Em uma rede neural artificial, a função de ativação é uma mudança não linear nos valores antes de enviar os valores de resultado. É uma função que mapeia corretamente a camada anterior para as restrições (geralmente 0/1) da próxima camada, usada para dar ao modelo o “efeito de camada oculta”, o poder real de “ativar” a rede neural artificial. Qual das opções abaixo é uma função de ativação?

Alternativa E - Sigmoid

Introdução

A questão aborda conceitos fundamentais de Redes Neurais Artificiais, especificamente focando no papel das funções de ativação. Essas funções são cruciais porque introduzem não-linearidade no modelo, permitindo que a rede aprenda padrões complexos que uma simples combinação linear não conseguiria capturar.

Análise das Opções

Para identificar a resposta correta, precisamos distinguir entre os componentes de uma rede neural e suas funções específicas:

• Backpropagation (Erro): É o algoritmo utilizado durante o treinamento da rede para ajustar os pesos e vieses com base no erro calculado. Não é uma função de ativação.
• Bias (Viés): É um parâmetro adicional somado ao produto dos pesos pelas entradas antes da aplicação da função de ativação. Serve para deslocar a curva de decisão.
• Feed Forward: Refere-se ao processo de passagem da informação desde a entrada até a saída através das camadas da rede.
• Sigmoid: É uma função matemática clássica utilizada como função de ativação. Ela comprime qualquer valor numérico em um intervalo entre 0 e 1, sendo muito útil para representar probabilidades ou estados binários (ligado/desligado).

Comparativo Rápido

Conclusão

Dentre as alternativas apresentadas, apenas o Sigmoid representa uma função matemática específica projetada para atuar como gatilho de ativação nas camadas da rede neural. Outras funções comuns incluem ReLU, Tanh e Softmax, mas o Sigmoid foi a opção correta listada.

Portanto, a alternativa E é a correta.