Alternativa correta: E - Errado

1. Tema central da questão

Esta questão aborda o funcionamento das redes neurais artificiais, especificamente o papel da função de ativação. Esse conceito é fundamental no estudo de deep learning e é muito cobrado em concursos para a área de Banco de Dados e Big Data.

2. Resumo teórico

Uma rede neural artificial é composta por unidades chamadas neurônios, interligadas por conexões que possuem pesos. O peso representa a importância de cada entrada. Já a função de ativação é um mecanismo matemático utilizado para determinar se o neurônio será ativado, ou seja, se sua saída será transmitida aos próximos neurônios. Alguns exemplos comuns de função de ativação são: sigmoid, ReLU e tanh.

Os pesos são parâmetros atualizados durante o treinamento, geralmente pelo método da retropropagação (backpropagation), mas não são responsabilidade da função de ativação.

Fontes: Goodfellow et al., Deep Learning (MIT Press); Ian Witten et al., Data Mining

3. Justificativa da alternativa correta

A afirmação está errada porque a função de ativação não armazena os pesos. Ela apenas processa o valor recebido (soma ponderada das entradas) e aplica uma transformação, como limitar um valor entre 0 e 1. O armazenamento dos pesos é feito na estrutura da própria rede neural, não pela função de ativação.

4. Dicas para interpretação

Quando o enunciado atribui à função de ativação responsabilidades estranhas (armazenar pesos), desconfie. Em questões de concurso, palavras-chave como “armazenar”, “atualizar” e “propagar” geralmente se referem aos pesos ou ao algoritmo de aprendizagem, e não à função de ativação.

Uma pegadinha comum é confundir função de ativação com os parâmetros do modelo.

Resumo: A função de ativação não armazena pesos; ela só aplica uma transformação à soma ponderada das entradas.

Gostou do comentário? Deixe sua avaliação aqui embaixo!

Quanto mais eu estudo sobre IA, parece que menos eu sei

Gabarito E.

Vamos esquematizar isso,em redes neurais, uma informação é gerada através de outras, assim como nos impulsos elétricos do s neurônios.

Nesse processo temos as entradas, ( exemplo ser aprovado, pdoendo ser valore shoras de estudos quantidade de exercicios resolvidos e por ai vai), depois temos os pesos, cada entrada tem um peso, ou seja, uma importância. Exemplo questões resolvidas peso1.

após isso em redes neurais temos o somatório: entradas x pesos= resultando um valor total , que pode conter alguns pequenos problemas devidos aos pesos.

No entanto, um fatos chamador Bias é adicionado para corrigir esses possíveis problemas gerando uma resposta as entradas anteriores ( questões e horas de estudo), ajudando a rede a ser mais assertiva.

Vamos lá, a função ativação diz respeito a transformação do valor do somatório mais o Bias em um valor de saída ( exemplo: ser aprovado na PF ou não ) kkkk,

objetivo dessa bagaça de ( fubnção ativação) é garantir não linearidade, permitindo que a rede sempre aprenda padrões complexos semelhante ao cérebro humano, por isso chama-se rede neural.

A retropropágação não tem nada a ver com isso, ela apenas é uma forma de correção dos pesos , ou seja um neurônio não pasar a informação para frente, caso o peso esteja desajustado.

Gabarito Errado. Eis a explicação dos conceitos:

Função de ativação

• Objetivo: Introduzir não-linearidade na rede
• Função: Determinar se um neurônio deve ser "ativado" ou não
• Localização: Aplicada à saída de cada neurônio
• Exemplos: Sigmoid, ReLU, Tanh, Softmax

Armazenamento dos Pesos

• Responsável: As próprias conexões/sinapses entre neurônios
• Estrutura: Matrizes de pesos (W) e vetores de bias (b)
• Função: Determinar a força da conexão entre neurônios
• Atualização: Durante o treinamento via gradiente descendente

Retropropagação

• Algoritmo de treinamento, não função de ativação
• Objetivo: Calcular gradientes e atualizar pesos
• Processo: Propaga erro da saída para as camadas anteriores
• Usa: Derivadas das funções de ativação, mas não é executada por elas

Fonte: Claude Sonnet 4.1.

Item ERRADO. A função de ativação não armazena pesos. Sua finalidade é aplicar uma transformação matemática (geralmente não linear) ao somatório das entradas ponderadas de um neurônio, determinando se ele será "ativado". Os pesos são armazenados nas conexões entre os neurônios.

Siga-me @rexconcurseiro

Errado!

Função de ativação:

• Determina se o neurônio será ativado ou não, introduzindo não linearidade no modelo.
• Permite que a rede aprenda padrões complexos nos dados.

Armazenamento e atualização dos pesos:

• É feito nas conexões entre os neurônios, mas não é função da ativação.
• O peso é ajustado durante o treinamento através da retropropagação (backpropagation), que utiliza o gradiente do erro.