INTELIGÊNCIA COMPUTACIONAL - PROVA

Prévia do material em texto

Página 1/3 
 
 
Disciplina INTELIGÊNCIA COMPUTACIONAL Data ___/___/______ 
Professor 
Discente 
 
AVALIAÇÃO PRESENCIAL 
 
1. O teste de Turing foi criado por Alan Turing como um 
meio de avaliar o sucesso ou não de uma tentativa de 
produzir um computador pensante. Mais 
especificamente, ele era baseado na ideia de que se uma 
pessoa interrogasse o computador e não pudesse dizer 
se este era um humano ou um computador, então, para 
todos os efeitos, conforme Turing, o computador seria 
inteligente. Sobre a aplicação do Teste de Turing é 
CORRETO que: 
a) Este teste consistia em avaliar a inteligência da pessoa, 
onde ela respondia as questões proposta pelo 
computador; 
b) Este teste consistia em avaliar o tanto que um 
computador era inteligente, onde ele respondia as 
questões de um interrogador e ao final era calculado a 
nota obtida. 
c) O interrogador, obrigatoriamente, precisa ser um 
sistema computacional inteligência. 
d) O interrogador tentava se passar com um sistema 
computacional inteligente. 
e) O computador tentava se passar por um humano. 
 
2. Existem inúmeras situações onde podem ser 
utilizado aprendizagem de máquina, dependendo das 
possibilidades é possível utilizar a aprendizagem 
supervisionada ou não supervisionada, bem como qual 
metodologia utilizar. Sobre os possíveis cenários 
existentes, avalie as afirmativas a seguir: 
(...) Em situações onde não há base de dados para 
treinamento é impossível utilizar Redes Neurais 
Artificiais. 
(...) Caso eu não tenha nenhuma base de treinamento, 
mas sei de antemão quais classes eu quero classificar 
eu ainda posso utilizar aprendizado supervisionado. 
(...) Árvores de decisão são exclusivas para 
aprendizado não supervisionado. 
(...) O algoritmo do vizinho mais próximo utiliza uma 
base de treinamento (base de instâncias). 
(...) Aprendizado não supervisionado nunca trazem 
bons resultados, pois não tem como fazer treinamento. 
Ao avaliar as afirmativas anteriores atribuindo F para 
as afirmativas Falsas e V para as afirmativas 
Verdadeiras, a sequência obtida foi: 
a) F – F – F – V – F 
b) F – F – F – V – V 
c) V – F – V – F – V 
d) F – F – V – F – F 
e) V – F – F – V – V 
3. Solução de problemas por meio de busca é um 
importante aspecto da Inteligência Artificial. Um 
problema pode ser considerado como consistindo em 
um objetivo e um conjunto de ações que podem ser 
praticadas para alcançar esse objetivo. Em qualquer 
tempo, consideramos o estado do espaço de busca para 
representar aonde chegamos como um resultado das 
ações aplicadas até então. 
a) Nós escolhemos um estado para iniciar nossa 
busca, esse é nosso estado objetivo 
b) Um espaço de problema também pode ser 
considerado como um espaço de busca. 
c) Ainda que a solução seja encontrada é obrigatório 
percorrer todo estado de busca. 
d) A busca é iniciada pelo estado objetivo. 
e) Não se sabe qual objetivo a ser alcançado antes de 
iniciar a busca. 
 
4. Consideremos a situação em uma financeira de 
empréstimos, que possui uma base de dados de 
milhares de operações já realizadas, vinculando essas 
operações ao perfil destes clientes. Muitas dessas 
operações causaram prejuízos ao banco, pois os clientes 
foram inadimplentes, dessa maneira o banco pretende 
implementar um sistema que busque evitar 
empréstimos a clientes que possam ser inadimplentes a 
partir do perfil deste cliente. Vislumbrando a 
possibilidade de aplicar aprendizado de máquina a este 
sistema, considere as afirmações a seguir: 
(...) É possível utilizar Árvores de Decisão. 
(...) É possível utilizar o algoritmo do vizinho mais 
próximo. 
(...) É possível utilizar Redes Neurais 
(...) É possível utilizar o teorema de Bayes ou algoritmo 
de Naive Bayes. 
 
Página 2/3 
 
Ao avaliar as afirmativas anteriores atribuindo F para 
as afirmativas Falsas e V para as afirmativas 
Verdadeiras, a sequência obtida foi: 
 
a) V – F – V – F 
b) V – V – V – V 
c) V – F – F – V 
d) F – V – F – V 
e) F – V – V – F 
 
5. Redes neurais multicamadas aprendem do mesmo 
jeito que perceptrons simples. a diferença principal é 
que em uma rede multicamada, cada neurônio tem 
pesos associados as suas entradas e há muito mais pesos 
a serem ajustados quando um erro é cometido para um 
fragmentado de dados de treinamento. Obviamente, 
uma questão importante é como atribuir 
responsabilidade (ou crédito) aos diferentes pesos. Um 
método que é comumente usado é o de 
retropropagação. Sobre este método é CORRETO 
afirmar que: 
 
a) Neste processo o gradiente de erro é desconsiderado. 
b) O método de gradiente descendente envolve subir a 
superfície que representa a função de erro pelo caminho 
mais íngreme para tentar achar o maior no espaço de erro. 
c) A retopropagação só acontece uma única vez. 
d) Um método comum usado para melhorar o 
desempenho da retropropagação é incluir momentum na 
fórmula que é usada para modificar os pesos. 
e) A inclusão do valor de momentum tem o benefício de 
fazer com que o método de retropropagação vá em direção 
ao mínimo local. 
 
