Um modelo treinado em aproximadamente 10.000 imagens controladas se ajusta bem ao conjunto de treinamento, mas tem um desempenho ruim em imagens de teste não vistas (o erro de treinamento diminui com as épocas, enquanto o erro de teste permanece alto). Quais ações ajudarão a resolver esse problema? (Escolha duas.)

O cenário descrito, com baixo erro de treinamento e alto erro de teste, indica overfitting. Usar aumento de dados nas imagens de treinamento é uma solução eficaz porque expande artificialmente o conjunto de dados de treinamento, criando variações das imagens existentes (rotações, flips, zooms, etc.). Isso expõe o modelo a uma maior diversidade de dados, tornando-o mais robusto e menos propenso a memorizar o conjunto de treinamento específico. Adicionar regularização L2 (peso) ao modelo é outra técnica para combater o overfitting. A regularização L2 adiciona um termo de penalidade à função de perda que é proporcional ao quadrado dos pesos do modelo. Isso desencoraja pesos grandes, levando a um modelo mais simples e generalizável, que se ajusta melhor a dados não vistos. Aumentar a complexidade da arquitetura da rede neural agravaria o overfitting. Adicionar vanishing gradient não é uma solução, mas sim um problema a ser evitado. A verificação de gradiente é uma técnica de depuração, não de resolução de overfitting.