O Tribunal de Contas avalia o uso de uma rede neural profund...

Próximas questões
Com base no mesmo assunto
Q4279911
Noções de Informática Inteligência Artificial e Automação ,
Ano: 2026 Banca: FGV Órgão: TCE-PE Prova: FGV - 2026 - TCE-PE - Auditor de Controle Externo – Tecnologia da Informação - REAPLICAÇÃO |
Q4279911 Noções de Informática
O Tribunal de Contas avalia o uso de uma rede neural profunda para analisar registros de contratações públicas.
Durante a definição da solução, foram apresentadas as afirmativas a seguir.

I. Em deep learning, o termo “profunda” está relacionado à existência de múltiplas camadas intermediárias de processamento na rede neural.
II. O simples aumento do número de camadas garante que a rede neural profunda sempre apresentará resultado superior, independentemente dos dados e do problema analisado.
III. Uma rede neural profunda pode ser utilizada em uma tarefa de machine learning supervisionado, desde que o treinamento utilize dados com resultados previamente conhecidos.

Está correto o que se afirma em
Alternativas

Gabarito comentado

Confira o gabarito comentado por um dos nossos professores

Gabarito: E

Fundamento decisivo: II afirma que o simples aumento de camadas garante resultado superior em qualquer problema, mas essa melhora não é garantida; portanto, II é falsa. Com I e III verdadeiras, a sequência é verdadeira, falsa, verdadeira, correspondente à alternativa E.

Tema central: Redes profundas e aprendizagem supervisionada
Análise das alternativas
A
Errada
Reconhece corretamente I, mas exclui III. Redes profundas podem ser treinadas com entradas associadas a saídas-alvo conhecidas; portanto, III também é verdadeira.
B
Errada
Seleciona II, que atribui ao simples aumento de camadas uma garantia de superioridade. Há casos em que aumentar a profundidade piora o desempenho, o que basta para invalidar essa garantia universal.
C
Errada
Inclui II, embora mais camadas não garantam desempenho superior, e exclui III, embora o treinamento com entradas e saídas-alvo conhecidas seja uma possibilidade válida para redes profundas.
D
Errada
Inclui a garantia falsa de II e exclui I. A existência de múltiplas camadas intermediárias caracteriza corretamente a profundidade da rede, de modo que I não poderia ser omitida.
E
Certa
A alternativa E reúne duas propriedades compatíveis de uma rede neural profunda. Em I, a profundidade corresponde ao encadeamento de múltiplas camadas intermediárias de processamento. Em III, o uso de exemplos que associam entradas a resultados previamente conhecidos caracteriza o treinamento supervisionado, que pode ser empregado em redes profundas.
Pegadinha da questão
II transforma uma possível melhoria em garantia universal ao usar “garante”, “sempre” e “independentemente dos dados e do problema”. Já III afirma apenas a possibilidade de treinamento supervisionado: os resultados conhecidos são as saídas-alvo dos exemplos de treinamento, não resultados futuros.
Dica para questões semelhantes
  • Separe profundidade da rede de qualidade do desempenho: múltiplas camadas caracterizam a arquitetura, mas não garantem superioridade.
  • Identifique o treinamento supervisionado pela associação entre entradas e saídas-alvo conhecidas, inclusive em redes profundas.
  • Para rejeitar uma garantia universal de melhoria, basta um contraexemplo de piora; isso não permite concluir que aumentar camadas sempre piora o desempenho.

Clique para visualizar este gabarito

Visualize o gabarito desta questão clicando no botão abaixo

Comentários

Veja os comentários dos nossos alunos

Redes profundas são amplamente utilizadas em aprendizado supervisionado. Nesse modelo, o treinamento exige um conjunto de dados rotulados, ou seja, com os resultados previamente conhecidos (alvos/labels), para que a rede possa aprender a mapear as entradas para as saídas corretas.

Fonte: Gemini

Análise das afirmativas:

  • I. Correta: O qualificativo "profunda" (deep) em deep learning refere-se explicitamente à arquitetura da rede neural conter múltiplas camadas ocultas (hidden layers) entre a camada de entrada e a de saída, permitindo a extração de representações de alto nível em diferentes níveis de abstração.
  • II. Incorreta: Adicionar mais camadas não garante um desempenho superior. Um modelo excessivamente profundo pode levar ao overfitting (sobreajuste), ao problema de esvanecimento/explosão do gradiente (vanishing/exploding gradient) e a custos computacionais elevados, podendo até mesmo piorar os resultados caso os dados de treino não sejam suficientes ou adequados.
  • III. Correta: As redes neurais profundas podem ser perfeitamente aplicadas ao aprendizado supervisionado (como em tarefas de classificação ou regressão), desde que o modelo seja treinado com dados rotulados, isto é, que contenham as entradas e os resultados esperados (labels / alvos).

Está correto o que se afirma em I e III, apenas.

A alternativa correta é a E.

Gabarito E

I. Correta: O termo "profunda" (deep) em deep learning refere-se justamente à arquitetura de rede neural que possui múltiplas camadas ocultas (hidden layers) entre a camada de entrada e a de saída, permitindo o aprendizado de abstrações de alto nível.

II. Incorreta: Adicionar mais camadas de forma indiscriminada não garante melhor desempenho. O excesso de camadas pode causar overfitting (superajuste aos dados de treino), vanishing/exploding gradients (desaparecimento ou explosão do gradiente durante o treinamento) e exigir maior volume de dados e capacidade computacional sem trazer ganhos de precisão, dependendo do problema.

III. Correta: Redes neurais profundas são frequentemente aplicadas em aprendizado supervisionado para tarefas de classificação e regressão, utilizando conjuntos de dados onde os rótulos/resultados (labels) são previamente conhecidos durante o processo de treinamento.

Retroceder Nunca Render-se Jamais !

Força e Fé !

Fortuna Audaces Sequitur ! 

Clique para visualizar este comentário

Visualize os comentários desta questão clicando no botão abaixo

Questões de assuntos semelhantes

Provas relacionadas