6. A maioria dos problemas do mundo real não é 
linearmente separável e, embora perceptrons sejam um 
modelo interessante para estudar o modo como os 
neurônios artificiais podem funcionar, é necessária 
alguma coisa com mais capacidade. Assim, as redes 
neuronais artificiais consistem em um número de 
neurônios que são conectados geralmente organizados 
em camadas. As afirmações a seguir discorrem sobre as 
redes neurais artificial multicamadas: 
(...) A primeira camada da rede é chamada de camada 
de entrada. 
(...) As camadas entre a camada de entrada e camada 
de saída é chamada de camada oculta. 
(...) A camada final é a camada de saída. 
(...) Uma rede pode ter uma ou mais camadas ocultas. 
(...) Os nós da camada de entrada, geralmente, não são 
neurônios, mas apenas atuam na passagem dos sinais 
de entrada para os nós da próxima camada. 
 
 Ao avaliar as afirmativas anteriores atribuindo F para 
as afirmativas Falsas e V para as afirmativas 
Verdadeiras, a sequência obtida foi: 
 
a) V – V – V – V – F 
b) V – V – V – F – F 
c) V – F – V – F – F 
d) V – V – V – V – V 
e) V – V – V – F – V 
 
7. O algoritmo do vizinho mais próximo é um exemplo 
de aprendizado baseado em instância. Métodos de 
aprendizado baseados em instância não tentam 
generalizar a partir de dados de treinamento para 
elabora uma hipótese que combine com todos os dados 
de entrada, mas, em vez disso, armazenam os dados de 
treinamento e usam estes dados para determinar uma 
classificação para cada novo fragmento de dados que for 
encontrado. Sobre essa técnica de aprendizado de 
máquina é CORRETO afirmar que: 
 
a) Trata-se de uma forma de aprendizado não 
supervisionado. 
b) Ao contrário do aprendizado de árvore de decisão, o 
algoritmo do vizinho mais próximo tem bom desempenho 
com dados de entrada com ruído. 
c) Sua inovação é não considerar que informações mesmo 
próximas sejam semelhantes. 
d) Os dados de treinamento não são armazenados. 
e) Quando uma nova instância for encontrada, ela só será 
comparada com os vizinhos mais próximos. 
 
8. Uma importante técnica de Aprendizado de Máquina 
são as Árvores de Decisão, implementada por diversos 
algoritmos, é uma técnica bem popular entre os 
profissionais da área. Sobre as árvores de decisão é 
INCORRETO afirmar que: 
a) Trata-se de uma forma de aprendizado supervisionado. 
b) Há uma afirmação INCORRETA entre as demais 
alternativas. 
c) Para usar uma árvore de decisão começamos pela raiz 
e descemos pelas ramificações da árvore. 
d) Uma árvore de decisão utiliza um conjunto de valores 
de atributos e representa uma decisão booleana. 
e) Trata-se de uma forma de aprendizado não – 
supervisionado. 
9. A implementação de Aprendizagem de Máquina 
pode possuir diferentes abordagens de como ocorrerá a 
aprendizagem por parte do algoritmoou técnica 
utilizada, podendo ser aprendizagem supervisionada, 
não supervisionada ou aprendizagem por reforço. As 
Página 3/3 
 
afirmativas a seguir discorrem sobre estas formas de 
aprendizado. 
 
(...)V O aprendizado supervisionado ocorre a partir de 
dados de treinamento pré-classificados. 
(...) F O aprendizado não supervisionado precisa de 
dados de treinamento pré-classificados. 
(...) V O aprendizado não supervisionado não utiliza 
dados de treinamento pré-classificados. 
(...) V Um sistema que use aprendizado com reforço 
receberá um reforço positivo ao operar corretamente e 
um reforço negativo ao operar incorretamente. 
(...) F O aprendizado por reforço também ocorre a 
partir de padrões encontrados em dados de treinamento 
pré-classificados. 
 
Ao avaliar as afirmativas anteriores atribuindo F para 
as afirmativas Falsas e V para as afirmativas 
Verdadeiras, a sequência obtida foi: 
 
a) V – F – V – V – F 
b) F – V – F – F – V 
c) V – V – F – V – F 
d) V – F – V – F – F 
e) F – V – V – V – F 
 
10. Um algoritmo de Busca comumente utilizado é a 
busca em profundidade. Busca em profundidade é assim 
chamada por seguir cada caminho até a sua maior 
profundidade antes de seguir para o próximo caminho. 
Supondo que comecemos pelo lado esquerdo e sigamos 
para o lado direito, a busca em profundidade envolve 
descer pelo caminho mais à esquerda na árvore até a 
char uma folha. Se este for um estado objetivo, a busca 
foi concluída e será relatado sucesso. Se a folha não 
representar um estado objetivo, a busca retrocederá ao 
primeiro nó anterior que tenha um caminho não 
explorado. Considerando as características da busca em 
profundidade é INCORRETO afirmar que: 
 
a) Busca em profundidade utiliza um método chamado de 
retrocesso cronológico. 
b) Há uma afirmação INCORRETA entre as demais 
alternativas. 
c) Busca em profundidade é um exemplo de busca de força 
bruta. 
d) Caso o caminho mais a esquerda possuir muitas 
ramificações, a busca deixa de seguir caminhos mais direita 
da árvore de busca. 
e) Busca em profundidade é um exemplo de busca 
exaustiva.