Sei sulla pagina 1di 6
2 Nora: \{ visto po FROFESsOR: si aii BF. SI PROVA(X)PI___()F2_( ) Sibsituva (Segunda Chamada ( ) Final | VALOR: 30 PONTOS CURSO: ENGENHARIA ELETRICA PERIODO/TURNO: 7B. DISCIPLINA: INTELIGENCIA COMPUTACIONAL ) PROFESSOR: MIKAELLA P. A. DIAS, para: O6/ot/Ro/Y) NOME DO ALUNO: “Antes de Ticlara prov lla at instragbes a sega, 1 9 10, Ac final do tempo previsto, o professor recolhera a avaliacio. Preencha o cahesalho da prova com o seu nome no local indicado. Confira 0 nimero de piginas ¢ questies propostas. ‘A prova é individual ¢ som consulta, Por se tratar de um documento, deve ser escrita a caneta, Nao s podidos de revisio de provas feitas a lips. Resolva a prova de forma legive. Deixe sobre a mesa apenas caneta esferogrifica, lis e borracha. E proibido o empréstimo de qualquer tipo de material. Destigue o celular. A consulta a colegas ou a utilizagdo de quaisquer materiais no autorizados pelo professor seri considerada faude, caso em que o professor recolherd a avaliaedo, aplicando nota zero aos alunos envolvidos. Esa provi foi elaborada seguindo 0 conteiido exposto no Plano de Ensino. accitos O QUESTAO 1 (3,0 pontos) As Redes Neurais Artificiais sio sistemas fisicos celulares que podem adquirir, armazenar e utilizar conhecimento extraido da experiéncia, por meio de algoritmos de aprendizagem ou de treinamento. Sobre a fase de treinamento das redes neurais artificiais, considere as seguintes afirmacoes. I. Apés 0 treinamento, os pesos que armazenam 0 conhecimento permite a rede tomar decisdes corretas, JI A rede aprende a partir dos dados que so apresentados durante 0 processo de treinamento. [IIL 0 aprendizado implica na alteragdo dos pesos das conexées. IV. No aprendizado nao supervisionado 0 ajuste do ero encontrado ocorre ao confrontar a saida da rede com o dado fornecido como objetivo para a rede. V. O conjunto de treinamento deve ser apresentado a rede diversas vezes, isto ¢, em diversas epoca, E correto apenas 0 que se afirma em: XL tev. if A) Helv - if C) Lely. Can hil Suh D) Well. E) L.1,Melv. ~ 3,0 QUESTAO 2 (3.0 pontos) E sabido a grande importancia do processo de aprendizagem utilizado durante o treinamento de uma Rede Neural, fazendo com que a Rede possua a capacidade de aprender. ‘Texto do elaborador Considerando 0 exposto, relacione as colunas abaixo. 4 (A)A rede aprende a partir de padres conhecidos. 1 4 B)O treinamento € direcionado para diminuir o erro na safda 2 (C) Os padrées de treinamento possuem apenas entradas, 2(D)O principal intuito é desvendar a organizacdo dos padres existentes nos dados através de clusters (agrupamentos) consistentes. (1) Treinamento Supervisionado (2) Treinamento Nao Supervisionado A opgdo que apresenta a correspondéncia & A) Al, BI, C2, D1. ~ a) B) Al, BI, Cl, D2. C) O QUESTAO 3 (3.0 pontos) A histéria das Redes Neurais comeca com o trabalho dos pesquisadores Warren McCulloch e Walter Pitts. Os dois foram os primeiros a descrever um modelo artificial para um neurdnio biolégico, em 1943. Logo mais tarde, apés as descobertas das limitagSes do MCP, o cientista Rosenblat criou 0 Perceptron, baseado no modelo do MCP. Texto do elaborador. grande incentivo das Redes Neurais surgiu com essas teorias. Sobre as Redes Neurais considere as seguintes afirmagdes 1. \/ Redes Neurais sto métodos de solucionar problemas de IA, que utilizam um sistema que possui circuitos que simulam 0 cérebro humano, inclusive seu comportamento, ou seja, aprendendo, errando e fazendo descobertas. Tl. = S80 grandes desvantagens o fato delas possuirem parémetros que devem ser ajustados, as regras nfo poderem ser extraidas ¢ clas nao possuirem capacidade de generalizagao. IIL ,/ © primeiro modelo criado (MCP) seguia uma série de restrigdes, como as entradas serem necessariamente bindrias e limitagSes em relagdo