ATIVIDADE 3 - CDAC - RECONHECIMENTO DE PADRÕES - 53_2025

ATIVIDADE 3 – CDAC – RECONHECIMENTO DE PADRÕES – 53_2025

QUESTÃO 1

Assim como nas redes neurais biológicas, as RNAs são compostas de unidades de processamento simples, que implementam funções matemáticas, que por sua vez simulam funções desempenhadas por neurônios. Essas unidades podem se conectar a várias outras por conexões que simulam as sinapses, permitindo que as RNAs possam resolver vários problemas complexos. (FACELI et al., 2021).

No que se refere a topologia das redes neurais artificiais, marque a afirmação correta, no que diz respeito a quantidade de camadas e suas funções.

Alternativas

Alternativa 1 – A camada de saída é a que coleta parte dos valores processados pela rede e devolve o resultado final.

Alternativa 2 – Uma rede MLP com algoritmo de aprendizado backpropagation real, possui 3 camadas: entrada, camada oculta e a saída.

Alternativa 3 – Uma rede MLP com algoritmo de aprendizado backpropagation complexo, possui 3 camadas: entrada, camada oculta e a saída.

Alternativa 4 – Uma rede MLP com algoritmo de aprendizado backpropagation real ou complexo, possui 3 camadas básicas: entrada, camada oculta e a saída. Onde na mesma rede posso ter mais de uma camada oculta.

Alternativa 5 – A camada de entrada de uma rede neural é onde são feitas as operações matemáticas que são utilizadas na rede neural, normalmente uma transformação linear seguida de uma função de arredondamento.

QUESTÃO 2

“De acordo com Bishop (1995), o método estatístico é a forma mais completa e natural de formular soluções para o reconhecimento de padrões, pois é possível identificar a natureza estatística tanto da informação que se quer representar quanto dos resultados que devem ser expressos. Essa abordagem clássica, baseada em modelos probabilísticos, também pode ser denominada por ‘Teoria da Decisão’, […]”.

Além do método estatístico e de outros, existe o método neural, bastante utilizado no reconhecimento de padrões.

Fonte: COSTA, J. L. da. Reconhecimento de Padrão. Maringá: UniCesumar, 2021. p. 30.

Considerando o exposto, avalie as asserções a seguir e a relação proposta entre elas:

I. As Redes Neurais Artificiais (RNA) constituem um campo de pesquisa que aplica o método neural e tem por preocupação lidar com tarefas como o reconhecimento de padrões, a previsão e a tomada de decisões mediante o uso de redes de unidades conectadas, treinadas por algoritmos que funcionam com base em amostras do mundo real e podem, assim, aprender e classificar padrões.

PORQUE

II. Esse sistema tem como alusão o sistema cerebral, que possui células neuronais conectadas que dão ao conjunto todo a capacidade de aprendizagem e evolução constante.

Assinale a alternativa correta:

Alternativas

Alternativa 1 – As asserções I e II são proposições falsas.

Alternativa 2 – A asserção I é uma proposição verdadeira, e a II é uma proposição falsa.

Alternativa 3 – A asserção I é uma proposição falsa, e a II é uma proposição verdadeira.

Alternativa 4 – As asserções I e II são proposições verdadeiras, e a II é uma justificativa correta da I.

Alternativa 5 – As asserções I e II são proposições verdadeiras, mas a II não é uma justificativa correta da I.

QUESTÃO 3

A Inteligência Artificial pode ser definida como a técnica que prepara uma máquina para imitar a inteligência humana, englobando a Aprendizagem de Máquina (Machine Learning) e a Aprendizagem Profunda (Deep Learning), as quais mostram às máquinas como elas devem aprender a classificar dados.

COSTA, J. L. Reconhecimento de Padrão. Maringá–PR: UniCesumar, 2021.

Um estudante de ciência de dados está interessado em entender as diferenças entre Aprendizagem de Máquina (Machine Learning) e Aprendizagem Profunda (Deep Learning). Considerando os conceitos fundamentais desses dois campos, assinale a alternativa correta.

