ou entre outros. Lista ilustrativa não é lista exaustiva e raramente é o que decide o item."}},{"id":"e6731e17d560","number":120,"stem":4,"statement":"O deep learning elimina completamente a necessidade de pré-processamento de dados, pois as redes neurais são capazes de aprender todas as características automaticamente.","answer":"E","source":{"slug":"ANM_24","ano":2024},"explanation":{"verdict_reason":"O que o deep learning reduz é a engenharia manual de atributos: a rede aprende as representações em vez de recebê-las prontas. Isso não elimina o pré-processamento, que continua indispensável — limpeza, tratamento de faltantes, normalização ou padronização das escalas, redimensionamento de imagens, tokenização de texto, separação em treino, validação e teste, aumento de dados. O verbo absoluto derruba o item.","distortion_type":"generalizacao","distorted_span":"elimina completamente a necessidade de pré-processamento de dados","corrected_statement":"O deep learning reduz a necessidade de engenharia manual de atributos, pois as redes neurais são capazes de aprender grande parte das características automaticamente.","concept":"Deep learning dispensa engenharia de atributos, não pré-processamento","citation":null,"trap_note":"Separe aprender representações de preparar dados. A rede aprende os atributos; ela não limpa, não normaliza e não divide o conjunto por você. Sempre que o item usar eliminar completamente, dispensar totalmente ou automaticamente todas, procure o que sobrou de trabalho humano."}},{"id":"6759eea4d3c8","number":51,"stem":5,"statement":"BoW (bag of words) é uma técnica de processamento de linguagem natural que transforma um texto em um vetor, considerando a frequência e a ordem ou o contexto das palavras presentes.","answer":"E","source":{"slug":"BCB_24","ano":2023},"explanation":{"verdict_reason":"O bag of words representa o documento pela contagem de ocorrências de cada palavra do vocabulário, e é exatamente a ordem e o contexto que ele descarta — o nome da técnica vem daí: um saco de palavras não tem sequência. Quem precisa de ordem ou de contexto usa n-gramas, embeddings contextuais ou modelos sequenciais. O item atribui ao BoW a propriedade que a técnica é definida por jogar fora.","distortion_type":"inversao","distorted_span":"a ordem ou o contexto das palavras presentes","corrected_statement":"BoW (bag of words) é uma técnica de processamento de linguagem natural que transforma um texto em um vetor, considerando apenas a frequência das palavras presentes, sem levar em conta a ordem ou o contexto.","concept":"BoW conta frequência e descarta ordem e contexto","citation":null,"trap_note":"Técnica cujo nome já anuncia o que ela ignora: quando o item credita ao BoW a ordem ou o contexto, ele nega a definição. Vale o mesmo teste para TF-IDF (continua sem ordem) e para one-hot encoding."}},{"id":"d2703abb3ad4","number":54,"stem":5,"statement":"Na validação cruzada K-fold em que k = 5, os dados são divididos em 5 partes, sendo um subconjunto de tamanho k − 1 para teste e o restante para validação, o que resulta em uma métrica de avaliação média para o modelo.","answer":"E","source":{"slug":"BCB_24","ano":2023},"explanation":{"verdict_reason":"Na validação cruzada K-fold os dados são divididos em k partes iguais e, a cada rodada, UMA parte serve de teste e as k − 1 restantes servem de treinamento; o processo se repete k vezes, e a métrica final é a média das k rodadas. O item inverte os tamanhos: põe k − 1 partes no teste e sobra uma para o treino, que ele ainda chama de validação. A média final está certa; a proporção entre as partes, não.","distortion_type":"inversao","distorted_span":"um subconjunto de tamanho k − 1 para teste e o restante para validação","corrected_statement":"Na validação cruzada K-fold em que k = 5, os dados são divididos em 5 partes, sendo um subconjunto de tamanho 1 para teste e as k − 1 partes restantes para treinamento, o que resulta em uma métrica de avaliação média para o modelo.","concept":"K-fold: 1 parte testa, k − 1 treinam, em k rodadas","citation":null,"trap_note":"Em item de K-fold, conte quantas partes ficam de cada lado antes de ler o resto: a fatia menor é sempre a de teste. Trocar 1 por k − 1 é a distorção padrão do tópico, e vem quase sempre acompanhada da afirmação correta sobre a média das rodadas, que serve de isca."