aos pesos possiveis. Qsurs bdo Mos IV. \/ A fungto booteana XOR nfo pode ser implementada ullizando 0 modelo MCP ¢ nem o modelo do Perceptron de camada tinica. A V. | Tanto 0 modelo MCP como 0 modelo do Perceptron de uma tinica camada possuem, no seu modelo bésico, uma camada de neurénios de entrada ¢ uma camada de saida que permite apenas a classificagdo de dois padres. E cometo apenas o que se afirma em A) Ie Iv, B) Mell, C) Lilelv. D) LI, MeV. 1, I, IVeV. QUESTAO 4: ‘As Redes Neurais Artificiais possuem a capacidade de aprender por exemplos ¢ pode ser diversas formas, dependendo do tipo de treinamento que seré utilizado. Os principais tipos de ‘reinamento utilizado por Redes Neurais so: Aprendizado Supervisionado, Aprendizado Nao Supervisionado ¢ Aprendizado Por Reforso. Para resolver um terminado problema é necessario treinar um neurénio artificial e escolher o melhor tipo de treinamento que se encaixa no método utilizado, Suponha que desejamos treinar um neurdnio com as caracteristicas apresentadas abaixo: And xO XI =lel=ye]x =lelefe| Considerando 0 conjunto de padrées disponibilizados para treinamento, responda 0 que se pede nos seguintes subitens. © a) Qual tipo de aprendizado vocé utlizaria para treinamento? Por que? Justfique. (2,5 pontos): Aprrdaydir Jrfoviernler, polyae aim 0 Tale o pail ch paddy Codrcideds , que the? Cader a ax Soin Abide - @ Fb) Pode-se dizer que este problema apresentado ¢ linearmente separivel? Justifique. (2,5 pontos): dim. Forte in Janel o posi) yw cdr Cla ex publ te Salo bush chine pil) oe ie ee R24 Be QUESTAO 5 (3.0 pontos): Ninsatrrud Syatccdl : © modelo MCP representa 0 neurdnio como uma unidade de limite binario que pode executar operagdes légicas bisicas, por meio do ajuste adequado dos pesos. Apesar de cada neurdnio possuir apenas uma entrada e uma safda, a interligagdo de vérias unidades forma uma rede capaz de executar ages complexas. ‘Sabendo disso, considere a rede de neurénios do modelo MCP abaixo: enos Para os pares de valores das entradas XA ¢ XB de (0,0); (0,1); (1,0) ¢ (1,1), quais scriam os respectivos valores de safdas no nour6nio Z3 para os dois tltimos padres? Fustifique com céleulos eoeio (1) Qo eBade ob ( { N c QUESTAO 6: Um banco deseja desenvolver um sistema de classificago de clientes em Adimplente ¢ Inadimplente, com finalidade de orientar suas decisdes de oferecimento ou ndo de erédito. Utilizando as informagdes cadastrais, os analistas tém condigées de diagnosticar os novos clientes quanto a0 merecimento ou no de crédito. As informagdes que constituirdo as varidveis do problema sio: XI- Existéncia de restrigdes em nome do cliente: SIM=1 e NAO=0; (ux Ae Salm. X2- Tempo de conta no banco maior que cinco anos: SIM=1 e NAO=0; 3 ¢ X4- Local de morada: CENTRO=I1, SUBURBIO=01 e OUTRO=00; ) X7- Aplicagdes financeira: SIM=1 e NAO-0; X8- Experiéncia de crédito menor que um ano: SIM=1 ¢ NAO=0; X9- Crédito em outro estabelecimento: SIM=1 e NAO=0. Esses exemplos esto codificados na tabela abaixo: [_Exemplos | X1 oe a 9) 3 Papel pate 4.(-95)¢ hot do $4,0¢0140.110.94+4.04 0440.0 het=-95+0 = —95 —/Yody Lpos ~0,5 <2) EsW-Y= 1-0 = [ESE] ig KATURLIZAR Pesos We lig HEX ) W Ost OKI = ey l= 0+0/¢.4.4 = AF iy-0494.1.14 7 WO OF Y= ot 2 | M=Srotso- 4 2 Wo d+ 081.02 We = 0449.10 08 X | Wee oaes t= OE 3404 1.0- @ Ws=0 toto 0 O_| A eX pets L.Code Lote Los elogt hl eLlt 1984 404 46.14+0.0 het 914 oF eo AL gE! bd4 OnLOK ~(G9 a] Ved] [ph $3>9) EW-Y~o-1 9 [E==A) oS Ht AtUli2a Pesos & bor 94 ¢ ot. CDA = -O5 in ~ 04 #0,4,(1) 1 = Oea=9 01 <0 j 2= Ot tot, (- oO " es We> Of FOCI Ls of y= LEGA d= 9 lce # sanl.tae l= 0 + OF,6.0~ ap) Yas 4F +661) 1 SO] tye LOH) On, 52 pabplo : ° het~ 1(-95)4 1.04 0.04 0.041.06+41.96+1.9440.040.140 0 abi het=- 9596+ 06 404 =(h) +/Pedf pa (y1>0) — * E=W~Y = 0-4 a [Be-4)@e, % Atoauizs as pesos