AV MACHINE LEARNING

Prévia do material em texto

Carolina salvade
202002168579
 
Disciplina: MACHINE LEARNING AV
Aluno: CAROLINA SALVADE 202002168579
Professor: SIMONE KELLER FUCHTER
 
Turma: 9001
CCT1017_AV_202002168579 (AG) 30/05/2022 22:17:45 (F) 
Avaliação:
5,0
Nota Partic.: Nota SIA:
7,0 pts
 
EM2120031 - SISTEMAS DE APRENDIZADO DE MÁQUINA 
 
 1.1. Ref.: 4332289 Pontos: 1,00 / 1,00
Uma das técnicas bastante utilizadas em sistemas de apoio à decisão é o aprendizado de máquina, que se constitui
em uma técnica:
Que visa sua distribuição e replicação em um cluster de servidores, visando aprimorar a disponibilidade de
dados.
De transmissão e recepção de dados, permitindo a comunicação entre servidores, em tempo real.
Para se realizar a criptografia inteligente de dados, objetivando a proteção da informação.
 Para a exploração e análise de dados, visando descobrir padrões e regras, a princípio ocultos, importantes à
aplicação.
De compactação de dados, normalmente bastante eficiente, permitindo grande desempenho no
armazenamento de dados.
 2.2. Ref.: 4329328 Pontos: 0,00 / 1,00
Com o objetivo de obter informações por meio do aprendizado de máquina, verificou-se que o processo que estava
sendo realizado consistia em examinar as características dos objetos e agrupá-los de acordo com suas
semelhanças; verificou-se também o uso de algoritmos de aprendizado não supervisionados. Identifique que ação
está sendo realizada:
 Redução dimensional
 Clustering
Classificação
Estimativa de densidade
Regressão
 
EM2120032 - TREINAMENTO DE MODELOS DE APRENDIZADO DE MÁQUINA 
 
 3.3. Ref.: 4416314 Pontos: 0,00 / 1,00
O PCA é uma forma eficiente de reduzir a dimensionalidade do conjunto de dados. Qual a operação básica da
Álgebra Linear que seu algoritmo mais executa nos dados?
Transposição.
Cinzelamento.
 Decomposição.
 Rotação.
Transfiguração.
 4.4. Ref.: 4392320 Pontos: 0,00 / 1,00
Qual a função dos vetores de suporte no SVM?
 Definir margens de classificação para o cálculo do vetor de decisão.
Maximizar a métrica de avaliação do modelo.
 Minimizar a distância entre a função de decisão e as amostras.
Servem para a tomada de decisão.
Maximizar a distância intra cluster e minimizar a distância inter cluster.
 
EM2120072 - REDES NEURAIS E APRENDIZADO PROFUNDO 
 
 5.5. Ref.: 4254304 Pontos: 0,00 / 1,00
Os métodos de aprendizado por diferença temporal são usados para estimar essas funções valor. Em relação aos
métodos de aprendizado por diferença temporal, selecione a opção correta.
Faz o rastreio de cada valor atualizado de acordo com os pares (ação, estado).
É sempre a melhor opção de algoritmo para modelos de aprendizado por reforço.
 O aprendizado é obtido a partir da experiência.
Necessita de um mapeamento exato para avaliar a qualidade das respostas obtidas.
 Usam as políticas de aprendizado adaptadas para executarem dependendo da resposta do modelo ao final
de cada iteração.
 6.6. Ref.: 4254302 Pontos: 1,00 / 1,00
(Ano: 2018 Banca: FGV Prova: Prefeitura de Niterói - RJ - Analista de Políticas Públicas e Gestão Governamental -
Gestão de Tecnologia) Analise a rede neural exibida a seguir.
Sobre essa rede, analise as afirmativas a seguir.
1. Não possui camadas intermediárias (hidden layers).
2. Admite três sinais de entrada (input units) além do intercept term.
3. É apropriada para aplicações de deep learning.
Está correto o que se afirma em
 II, apenas.
I, apenas.
III, apenas.
I, II e III.
I e II, apenas.
 
EM2120177 - NOÇÕES GERAIS DE MINERAÇÃO DE DADOS 
 
 7.7. Ref.: 4653384 Pontos: 1,00 / 1,00
Em relação às ferramentas e os fundamentos de Data Mining, é correto afirmar:
Data Mining é o processo de descobrir conhecimento em banco de dados, que envolve várias etapas. O KDD
- Knowledge Discovery in Database é uma destas etapas, portanto, a mineração de dados é um conceito
que abrange o KDD.
Os dados podem ser não estruturados (bancos de dados, CRM, ERP), estruturados (texto, documentos,
arquivos, mídias sociais, cloud) ou uma mistura de ambos (e-mails, SOA/web services, RSS). As
ferramentas de Data Discovery mais completas possuem conectividade para todas essas origens de dados
de forma segura e controlada.
Estima-se que, atualmente, em média, 80% de todos os dados disponíveis são do tipo estruturado. Existem
diversas ferramentas open source e comerciais de Data Discovery. Dentre as open source está a InfoSphere
Data Explorer, e entre as comerciais está a Vivisimo, da IBM.
A etapa de KDD do Data Mining consiste em aplicar técnicas que auxiliem na busca de relações entre os
dados. De forma geral, existem três tipos de técnicas: Estatísticas, Exploratórias e Intuitivas. Todas são
devidamente experimentadas e validadas para o processo de mineração.
 As ferramentas de Data Mining permitem ao usuário avaliar tendências e padrões não conhecidos entre os
dados. Esses tipos de ferramentas podem utilizar técnicas avançadas de computação como redes neurais,
algoritmos genéticos e lógica nebulosa, entre outras.
 8.8. Ref.: 6106468 Pontos: 1,00 / 1,00
(TCM-PA/FCC-2010) Especificamente, um Data Mining no qual as tendências são modeladas conforme o tempo,
usando dados conhecidos, e as tendências futuras são obtidas com base no modelo possui a forma de mining:
 Preditivo.
Espacial.
Textual.
Estrela.
Flocos de neve.
 
EM2120178 - PROJETO DE SISTEMAS DE APRENDIZADO DE MÁQUINA 
 
 9.9. Ref.: 5429450 Pontos: 1,00 / 1,00
Bases de dados com registros cujos atributos nem sempre têm valores sofrem do problema de dados:
 faltantes
fora da curva
 flutuantes
 repetidos
 aleatórios
 10.10. Ref.: 5429426 Pontos: 0,00 / 1,00
Qual a primeira coisa a se fazer logo após validar o problema com os stakeholders?
 Regressão e agrupamento.
 Validar resultados.
 Classificação.
 Entender os dados.
 Calcular a medida F.
Educational Performace Solution EPS ® - Alunos