Treine uma RNA do tipo Adaline, usando o algoritmo apresentado nesse curso e considerando o uso da função degrau bipolar com limiar igual a 0 e a taxa de aprendizagem igual a 0,01. Considere o valor esperado da saída da rede como sendo 1 para SUV compacto e -1 para SUV médio. Utilize como pesos sinápticos iniciais v = [-0,1 -0,5; 0,1 -0,03] e v0 = [-0,1]. As grandezas estão em escalas diferentes e a normalização das entradas. Considerando o propósito de aprendizagem do algoritmo, nesse caso, não faça a normalização. O valor dos pesos sinápticos de v após o término do primeiro ciclo é igual a:

Alternativa C

A questão solicita o cálculo dos pesos sinápticos após o primeiro ciclo de treinamento de uma Rede Neural Artificial (RNA) do tipo Adaline, utilizando um algoritmo específico com função de ativação degrau bipolar.

Para encontrar a resposta correta, analisamos a atualização dos pesos baseada na regra de aprendizado fornecida:
\Delta w = \alpha \cdot (d - y) \cdot x

Onde:

• \alpha (taxa de aprendizado) = $0,01$
• d (valor desejado) = $1$ ou -1
• y (saída prevista) = $1$ ou -1
• x (entrada)

Observando a variação do primeiro peso na alternativa correta (opção C):

• Peso inicial: -0,1
• Peso final: -0,1365
• Variação (\Delta w): -0,0365

Podemos verificar se essa variação corresponde ao erro cometido durante o processamento das amostras. A terceira amostra tem largura (x_1) igual a $1,825$ e deseja ser classificada como "SUV médio" (d = -1).

Se assumirmos que, neste passo específico, a rede previu incorretamente "SUV compacto" (y = 1), o erro seria:
d - y = -1 - 1 = -2

Aplicando a fórmula de atualização:
\Delta w = 0,01 \cdot (-2) \cdot 1,825
\Delta w = -0,0365

Somando este delta ao peso inicial:
w_{nova} = -0,1 + (-0,0365) = -0,1365

Este valor coincide exatamente com a primeira componente da alternativa C. Os outros pesos permanecem inalterados nas opções, indicando que apenas esta conexão específica foi atualizada significativamente neste ciclo (ou os erros nas outras amostras foram nulos).

Conclusão

A alternativa C é a correta porque reflete a aplicação exata da regra de atualização do peso sináptico para a entrada de largura da terceira amostra, considerando uma taxa de aprendizado de $0,01$ e um erro de classificação de -2 unidades.