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 !