Inteligência Artificial

Prof. Dr. Willian P. Amorim

Lista de Exercícios

1. Defina o que é uma Rede Neural.

2. Quais os elementos fundamentais de uma Rede Neural? Ilustre e exemplifique.
3. O Perceptron é um classificador linear, justifique.
4. Que fato ocorreu para que as redes neurais passassem tanto tempo adormecidas,
com pouquíssimas pesquisas na área? Que fato ocorreu para que no início dos
anos 80, as pesquisas na área voltassem a serem feitas?
5. O que é um problema linearmente separável?
6. Quais são os parâmetros da arquitetura de uma RNA?
7. Explique o processo de aprendizado do perceptron.
8. Um neurônio recebe 4 entradas cujos valores são iguais a x 1=10, x2=-20, x3=4 e
x4=-2. Os respectivos pesos sinápticos são 0,8, 0,2, -1,0 e -0,9. Calcule a saída do
neurônio para as seguintes situações:
a. o neurônio é linear. Assuma um bias igual a 0 com peso 0.2.
b. o neurônio é baseado na função de ativação limiar (degrau). Assuma um

bias igual a -1 e peso 0.2.

9. Explique por que o Perceptron pode executar as funções lógicas AND e OR, mas
não resolve o OU-EXCLUSIVO (XOR).
10. Suponha 2 pontos p1 e p2 no plano cartesiano com coordenadas, respectivamente:
(2, 1) e (5, 3). Suponha que o ponto p1 representa um elemento de uma classe C1 e
o ponto p2 representa um elemento de uma classe C2. Neste contexto, sem utilizar
algoritmos formais de treinamento, encontre possíveis valores para os pesos de um
Perceptron de modo a separar os elementos das classes C1 e C2.
11.Treine um Perceptron para o executar a função lógica OR de duas entradas.
Suponha uma taxa de aprendizado igual a 0.5 e, pesos iniciais e bias iguais a 0.
12.Dada uma rede do tipo Perceptron formada por um neurônio com três terminais de
entrada, utilizando pesos iniciais w1 = 0.2, w2 = -0.3 e w3 = 0.5, (valor de bias -1,
com peso 0.2) e uma taxa de aprendizado = 0.5, responda os itens abaixo:
 a. Ensinar a rede a gerar a saída -1 para o padrão 111 e a saída +1 para os
padrão 101
b. A que classe pertencem os padrões 100, 000, 110 e 011?
13. No perceptron abaixo, qual será a saída quando a entrada for (0, 0)? E quanto às
entradas (0, 1), (1, 1) e (1, 0)? E se mudarmos o peso de bias para -0,5? Considere
para todas as entradas o valor de bias=1. O neurônio é baseado na função de
ativação limiar (degrau).

14. Para os seguintes dados:

(a) Calcular as distâncias Euclidianas.

(b) Montar a matriz de distâncias.

(c) Utilizando agrupamento hierárquico (modelo bottom-up), construir o dendograma.

15. Considere os seguintes valores abaixo (x1 e x2). Apresente a fórmula de
regressão linear para a previsão dos valores de x2.
Identificador X1 X2
Amostra 1 60 50
Amostra 2 50 30
Amostra 3 45 18
Amostra 4 40 20
Amostra 5 35 10
Amostra 6 30 15
Amostra 7 20 6
Amostra 8 15 3
Amostra 9 10 0

16. Considere os seguintes pontos, abaixo:

Aplique o algoritmo de k-means e apresente o resultado do agrupamento das amostras,

considerando k = 2. A semente 1 está na posição P2 e semente 2 está na posição P8. Aplique
novamente k-means sobre o conjunto original, usando k = 2. A semente 1 está na posição P7 e
semente 2 está na posição P4. Análise o comportamento das duas execuções de k-means.