Alternativas

Alternativa 1 – Na Aprendizagem de Máquina, os modelos são construídos usando nenhuma camada de neurônios, enquanto na Aprendizagem Profunda, múltiplas camadas de neurônios são empilhadas para formar redes mais complexas.

Alternativa 2 – A Aprendizagem de Máquina é mais adequada para lidar com conjuntos de dados pequenos e estruturados, enquanto a Aprendizagem Profunda é especialmente eficaz em lidar com pequenos volumes de dados não estruturados, como imagens, áudio e texto.

Alternativa 3 – Enquanto a Aprendizagem de Máquina tradicionalmente depende de técnicas de extração de características manuais para representar os dados, a Aprendizagem Profunda é capaz de aprender automaticamente essas características diretamente dos dados brutos.

Alternativa 4 – A Aprendizagem Profunda é um subcampo da Aprendizagem de Máquina que se concentra no treinamento de modelos usando algoritmos de redes neurais convolucionais (CNNs) para tarefas específicas, como reconhecimento de imagens e processamento de linguagem natural.

Alternativa 5 – A Aprendizagem de Máquina é uma subcategoria da Aprendizagem Profunda, onde algoritmos simples são usados para treinar modelos em dados não estruturados, enquanto na Aprendizagem Profunda são utilizadas técnicas mais avançadas para extrair características complexas dos dados.

QUESTÃO 4

“De acordo com o Dicionário Michaelis (2021), dentre outras definições, inferência pode ser definida como uma operação por meio da qual se chega a um resultado ou se faz um raciocínio lógico com base em evidências circunstanciais e em conclusões já tidas como seguras, e não com base na observação direta”. Na aplicação de reconhecimento de padrões, sistemas mais confiáveis de classificação buscam características dentro de um conjunto de padrões já classificados realizando inferências capazes de melhorar o aprendizado do modelo utilizado. Referente ao aprendizado, podemos observar três modelos de inferência: aprendizado analítico, aprendizado sintético e aprendizado por analogia.

Fonte: COSTA, J. L. da. Reconhecimento de Padrão. Maringá: UniCesumar, 2021. p. 22.

Sobre o modelo de inferência por aprendizado sintético, classifique V para as afirmativas verdadeiras e F para as falsas:

( ) São realizados raciocínios indutivos. Utiliza a generalização sobre exemplos fornecidos.

( ) É o mais utilizado em reconhecimento de padrões.

( ) Se a conclusão for verdadeira, todas as premissas também serão verdadeiras.

Assinale a alternativa que apresenta a sequência correta:

Alternativas

Alternativa 1 – V, F, V.

Alternativa 2 – F, F, V.

Alternativa 3 – V, F, F.

Alternativa 4 – V, V, F.

Alternativa 5 – F, F, F.

QUESTÃO 5

Sistemas de análise preditiva são cada vez mais utilizados em instituições de ensino para prever comportamentos como evasão ou faltas. Esses modelos utilizam atributos históricos e contextuais para estimar a probabilidade de um aluno faltar a uma aula, com base em dados anteriores.

Uma das premissas centrais desses modelos é a identificação de padrões recorrentes, ou seja, o histórico de comportamento tende a se repetir. A combinação de fatores ambientais (como clima) com fatores comportamentais (como histórico de faltas) permite ao sistema tomar decisões mais precisas.

Você está desenvolvendo um modelo de previsão de faltas de alunos, com os seguintes atributos:

Distância da casa até a faculdade (curta, média, longa)

Clima do dia (ensolarado, chuvoso)

Histórico de faltas (baixo, médio, alto)

Fonte: COSTA, J. L. da. Reconhecimento de Padrões. Florianópolis: UniCesumar, 2024.

Com base no texto apresentado, qual desses atributos provavelmente tem mais peso na previsão de faltas e por quê?

Alternativas

Alternativa 1 – Todos os atributos têm exatamente o mesmo peso em qualquer modelo preditivo.

