Análise de Redes Neurais Artificiais e Aprendizado de Máquina

66) Com base no conhecimento sobre Redes Neurais Artificiais, considere as afirmativas a seguir.

II. Redes Neurais Artificiais do tipo MLP (Multilayer Perceptron) são capazes de classificar padrões de

entrada não linearmente separáveis.

III. Retropropagação (backpropagation) é um algoritmo de aprendizagem supervisionada.

b) Somente as afirmativas II e III são corretas.

III. O processo de treinamento consiste em obter um vetor em um espaço pelo menos m-dimensional. Esse vetor é obtido por meio de um processo de otimização que busca minimizar o erro sobre as instâncias de treino.

A análise permite concluir que

D) apenas a afirmativa III está correta.

Era de assinalar, dados os cromossomos em forma de vetor A=000101001, B=01010101, e C=10010101 e seus filhos

D=001010101 e E=010101011 depois de algum cruzamento e/ou mutação entre algum dos pais. Assinale a resposta correta:

D) Os pais A e C foram cruzados pelo algoritmo bla, bla crossolver com mutação bla bla nos filhos D e E.

a) O que pode acontecer se a taxa de mutação da rede neural for muito alta?

R: Se a taxa de mutação da rede neural for muito alta, a função erro irá crescer muito, assim a busca irá tomar passos muito grandes e, em essência, ficará pulando em busca da solução, que será encontrada uma hora, mas pode não ser a melhor e nem no melhor tempo.

b) O que pode acontecer se a taxa de mutação for zero (0)?

R: Se a taxa de mutação for zero, a taxa de aprendizagem vai ser muito baixa, assim levará muito tempo para encontrar a melhor solução.

Discorra sobre a importância e estratégia para atribuição dos valores dos seguintes parâmetros de um aprendizado backpropagation.

A) O que ocorre se iniciar os pesos com valores aleatórios muito altos?

O parâmetro taxa de aprendizado tem grande influência durante o processo de treinamento da rede neural. Uma taxa de aprendizado muito baixa torna o aprendizado da rede muito lento, ao passo que uma taxa de aprendizado muito alta provoca oscilações no treinamento e impede a convergência do processo de aprendizado.

B) Por que as entradas devem ser normalizadas? Dê um exemplo.

O motivo é que qualquer redimensionamento de um vetor de entrada deve ser efetivamente desfeito alternando os pesos e os vícios correspondentes, deixando-o com exatamente as mesmas saídas de antes. Isso pode deixar o treinamento mais rápido e reduzir as chances de ficar preso em um ótimo local.

C) O que pode acontecer se a taxa de aprendizado for muito alta?

D) Para que usar o termo de momento?

A inclusão do termo momentum tem por objetivo aumentar a velocidade de treinamento da rede neural e reduzir o perigo de instabilidade.