14:06:49	 From  Aluno 1 : Estou com alguma dificuldade na questão 7.3 do EC2. Um caso simples da regularização Omega que temos no início do manual é a regularização Lasso, que impõe esparsidade na matriz W. Pelo que entendi, a rede considerada levaria as entradas Z para uma camada de features X = C(Z), que seria a parte compartilhada, e em seguida, W seria aplicada em X para definir a saída correspondente a cada tarefa. Então a regularização seria aplicada somente nessa segunda parte (só em W), na qual as features são selecionadas para cada tarefa. Assim, impor esparsidade em W, forçaria de certa forma que os pesos compartilhados C extraíssem features X mais relevantes das entradas Z. Essa leitura está correta?
14:20:54	 From  Aluno 2 : Professor, caso algum aluno fique com conceito C, que apesar de ser considerado aprovado, pode impactar na bolsa de mestrado, seria possível marcar uma nova data para a avaliação oral ou revisar alguma atividade computacional / conceitual?
14:40:01	 From  Aluno 2 : ok. entendido
14:41:10	 From  Aluno 1 : EC2
14:41:22	 From  Aluno 1 : Sobre Multitask Learning
14:42:18	 From  Aluno 3 : Na questão 9 do EFC 4, para a base de dados MNIST foi pedido para apresentar apenas as imagens geradas para as épocas 0,1000,10000,20000 e 30000. Para a nova base de dados devem ser apresentadas as imagens para as mesmas épocas ou devem ser enviadas todas elas?
14:44:46	 From  Aluno 1 : é que eu estava entendendo que W eram os pesos sinápticos
14:44:56	 From  Aluno 1 : ah,
14:45:25	 From  Aluno 1 : mas em alguns dos exemplos não identifiquei essa matriz de conectividade que o senhor colocou