O processo de maximização em aprendizado visual frequentemente utiliza transformadas matemáticas, como a Transformada de Fourier, para decompor imagens em frequências. Isso facilita a manipulação de informações específicas da imagem, como bordas e texturas, em diferentes escalas. Com relação a este contexto e sobre o conteúdo estudado, analise as asserções a seguir e a relação proposta entre elas. I. Um gráfico de dispersão pode ser utilizado para mostrar a frequência de compras em um conjunto de testes em aprendizado de máquinas. PORQUE II. Um gráfico de dispersão é ideal para exibir distribuições unidimensionais de frequência, como um histograma. A respeito dessas asserções, assinale a alternativa correta. Questão 1Resposta A. As asserções I e II são proposições verdadeiras, e a II é uma justificativa da I. B. A asserção I é uma proposição falsa, e a II é uma proposição verdadeira. C. As asserções I e II são falsas. D. As asserções I e II são proposições verdadeiras, mas a II não é uma justificativa da I. E. A asserção I é uma proposição verdadeira, e a II é uma proposição falsa. Questão 2 Ainda não respondida Vale 1,25 ponto(s). Marcar questão Texto da questão Leia o trecho a seguir: A maximização de imagens requer a definição de um espaço de características, onde cada imagem é representada por vetores que capturam suas propriedades essenciais. Modelos computacionais utilizam operações matemáticas, como transformações lineares, para mapear as características iniciais para representações mais úteis. Dessa forma, a Máquina de Vetores de Suporte (SVM) busca encontrar um(a) [preencher 1] que separa as classes de dados com a maior [preencher 2]. Os termos [preencher 1] e [preencher 2] são corretamente substituídos por: Questão 2Resposta A. 1 - vetor; 2 - precisão B. 1 - hiperplano; 2 - margem C. 1 - reta; 2 - distância mínima D. 1 - linha; 2 - dispersão E. 1 - curva; 2 - densidade Questão 3 Ainda não respondida Vale 1,25 ponto(s). Marcar questão Texto da questão No aprendizado baseado em maximização, o objetivo é ajustar os parâmetros de uma rede neural para maximizar a qualidade das imagens reconstruídas. Para isso, utiliza-se o cálculo do gradiente das funções de perda, propagando os erros de reconstrução no sentido inverso. Esse processo depende de técnicas como backpropagation, fundamentadas no cálculo multivariado. Neste sentido, recordando a teoria de aprendizado estatístico, é correto afirmar o seu principal objetivo principal é: Questão 3Resposta A. minimizar o número de camadas em redes neurais profundas. B. ajustar o modelo perfeitamente aos dados de treinamento. C. garantir que o modelo aprenda a generalizar para dados desconhecidos. D. selecionar o algoritmo com menor tempo de execução. E. determinar a solução ótima para todos os tipos de problemas. Questão 4 Ainda não respondida Vale 1,25 ponto(s). Marcar questão Texto da questão A análise estatística é fundamental no aprendizado baseado em maximização de imagens, sendo empregada para estimar distribuições de pixels em um conjunto de dados. Os métodos como máxima verossimilhança ou MAP (Máxima a Posteriori) são usados para ajustar parâmetros de modelos probabilísticos. Com relação a este contexto e sobre o conteúdo estudado, examine as asserções a seguir e a relação proposta entre elas. I. Os SVMs não lineares podem separar dados que não são linearmente separáveis no espaço original. PORQUE II. Os SVMs não lineares utilizam múltiplos hiperplanos no espaço original para criar regiões de decisão complexas. A respeito dessas asserções, assinale a alternativa correta. Questão 4Resposta A. As asserções I e II são proposições verdadeiras, e a II é uma justificativa da I. B. As asserções I e II são proposições verdadeiras, mas a II não é uma justificativa da I. C. A asserção I é uma proposição falsa, e a II é uma proposição verdadeira. D. A asserção I é uma proposição verdadeira, e a II é uma proposição falsa. E. As asserções I e II são falsas. Questão 5 Ainda não respondida Vale 1,25 ponto(s). Marcar questão Texto da questão Aprendizado baseado em maximização de imagens utiliza funções de otimização para ajustar os parâmetros de um modelo, a fim de maximizar a