As técnicas de aprendizado de máquina aplicadas à assimilação podem ser utilizadas de diversas maneiras para tratamento de dados. Um exemplo de processo que pode ser vantajoso para os algoritmos de assimilação é o de redução da dimensionalidade de um conjunto de dados, no qual se aplica treinamento não supervisionado para gerar representações “compactadas” das entradas originais. Esse processo permite a assimilação de dados no espaço latente, melhorando a eficiência de treinamento dos algoritmos.

Determinadas arquiteturas de rede neural são utilizadas para redução de dimensionalidade e para a geração de representações de dados no espaço latente, em que se destaca a arquitetura do tipo

Redes neurais artificiais são elementos fundamentais para o uso de técnicas de aprendizado de máquina. São constituídas por camadas de unidades de processamento, chamadas de neurônios.

Relacione os tipos de redes neurais listadas as seguir, às suas principais características.

1. Redes de Propagação Direta (feedforward).
2. Redes Neurais Recorrentes.
3. Redes de Funções de Base Radial.
4. Redes Auto-Organizáveis de Kohonen.
( ) Rede que possui realimentação, de forma que as saídas são direcionadas para as entradas, formando-se um loop.
( ) Rede em que os sinais fluem apenas em uma direção, da entrada para a saída, exceto quando em treinamento.
( ) Rede que é treinada com aprendizado não supervisionado, criando clusters dos dados de entrada.
( ) Rede usada para aproximar funções contínuas a partir de combinações lineares de Gaussianas.

Assinale a opção que indica a relação correta na ordem apresentada.

Recentemente, tem-se observado o aumento dos usos de algoritmos de Inteligência Artificial (IA) aplicados à assimilação de dados. Muitos algoritmos de IA em assimilação são baseados em redes neurais e redes neurais profundas, que necessitam de uma etapa de treinamento.

Essas etapas de treinamento nem sempre são de fácil execução. Por exemplo, há um fenômeno que ocorre quando um algoritmo é treinado e apresenta bom desempenho para um conjunto particular de dados usado para treinamento, mas falha ao prever respostas para dados de entrada não incluídos naquele conjunto.

A esse fenômeno dá-se o nome, em inglês, de

Relacione os algoritmos de otimização utilizados em assimilação de dados variacional com suas respectivas características correspondentes.

1. Método de Newton
2. Broyden-Fletcher-Goldfarb-Shanno (BFGS)
3. Gradiente Conjugado
( ) Determina pontos cada vez mais próximos das soluções dos problemas de otimização mudando a direção de busca a cada iteração.
( ) Requer o cálculo das expressões fechadas dos gradientes e matrizes Hessianas a cada iteração.
( ) Utiliza aproximações de matrizes Hessianas e suas inversas para reduzir a carga computacional a cada iteração.

Assinale a opção que indica a relação correta, segundo a ordem apresentada.

O problema de previsão numérica de tempo em escala global é de altíssima dimensionalidade, envolvendo, por exemplo, representações de estados com centenas de milhões de variáveis.

Essa alta dimensionalidade impõe grandes dificuldades para a aplicação de filtros de partículas (PF) em problemas de assimilação de dados com muitas observações independentes, porque nessas situações o número de partículas necessárias para representar as distribuições de probabilidade cresce exponencialmente.

Técnicas recentemente desenvolvidas que visam contornar essas dificuldades baseiam-se em combinar filtros de partículas e filtros de Kalman por conjunto (EnKF), criando-se soluções híbridas PF-EnKF.

Assinale a opção que indica a principal vantagem de se utilizar filtros híbridos PF-EnKF.

A reamostragem em filtros de partículas pode ser realizada por meio da criação de novas amostras retiradas das distribuições de probabilidade discretas correspondentes a conjuntos de partículas e suas configurações de pesos. No entanto, o fato de as novas amostras serem criadas exatamente nos mesmos pontos do espaço em que se localizam as partículas anteriores é inconveniente, pois facilita o empobrecimento das partículas (i.e., o chamado particle impoverishment).

Uma forma de produzir um novo conjunto de partículas em pontos distintos é substituir as distribuições discretas de probabilidade por aproximações contínuas e, somente então, realizar a reamostragem. A criação dessas aproximações se dá por meio de uma operação matemática entre a distribuição de probabilidade discreta e um kernel contínuo.

Nesse contexto, o processo de reamostragem em distribuições de probabilidade contínuas, que aproximam distribuições discretas correspondentes às configurações de partículas, é chamado de

Filtros de Partículas são implementações não paramétricas de filtros Bayesianos em que as distribuições de probabilidade não são explicitamente definidas, sendo, portanto, representadas por um conjunto de amostras provenientes delas próprias (denominadas partículas).

Com relação aos filtros de partículas, analise as afirmativas a seguir e assinale (V) para a verdadeira e (F) para a falsa.

( ) As partículas representam observações (ou medidas) obtidas por sensores aplicados ao sistema em análise, e a elas são associados pesos proporcionais às suas probabilidades de coincidirem com medidas correspondentes ao estado verdadeiro do sistema.
( ) Quando aplicados à assimilação de dados, a cada passo de assimilação, novos pesos são atribuídos às partículas. Caso não seja realizado nenhum processo de reamostragem, o conjunto de partículas costuma degenerar-se, com uma das partículas recebendo peso normalizado próximo de 1 e as outras partículas recebendo pesos normalizados próximos de 0.
( ) São capazes de representar distribuições de probabilidade multimodais, isto é, cujas densidades de probabilidade possuem mais de um máximo local.

As afirmativas são, respectivamente,

O Filtro de Kalman por Conjunto, ou Ensemble Kalman Filter - EnKF, representa uma alternativa ao Filtro de Kalman Clássico (KF) e ao Filtro de Kalman Estendido (EKF) para a assimilação de dados sequencial com grandes conjuntos de dados.

Entre as vantagens do EnKF com relação ao KF e ao EKF, destaca-se a

A utilização de Filtros de Kalman clássicos (Kalman Filters - KF) ou estendidos (Extended Kalman Filters - EKF) para a assimilação de dados envolve dificuldades práticas.

Com relação a essas dificuldades, analise as afirmativas a seguir.

I. O EKF é o método otimizado para a assimilação de dados sequencial de um modelo dinâmico linear n-dimensional, sendo o KF apropriado apenas para sistemas unidimensionais.
II. O uso do KF e do EKF em modelos dinâmicos que contam com vetores de estados com muitas dimensões requer alta capacidade computacional e de armazenamento, tornando-os práticos apenas para modelos simplificados, de baixa dimensionalidade.
III. A linearização de modelos não lineares envolve a aproximação de funções matemáticas com o truncamento de séries, o que pode gerar erros de propagação de covariâncias, especialmente em modelos de alta dimensionalidade.

Está correto o que se afirma em

Filtros Bayesianos são métodos usados para estimar o estado de um sistema dinâmico que seja observado por meio de medidas com incertezas. Entre os algoritmos utilizados para implementação de filtros Bayesianos, pode-se citar o Filtro de Kalman clássico, aplicável a sistemas de modelos lineares e com distribuições Gaussianas de probabilidade.

Nesse contexto, assinale a opção que indica uma das características do Filtro de Kalman clássico.