Sobre aprendizado profundo (Deep Learning), é correto afirmar que
- A)só pode ser aplicado para produzir classificações binárias.
Errada: Deep Learning não se limita a classificações binárias, pois pode ser usado em várias tarefas, inclusive multiclasse, regressão e geração de dados.
- B)consiste em aprendizado de um perceptron de uma camada única.
Errada: um perceptron de camada única é um modelo bem mais simples e não representa o conceito de aprendizado profundo.
- C)é uma família de métodos de aprendizado de máquinas baseado em redes neurais com múltiplas camadas.
Certa: Deep Learning é uma família de métodos de aprendizado de máquina baseada em redes neurais com múltiplas camadas.
- D)não é adequado para visão computacional.
Errada: Deep Learning é muito usado em visão computacional, com grande desempenho em detecção, classificação e segmentação de imagens.
- E)oferece a vantagem de sempre conter poucos parâmetros a ajustar durante o processo de aprendizagem.
Errada: redes profundas normalmente podem ter muitos parâmetros, e não poucos, o que torna o treinamento mais exigente.
Gabarito: C
Aprendizado profundo, ou Deep Learning, é basicamente a versão "turbinada" do aprendizado de máquina: em vez de depender de uma única camada simples, ele usa redes neurais com várias camadas para aprender padrões cada vez mais complexos. Isso permite que o modelo descubra representações automaticamente, sem precisar que você entregue tudo mastigado na mão, como acontece em métodos mais tradicionais. Na prática, o Deep Learning ficou famoso porque resolve bem problemas em que há muita informação e muita complexidade, como reconhecimento de imagens, voz, tradução automática e processamento de linguagem natural. A ideia central é exatamente essa: múltiplas camadas vão refinando a informação até chegar a uma previsão ou decisão. Por isso, a alternativa C está correta: deep learning é uma família de métodos de aprendizado de máquina baseada em redes neurais com múltiplas camadas. Não se trata de um perceptron de uma camada só, nem de algo restrito a classificação binária. Na teoria e na prática, ele é usado em diversas tarefas, inclusive classificação multiclasse, regressão e geração de conteúdo. Vale lembrar ainda que, embora redes profundas possam ter muitos parâmetros, isso não significa que elas sejam "sempre poucas" ou fáceis de ajustar. Em concursos, a FGV costuma cobrar justamente essa noção conceitual: deep learning = profundidade da rede e extração hierárquica de características, especialmente útil em problemas complexos.