Em relação ao aprendizado supervisionado aplicado a problemas de regressão linear, julgue os itens que se seguem.  
Na regressão linear por meio de aprendizado supervisionado com o emprego da técnica denominada stochastic gradient descent, em cada iteração do processo de minimização da função custo, todas as amostras do conjunto de treinamento são utilizadas no ajuste do modelo a ser determinado. 

Em relação ao aprendizado supervisionado aplicado a problemas de regressão linear, julgue os itens que se seguem. 
A técnica denominada gradient descent é aplicável à minimização da função custo no processo de aprendizado supervisionado para regressão linear; nela se determina, a cada iteração do processo de aprendizado, uma aproximação de segunda ordem da função custo, por meio de uma expansão de Taylor, necessitando-se, assim, da determinação numérica do jacobiano da função custo, calculado com base nos parâmetros do modelo a ser ajustado.  

Acerca de autoencoders, julgue os próximos itens.

Quanto menor for a dimensão do espaço de representação latente de um autoencoder, maior será a sua capacidade de regenerar a informação da entrada em sua saída.  

Acerca de autoencoders, julgue os próximos itens. 

Em uma rede autoencoder, o elemento encoder tem por finalidade representar dados de entrada da rede em um espaço de representação latente, enquanto o elemento decoder busca reconstruir os dados originais de entrada, a partir desse espaço de representação latente. 

Julgue os itens subsequentes, a respeito de regressão logística. 

O algoritmo de minimização da função custo do processo de aprendizado supervisionado aplicado à regressão logística com a hipótese do modelo definida a partir da função sigmoide não é imune ao overfitting, que pode ser mitigado por meio de técnica de regularização. 

Julgue os itens subsequentes, a respeito de regressão logística. 

Na regressão logística por meio de aprendizado supervisionado, o emprego de função custo do tipo erro quadrático médio busca transformar a regressão em um problema convexo, para o qual algoritmos embasados em gradiente possuem a vantagem de garantir convergência quase-quadrática, o que acelera o processo de aprendizado.

No que se refere a redes neurais, julgue os itens a seguir. 

A arquitetura de uma rede neural pode ser construída para a resolução de problema de regressão logística com múltiplas classes, ajustando-se, entre outros elementos dessa arquitetura, a camada de saída da rede neural com quantidade de nós igual à quantidade de classes do problema.  

No que se refere a redes neurais, julgue os itens a seguir.  

Em uma rede neural com múltiplas camadas, a inserção do nó denominado bias visa garantir a regularização da rede. 

Julgue os seguintes itens, a respeito de validação e avaliação de modelos de aprendizagem.

Quanto mais a área sob a curva denominada ROC (receiver operating characteristic) se aproxima de 1, melhor é o desempenho de um modelo de aprendizagem para classificação.  

Julgue os seguintes itens, a respeito de validação e avaliação de modelos de aprendizagem. 

A métrica de desempenho denominada acurácia aplicada a um modelo de aprendizagem para a classificação de múltiplas classes tem capacidade de avaliar o desempenho da rede para cada classe tratada de forma individualizada, além de ser capaz de apontar se há equilíbrio nas quantidades de verdadeiros positivos e verdadeiros negativos, para cada uma dessas classes. 

Julgue os seguintes itens, a respeito de validação e avaliação de modelos de aprendizagem. 

Se a medida de desempenho denominada precisão aplicada a um modelo de aprendizagem é baixa, deve-se desconfiar quando uma amostra for classificada como positiva, para evitar prejuízos decorrentes de erro na classificação realizada pelo modelo.  

Julgue os itens subsecutivos, em relação às redes neurais denominadas CNN, RNN e LSTM.  
Vanishing gradient e exploding gradient são duas condições que podem ser encontradas em redes RNN; o emprego de célula de memória busca mitigar a ocorrência dessas condições em redes LSTM.

Julgue os itens subsecutivos, em relação às redes neurais denominadas CNN, RNN e LSTM. 
Em uma rede CNN, a dimensão do mapa de ativação em determinada camada depende, entre outros hiperparâmetros da rede, dos parâmetros denominados stride e dilation; uma rede CNN pode possuir diversas camadas convolucionais, e cada uma dessas camadas pode ser formada por diversos mapas de ativação.  

Julgue os itens subsecutivos, em relação às redes neurais denominadas CNN, RNN e LSTM. 
Entre duas camadas convolucionais de uma CNN, a aplicação de pooling permite aumentar a dimensionalidade da rede e controlar o overfitting.  

Considerando as técnicas de modulação analógicas e digitais, julgue os itens subsequentes. 

Na modulação FSK, quando a informação estiver no nível lógico 1, será transmitida a frequência cossenoidal da portadora; quando estiver no nível lógico 0, será transmitido um sinal de amplitude zero.  

Considerando as técnicas de modulação analógicas e digitais, julgue os itens subsequentes.  
Na modulação PSK, o erro de um símbolo ocorre devido a uma alteração na fase ou na amplitude dos fasores pertencentes à modulação. 

Considerando as técnicas de modulação analógicas e digitais, julgue os itens subsequentes.  
O demodulador 64 QAM utiliza detecção coerente.  

Considerando as técnicas de modulação analógicas e digitais, julgue os itens subsequentes. 

Uma das desvantagens da modulação AM-VSB é a perda de energia devido à transmissão da portadora. 

Considerando as técnicas de modulação analógicas e digitais, julgue os itens subsequentes. 

Na demodulação de sinais FM, o detector de inclinação transforma o sinal FM em um sinal AM.  

Julgue os itens subsecutivos, que versam acerca de sistemas de comunicação. 

Um repetidor regenerativo deve corrigir as distorções geradas pelo canal de comunicação por meio de um equalizador.