Acerca de LLM, IA generativa e data science, julgue o item s...

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 amplamente utilizadas para o processamento de dados com estrutura espacial, como imagens. Elas são boas em capturar padrões espaciais devido à sua capacidade de aplicar filtros (ou convoluções) para detectar características como bordas, texturas, etc.

Para dados sequenciais, como séries temporais e texto, as redes neurais recorrentes (RNNs) e suas variantes (como LSTMs e GRUs) são mais adequadas. Isso ocorre porque as RNNs têm a capacidade de capturar dependências temporais ou sequenciais, ou seja, entender a relação entre os elementos ao longo do tempo ou sequência.