Para responder corretamente a esta questão, precisamos entender qual é a aplicação mais adequada das redes neurais convolucionais (CNNs) em relação ao processamento de dados.

Tema central da questão: A questão aborda o uso de redes neurais convolucionais em relação ao processamento de dados sequenciais, como séries temporais e texto.

Resumo teórico: Redes neurais convolucionais (CNNs) são especialmente projetadas para trabalhar com dados que possuem uma estrutura espacial, como imagens. Elas são extremamente eficazes em capturar padrões através de camadas de convolução e pooling. No entanto, para dados sequenciais como séries temporais ou texto, modelos como as Redes Neurais Recorrentes (RNNs) e, mais recentemente, os modelos de Transformers são mais adequados. Esses modelos são projetados para lidar com dependências e relações ao longo de sequências de dados. Isso porque eles são capazes de "lembrar" informações de estágios anteriores e utilizá-las para processamento futuro.

Fonte relevante: De acordo com o livro "Deep Learning" de Ian Goodfellow, Yoshua Bengio e Aaron Courville, além de diversos artigos científicos, as CNNs são preferencialmente utilizadas para processamento de imagens, enquanto RNNs e Transformers são mais adequados para dados sequenciais.

Justificativa da alternativa correta: A questão está marcada como Errada porque redes neurais convolucionais não são a escolha ideal para dados sequenciais. Elas são projetadas para capturar padrões espaciais, não sequenciais. Para dados que dependem de um contexto ao longo da sequência (como texto ou séries temporais), outros tipos de redes neurais são mais eficazes.

Análise das alternativas incorretas: A alternativa "Certo" estaria incorreta porque afirmaria que as CNNs são adequadas para dados sequenciais, o que contradiz o uso comum de CNNs conforme explicado anteriormente.

Com esses conceitos claros, você estará melhor preparado para identificar a aplicação correta de cada tipo de modelo de rede neural em questões de concursos. Pratique reconhecer que tipo de dados está sendo discutido e qual modelo é mais apropriado para processamento.

Gostou do comentário? Deixe sua avaliação aqui embaixo!

Gabarito: Errado

As redes neurais convolucionais (Convolutional neural network ou CNNs) são um subconjunto do aprendizado de máquina utilizadas com mais frequência para tarefas de classificação e visão computacional.

As redes neurais convolucionais oferecem uma abordagem mais dimensionável para tarefas de classificação de imagens e reconhecimento de objetos.

Fonte: https://www.ibm.com/br-pt/think/topics/convolutional-neural-networks

Esse é o conceito de Redes Neurais Recorrentes (RNNs)

Lembre-se:

Redes Neurais Recorrentes (RNNs) ---> Dados sequenciais e séries temporais.

Redes Neurais Convolucionais (CNNs) ---> Padrões espaciais, classificação, detecção e segmentação de imagens.

Redes Neurais Convolucionais (CNN)

• Convolução, operação matemática que combina dois conjuntos de informações (uma matriz de entrada e um filtro/kernel)
• A convolução desliza o filtro sobre a imagem, realizando multiplicações ponto a ponto entre os valores do filtro e os valores da imagem, o resultado disso é o feature map (mapa de características) -> pode ser observado um exemplo no google imagens "cnn feature map boot example"

Arquitetura típica de CNN

• Camada de Convolução (aplica filtros sobre a imagem)
• Camada de Ativação - ReLU - (introduz não-linearidade) -> aprendizado complexo de curvas, cantos e padrões complexos
• Camada de Pooling (subamostragem, reduz dimensão)
• Camada Fully Connected (classificação final)
• Softmax (retorna probabilidades por classe)

O item está errado.

As redes neurais convolucionais (CNNs) são projetadas principalmente para processamento de dados com estrutura espacial, como imagens. Elas são eficazes para detectar padrões locais por meio de filtros (ou kernels) aplicados em regiões específicas dos dados.

Embora existam adaptações das CNNs para trabalhar com dados sequenciais (como texto ou séries temporais), essas tarefas são mais comumente e efetivamente tratadas por redes neurais recorrentes (RNNs), como LSTM (Long Short-Term Memory) e GRU (Gated Recurrent Units), ou, mais recentemente, por transformers, que são a base de modelos como os LLMs (Large Language Models).

CNN remete ao jornal -> jornal -> imagens/vídeos