similaridade entre uma imagem reconstruída e a original. Essa técnica é frequentemente aplicada em tarefas como compressão e reconstrução de imagens, envolvendo o uso de gradientes para encontrar valores ótimos. De acordo com o apresentado, sobre o aprendizado de máquina, assinale a alternativa que reconhece quais são os métodos de maximização de margens que são frequentemente associados a qual conceito principal. Questão 5Resposta A. Support Vector Machines (SVM), que separa as diferentes classes em um espaço de características, maximizando a margem. B. Regressão linear, que modela a relação entre variáveis independentes e dependentes em maximização de margens. C. Árvores de decisão, que criam divisões hierárquicas para classificar os dados para melhorar a maximização de margens. D. Redes neurais convolucionais, que são uma classe de modelos de aprendizado profundo para a maximização de margens. E. Clustering K-Means, que divide os dados em k clusters baseados na similaridade e maximizando a margem. Questão 6 Ainda não respondida Vale 1,25 ponto(s). Marcar questão Texto da questão A teoria de otimização aplicada à maximização de imagens utiliza algoritmos como Gradiente Descendente Estocástico (SGD) para encontrar mínimos locais ou globais. Esses algoritmos ajustam iterativamente os parâmetros de um modelo para reduzir a diferença entre a saída gerada e a imagem real. Neste sentido, analisando os diferentes tipos de SVMs utilizados em aprendizado de máquinas, assinale a alternativa correta. Questão 6Resposta A. SVMs para classificação utilizam uma função kernel apenas quando os dados não são linearmente separáveis no espaço original. B. SVMs com margens suaves são indicadas para dados linearmente separáveis e não utilizam parâmetros de regularização. C. SVMs com margens rígidas e suaves utilizam exclusivamente funções kernel não lineares para encontrar o hiperplano ótimo. D. SVMs para regressão utilizam o conceito de margem, mas introduzem uma faixa de tolerância chamada estilo mostrar ϵ, que define uma região de erro aceitável. E. SVMs com margens rígidas permitem erros de classificação para maximizar a margem entre as classes. Questão 7 Ainda não respondida Vale 1,25 ponto(s). Marcar questão Texto da questão O aprendizado por maximização em imagens frequentemente emprega redes generativas para criar novas representações visuais. Essas redes otimizam funções de custo para maximizar a verossimilhança de um conjunto de treinamento. Considerando este contexto, interprete e associe os conceitos às descrições correspondentes sobre Support Vector Machines (SVMs) com Margens Rígidas: Conceitos Descrição I. Exigência de separabilidade linear a. Têm como característica exigir que os dados de treinamento sejam linearmente separáveis. II. Permissão de erros de classificação b. Não permitem pequenos erros de classificação nos dados de treinamento para evitar overfitting. III. Maximização da margem entre classes c. Buscam maximizar a margem entre as classes quando a função de perda é desconsiderada. Assinale a alternativa que apresenta a associação correta. Questão 7Resposta A. I-A; II-C; II-B. B. I-B; II-A; III-C. C. I-B; II-C; III-A. D. I-C; II-A; III-B. E. I-A; II-B; III-C. Questão 8 Ainda não respondida Vale 1,25 ponto(s). Marcar questão Texto da questão Em fundamentos matemáticos, a maximização de imagens depende do uso de convoluções para capturar padrões locais em dados visuais. A aplicação de kernels convolucionais é modelada por operações de multiplicação e soma de matrizes, permitindo a extração de recursos essenciais. Diante do apresentado sobre separador de margem máxima, compreenda as afirmativas a seguir: I. O separador de margem máxima é sensível a outliers, pois tenta maximizar a distância entre os pontos de suporte e o hiperplano. II. O objetivo do separador de margem máxima é minimizar o número de pontos classificados incorretamente no conjunto de dados de treinamento. III. O separador de margem máxima garante a generalização ideal, mesmo em conjuntos de dados com ruído significativo. É correto o que se afirma em: Questão 8Resposta A. I, II e III. B. III, apenas. C. I e II, apenas. D. I, apenas. E. II e III, apenas.