Questões por Cursos Rateio

Questão 232013 · 58ª da prova

FGV 2026 – DATAPREV – Analista de Tecnologia da Informação: Inteligencia Artificial

Banca
FGV
Órgão
DATAPREV
Ano
2026
Cargo
Analista de Tecnologia da Informação
Matéria
Engenharia de Software
Assunto
Inteligencia Artificial
Uma equipe de Ciência de Dados construiu uma rede neural profunda para prever a taxa de cancelamento de clientes em uma grande plataforma. Durante a fase de validação, os engenheiros notaram que o modelo apresentava uma acurácia próxima de 99% no conjunto de dados de treino, mas o desempenho despencava para 62% no conjunto de testes. Para combater esse problema de sobreajuste, a liderança técnica solicitou a aplicação de técnicas de regularização baseadas na penalização da função de perda por meio de normas (L1 e L2), visando melhorar a capacidade de generalização do modelo e limitar o crescimento excessivo dos pesos.
Considerando o comportamento e o impacto teórico das penalizações pela norma L1 (Lasso) e pela norma L2 (Decaimento de Pesos) nas redes neurais artificiais, assinale a afirmativa correta.
  1. A
    A regularização L1 adiciona a soma dos quadrados dos pesos à função de perda, o que reduz os pesos de forma suave e contínua, enquanto a regularização L2 adiciona a soma dos valores absolutos, forçando muitos coeficientes a zerarem exatamente e gerando modelos mais esparsos.
  2. B
    O principal objetivo da norma L1 é eliminar o problema do desaparecimento do gradiente, enquanto a norma L2 é aplicada exclusivamente na camada de entrada para ignorar outliers do conjunto de dados de teste.
  3. C
    A regularização L2 penaliza o quadrado da magnitude dos pesos, empurrando os coeficientes em direção a zero sem zerá-los completamente; já a regularização L1 penaliza o valor absoluto dos pesos, o que pode zerar parâmetros irrelevantes e atuar como um mecanismo automático de seleção de recursos.
  4. D
    Ambas as regularizações (L1 e L2) alteram a função de ativação das camadas ocultas para funções lineares, garantindo que o erro da rede diminua tanto no treino quanto no teste sem afetar o valor dos pesos conectados.
  5. E
    Ao aplicar a norma L2, a rede neural gera um modelo com matrizes de pesos esparsas (com muitos valores nulos), o que torna a inferência mais rápida na nuvem, enquanto a norma L1 apenas distribui os pesos igualmente entre todos os neurônios da rede.

Entre com a sua conta do Cursos Rateio. No plano Grátis são 10 questões por dia, sem pagar nada.

Mais questões de Inteligencia Artificial

Estude com milhares de questões de concurso

Filtre por banca, órgão, cargo e assunto, monte cadernos e simulados e acompanhe o seu desempenho.

Conhecer a área de Questões