Transcrição da Prova — Augusto Rocha Araújo

Matrícula: 20223006764 • Turma2 • Prova Escrita 1 (Modelo A)

Data de Publicação

27/10/2026

Data de Modificação

22/10/2026

Transcrição da Prova Escrita 1 — Augusto Rocha Araújo

Resposta Manuscrita: > “A afirmação da equipe está errada pois o que deve ser avaliado é a perda de validação, como depois da época 8 a curva de perda de validação começa a subir então podemos afirmar que o modelo está sofrendo de overfitting, ou seja, o modelo está começando a decorar os dados de treino, por isso a curva de treino continua a descer, porém quando chega na validação o modelo erra e por isso depois da época 8 a curva de validação começa a subir.”
Observações de Leitura (OCR): Resposta completa e muito bem articulada, conectando a divergência da curva a partir da Época 8 com o sobreajuste/memorização.

Resposta Manuscrita: > “As entradas numéricas devem ser normalizadas para que um valor muito alto não domine valores outros menores e as variáveis categóricas transformadas em tabelas one-hot-encoding. O backpropagation ao final de cada época calcula o erro do resultado e volta com ele por meio de derivadas usando regra da cadeia para ajustar os pesos em cada camada da MLP de forma correta.”
Observações de Leitura (OCR): Citação técnica precisa de normalização, one-hot encoding e regra da cadeia no cálculo de derivadas.

Resposta Manuscrita: > “Podemos usar métricas como precision (dado todas as decisões quantas foram acertadas) e recall (dado todos os pacientes doentes quantos foram detectados). Como a rede de clínicas quer priorizar a revisão humana devemos aumentar o recall, ou seja, deixar o sistema mais em alerta reduzindo os falsos negativos.”
Observações de Leitura (OCR): Explicação clara da relação de recall com redução de falsos negativos para triagem médica.

Resposta Manuscrita: > “Proponho investigar um caso de overfitting pois apesar de muitos alertas a equipe disse que as peças parecem semelhantes então o modelo pode estar muito variante.”
Observações de Leitura (OCR): Texto claro.

Diagrama / Elemento Visual: Sem diagrama desenhado.
Resposta Manuscrita: > “A CNN é um modelo especializado em aprendizado de imagem pois antes de realizar o treino é feito um pré-processamento na imagem que reduz drasticamente o número de parâmetros tornando viável a classificação de imagem de qualquer resolução. Para esse caso a escassez de dados faz a rede sofrer com overfitting dessa forma a técnica de congelamento é essencial para evitar esse fenômeno pois a rede irá parar de aprender evitando que ela decore.”
Observações de Leitura (OCR): Foco na redução de parâmetros e na técnica de congelamento de camadas.

Resposta Manuscrita: > “Diante do baixo volume de imagem para evitar o overfitting será necessário aplicar técnicas de transfer learning e freezing total dessa forma a rede não vai atualizar o parâmetro de aprendizagem nas primeiras camadas.”
Observações de Leitura (OCR): Reitera freezing e transfer learning.

Diagrama / Elemento Visual: Sem anotações no gráfico da Figura 2.
Resposta Manuscrita: > “Um classificador estar mal calibrado nesse contexto seria se o modelo tivesse mais falsos negativos (que há risco de negligência para o paciente doente) do que falso positivo.”
Observações de Leitura (OCR): Foco no risco clínico dos falsos negativos.

Resposta Manuscrita: > “Os casos de falsos positivos deve ser o maior possível desde que a equipe médica dê conta de avaliar os casos pois se tratando do contexto de diagnóstico é muito pior o paciente ter a doença e ser classificado como ‘saudável’.”
Observações de Leitura (OCR): Considera a capacidade da equipe médica vs a severidade de falsos negativos.

Resposta Manuscrita: > [NÃO RESPONDEU / EM BRANCO]
Observações de Leitura (OCR): Pauta de resposta do subitem (c) deixada em branco pelo discente.

Resposta Manuscrita: > “O uso de embeddings estáticos apesar de identificar a palavra não consegue distinguir semanticamente pelo contexto, ou seja, ele identifica a palavra ‘manga’ mas não tem como saber se é a fruta ou a parte da camisa.”
Observações de Leitura (OCR): Analogia clássica e precisa de polissemia (“manga fruta vs manga da camisa”) para evidenciar a falha dos embeddings estáticos.