}},{"id":"ae762391e20f","number":90,"stem":6,"statement":"Apesar das CNN serem redes neurais profundas, com várias camadas ocultas, elas são dispensadas nos algoritmos de reconhecimento de imagens.","answer":"E","source":{"slug":"DATAPREV_23","ano":2023},"explanation":{"verdict_reason":"A CNN é a arquitetura de referência para reconhecimento de imagens exatamente porque a convolução explora a estrutura espacial da imagem e reaproveita o mesmo filtro em toda ela. Longe de ser dispensada, ela é o componente central desses algoritmos. A concessão inicial do item está certa; a conclusão é o oposto do que decorre dela.","distortion_type":"inversao","distorted_span":"elas são dispensadas nos algoritmos de reconhecimento de imagens","corrected_statement":"Apesar das CNN serem redes neurais profundas, com várias camadas ocultas, elas são amplamente empregadas nos algoritmos de reconhecimento de imagens.","concept":"CNN é a arquitetura central da visão computacional","citation":null,"trap_note":"Item que começa com Apesar de ou Embora costuma esconder a mentira na oração principal, depois de uma concessão verdadeira. Leia a frase inteira e verifique se a conclusão realmente se opõe à concessão ou se a banca apenas negou um fato."}},{"id":"6852e7f97df2","number":111,"stem":7,"statement":"Redes neurais do tipo LSTM (long short-term memory) mantêm o nível de precisão independentemente do tamanho do modelo utilizado.","answer":"E","source":{"slug":"SEFAZ_CE_21","ano":2021},"explanation":{"verdict_reason":"A precisão de uma LSTM depende diretamente do dimensionamento do modelo: poucas unidades e poucas camadas produzem subajuste, e capacidade em excesso para o volume de dados produz sobreajuste. Não existe arquitetura cuja acurácia seja indiferente ao próprio tamanho. A afirmação de independência é o que torna o item errado.","distortion_type":"generalizacao","distorted_span":"independentemente do tamanho do modelo utilizado","corrected_statement":"Redes neurais do tipo LSTM têm o nível de precisão afetado pelo tamanho do modelo utilizado.","concept":"Capacidade do modelo afeta a precisão, sempre","citation":null,"trap_note":"Independentemente de, sem qualquer perda, em qualquer escala: a banca gosta de atribuir a uma arquitetura uma imunidade que nenhuma tem. Toda rede paga por capacidade insuficiente com subajuste e por capacidade excessiva com sobreajuste."}},{"id":"9d117758e38b","number":111,"stem":8,"statement":"Machine learning é um tipo de aprendizado de máquina que executa entradas por meio de uma arquitetura de rede neural de inspiração biológica.","answer":"E","source":{"slug":"DPDF_20_ANALISTA","ano":2020},"explanation":{"verdict_reason":"Machine learning é o próprio aprendizado de máquina, não um tipo dele — a primeira metade da frase é circular. E a definição oferecida, entradas processadas por arquitetura de rede neural de inspiração biológica, é a de deep learning, que é o subconjunto. Aprendizado de máquina abrange muitos métodos sem rede neural nenhuma: árvores, SVM, k-médias, naive Bayes.","distortion_type":"troca_de_termo","distorted_span":"Machine learning é um tipo de aprendizado de máquina","corrected_statement":"Deep learning é um tipo de aprendizado de máquina que executa entradas por meio de uma arquitetura de rede neural de inspiração biológica.","concept":"Deep learning é subconjunto do aprendizado de máquina","citation":null,"trap_note":"Quando o item define aprendizado de máquina exigindo rede neural, ele descreveu deep learning com o nome errado. O teste é lembrar de um método de aprendizado de máquina sem neurônio algum: se existe, a definição está estreita demais."}}]}