Alternativa 2 – Nenhum dos atributos é relevante, pois a previsão depende apenas da motivação pessoal.

Alternativa 3 – O clima do dia, pois um dia chuvoso pode afetar diretamente a locomoção e aumentar a ausência.

Alternativa 4 – A distância até a faculdade, pois estudantes que moram longe têm mais dificuldade para comparecer.

Alternativa 5 – O histórico de faltas, pois representa o padrão de comportamento passado e é o fator mais consistente.

QUESTÃO 6

Sistemas automatizados de apoio à decisão podem ser usados em contextos educacionais para classificar alunos com base em seu desempenho e engajamento. Um exemplo disso é o uso de árvores de decisão, que seguem uma lógica condicional (estrutura “se… então…”) construída a partir de padrões históricos.

Uma escola desenvolveu uma árvore de decisão para recomendar reforço escolar em matemática com base em três critérios:

Nota da prova: Alta ou Baixa

Participação nas aulas: Sim ou Não

Entrega de atividades: Todas, Parcial ou Nenhuma

SE Nota = Baixa

SE Participação = Não

Reforço = Sim

SE Participação = Sim

SE Entrega = Nenhuma

Reforço = Sim

SENÃO

Reforço = Não

SE Nota = Alta

Reforço = Não

Um aluno apresentou os seguintes dados:

Nota da prova: Baixa

Participação nas aulas: Sim

Entregou: Parcial das atividades

Fonte: BARBOSA, G. M.; BONAT, H. W. Árvore de decisão aplicado à evasão escolar. 2022. Trabalho de Conclusão de Curso (Especialização em Data Science e Big Data) — Universidade Federal do Paraná, Curitiba, 2022.

Com base no cenário e no texto apresentado, segundo a lógica da árvore de decisão construída pela escola, esse aluno será classificado como necessitando de reforço?

Alternativas

Alternativa 1 – Sim, pois a nota baixa por si só justifica o reforço.

Alternativa 2 – Não, pois ele entregou parte das atividades, o que compensa a falta de participação.

Alternativa 3 – Não é possível decidir sem saber se a entrega parcial equivale à maioria das atividades.

Alternativa 4 – Sim, porque a participação não é suficiente se as atividades não foram totalmente entregues.

Alternativa 5 – Não, pois mesmo com nota baixa, o aluno participou das aulas e entregou parte das atividades.

QUESTÃO 7

Sistemas computacionais são capazes de analisar imagens digitais e extrair informações relevantes. Esses sistemas estão por trás de tecnologias como detecção facial, reconhecimento de placas de veículos, classificação de objetos e análise médica por imagem.

Um passo essencial nesse processo é a extração de características — etapa que transforma dados brutos (como valores de pixels) em informações úteis para os algoritmos de reconhecimento de padrões. Essa transformação é necessária porque os dados visuais originais são complexos e de difícil interpretação direta pelos modelos computacionais.

Com base no texto apresentado, qual o papel da extração de características em um sistema de visão computacional, e por que ela é importante para o reconhecimento de padrões?

Alternativas

Alternativa 1 – A extração de características impede que sistemas reconheçam padrões, pois remove detalhes das imagens.

Alternativa 2 – A extração de características é usada apenas na fase final do reconhecimento de padrões, após a tomada de decisão.

Alternativa 3 – Esse processo é desnecessário em visão computacional moderna, pois os sistemas utilizam apenas dados de entrada brutos.

Alternativa 4 – A extração de características serve apenas para reduzir o tamanho da imagem e acelerar o carregamento, sem interferir no reconhecimento.

Alternativa 5 – A extração de características transforma informações visuais brutas (como pixels) em atributos significativos, como bordas, formas, cores e texturas. Esses atributos ajudam o sistema a comparar imagens e identificar padrões, tornando o reconhecimento mais preciso e eficiente.

QUESTÃO 8

Um sistema de reconhecimento facial está sendo desenvolvido para melhorar a segurança em aeroportos, considerando as diversas abordagens e desafios associados ao reconhecimento facial.

Fonte: Elaborado pelo professor, 2024.

