Questão nº 72
Questão de Engenharia Elétrica/Eletrônica · CEBRASPE PF 2025 (nº 72)
Em relação ao aprendizado supervisionado aplicado a problemas de regressão linear, julgue os itens que se seguem.
A técnica denominada gradient descent é aplicável à minimização da função custo no processo de aprendizado supervisionado para regressão linear; nela se determina, a cada iteração do processo de aprendizado, uma aproximação de segunda ordem da função custo, por meio de uma expansão de Taylor, necessitando-se, assim, da determinação numérica do jacobiano da função custo, calculado com base nos parâmetros do modelo a ser ajustado.
Resposta comentada
O conceito-chave é que existem dois métodos principais para minimizar a função custo na regressão linear: a equação normal (solução analítica fechada, usando cálculo) e o gradient descent (método iterativo). O gradient descent usa apenas a primeira derivada (o gradiente) da função custo, andando "ladeira abaixo" passo a passo. A segunda derivada (matriz Hessiana) e a expansão de Taylor de segunda ordem são usadas por outro método, o Newton-Raphson (ou Gauss-Newton), que é mais sofisticado e pesado computacionalmente.
- Correta: Errado. O item descreve o método de Newton, não o gradient descent, pois afirma que se determina uma aproximação de "segunda ordem" e se calcula o "jacobiano", quando o gradient descent usa apenas a primeira ordem (o gradiente, que é o vetor de primeiras derivadas, não o jacobiano completo da função custo).
Como ficaria certo: A técnica denominada gradient descent é aplicável à minimização da função custo; nela se determina, a cada iteração, uma aproximação de primeira ordem da função custo, por meio de uma expansão de Taylor, necessitando-se, assim, da determinação numérica do gradiente da função custo, calculado com base nos parâmetros do modelo a ser ajustado.
Fonte: CEBRASPE PF 2025 Perito Criminal Federal - Engenharia Elétrica/Eletrônica. Reproduzida para fins de estudo.