Diante disso, considere as seguintes proposições:

I. O reconhecimento facial baseado em características faciais é mais suscetível a variações de iluminação e ângulo de visão.

II. Algoritmos dedicados a essa tarefa passam por um treinamento extensivo para alcançarem um resultado satisfatório.

III. A análise de expressões faciais pode ser utilizada para detectar emoções e ajudar na identificação de comportamentos suspeitos.

IV. O reconhecimento baseado em DNA facial é atualmente a técnica mais precisa e rápida para identificar indivíduos em grandes multidões.

É correto o que se afirma em:

Alternativas

Alternativa 1 – I e III, apenas.

Alternativa 2 – II e IV, apenas.

Alternativa 3 – III e IV, apenas.

Alternativa 4 – I, II e III, apenas.

Alternativa 5 – I, II, III e IV.

QUESTÃO 9

Modelos de classificação supervisionada são amplamente utilizados na área da saúde para prever condições clínicas com base em sintomas observados. Esses sistemas são treinados com registros rotulados (por exemplo, pacientes diagnosticados com ou sem febre) e aprendem a identificar padrões recorrentes que indicam determinada condição.

Cenário:

Um modelo foi treinado para classificar pacientes com febre, considerando os seguintes atributos:

Temperatura corporal

Cor da pele

Dor de cabeça

Paciente Z apresenta:

Temperatura = 38,9 ºC

Cor da pele = avermelhada

Dor de cabeça = sim

Fonte: COSTA, J. L. da. Reconhecimento de Padrões. Florianópolis: UniCesumar, 2024.

Com base no texto apresentado e no raciocínio de reconhecimento de padrões, como esse paciente provavelmente seria classificado pelo modelo?

Alternativas

Alternativa 1 – O modelo não consegue classificar esse paciente, pois não foi informado o batimento cardíaco.

Alternativa 2 – O modelo classificaria como sem febre, pois temperatura corporal sozinha não determina o quadro.

Alternativa 3 – O paciente não seria classificado como com febre, pois a cor da pele não é suficiente para essa decisão.

Alternativa 4 – O sistema classificaria o paciente como saudável, pois dor de cabeça pode estar relacionada a outras causas.

Alternativa 5 – O paciente seria classificado como com febre, pois os três sintomas coincidem com padrões previamente aprendidos para essa condição.

QUESTÃO 10

Uma empresa de marketing online deseja analisar a relação entre o investimento em anúncios em mídias sociais (variável independente) e o número de conversões em vendas (variável dependente). Com isso, analisaram-se alguns tipos de regressão para essa análise,

Fonte: Elaborado pelo professor, 2024.

Dado o contexto, qual tipo de regressão seria mais adequado para essa análise, considerando que a conversão em venda é um evento binário (sim ou não)?

Alternativas

Alternativa 1 – Regressão linear simples, pois a variável dependente é numérica.

Alternativa 2 – Regressão logística, pois a variável dependente é categórica binária.

Alternativa 3 – Regressão robusta, pois o modelo linear pode ser sensível a outliers.

Alternativa 4 – Regressão linear múltipla, pois há mais de uma variável independente.

Alternativa 5 – Análise de variância (ANOVA), para comparar o efeito do investimento em diferentes grupos de anúncios.

Nossa equipe é composta por profissionais especializados em diversas áreas, o que nos permite oferecer uma assessoria completa na elaboração de uma ampla variedade de atividades. Estamos empenhados em garantir a autenticidade e originalidade de todos os trabalhos que realizamos.

Ficaríamos muito satisfeitos em poder ajudar você. Entre em contato conosco para solicitar o seu serviço.

(11) 91467-6527 colaborareducacional.com.br

Aponte o celular para abrir o WhatsApp

ou clique aqui

ATIVIDADE 3 – CDAC – RECONHECIMENTO DE PADRÕES – 53_2025

ATIVIDADE 3 – CDAC – RECONHECIMENTO DE PADRÕES – 53_2025

Entrar

Cadastre-se