Exatas

Brasil

Análise e Desenvolvimento de Sistemas

pt-br

Inteligência Artificial

A disciplina de Inteligência Artificial (IA) estuda como criar sistemas capazes de realizar tarefas que, até então, eram exclusivas de seres humanos, como reconhecimento de fala, visão computacional, tomada de decisão e aprendizado de máquina. Durante as aulas, os alunos aprendem sobre algoritmos, redes neurais, lógica fuzzy, entre outras técnicas utilizadas na construção de sistemas inteligentes. A disciplina é importante para profissionais da área de tecnologia, que podem aplicar os conhecimentos em IA em diversas áreas, como saúde, finanças, transporte, entre outras, para otimizar processos e melhorar a qualidade de vida das pessoas.

Exam

Text

Inteligência Artificial Aplicada PROVA OBJETIVA 1

RESTRICTED

Ciência da Computação

Graduate

Carla Susan

Outros

Other

Um classificador bayesiano simples é treinado utilizando um conjunto de classes, C = {c1,c2 ,cn } e um conjunto de instâncias de dados identificada...

Um classificador bayesiano simples é treinado utilizando um conjunto de classes, C = {c1,c2 ,cn } e um conjunto de instâncias de dados identificadas pelos vetores de características V = {v1, v2, …, vn}. Considerando as informações do texto acima e valendo-se do seu conhecimento sobre teorema de Bayes, o classificador bayesiano, calcula a probabilidade de: Nota: 0.0Você não pontuou essa questão A uma instância ser da classe c, dado que o seu vetor de características é v. Justificativa: O classificador bayesiano executa uma classificação utilizando uma informação prévia e determinando qual a probabilidade de um instância pertencer a uma classe, dado o seu vetor de características. B uma instância ter o vetor de características v, dado que sua classe é c C de uma instância ser da classe c, sem considerar o seu vetor de características D de uma instância possuir um vetor de características v Você assinalou essa alternativa (D) E de uma instância ser de uma classe que não consta em C A uma instância ser da classe c, dado que o seu vetor de características é v. B uma instância ter o vetor de características v, dado que sua classe é c. C de uma instância ser da classe c, sem considerar o seu vetor de características. D de uma instância possuir um vetor de características v. E de uma instância ser de uma classe que não consta em C.

General Studies

Exercícios Para o Aprendizado: Compartilhando exercícios para auxiliar no aprendizado e aprimoramento de habilidades em diversas áreas do conhecimento. Vamos juntos praticar e aprimorar nossos conhecimentos através desses exercícios desafiadores!

Exercícios Para o Aprendizado

A figura acima mostra um modelo de árvore de decisão aplicado a um conjunto de dados. Valendo-se dos seus conhecimentos de aprendizagem de máquina ...

A figura acima mostra um modelo de árvore de decisão aplicado a um conjunto de dados. Valendo-se dos seus conhecimentos de aprendizagem de máquina e de modelos de árvores de decisão, podemos afirmar que o modelo foi treinado para classificar um total de: Nota: 10.0 A 4 classes B 5 classes C 1 classe D 3 classes E 2 classes Você assinalou essa alternativa (E) A 4 classes B 5 classes C 1 classe D 3 classes E 2 classes

O chefe de uma equipe de ciência de dados recebeu o resultado do treinamento de um modelo de aprendizagem de máquina, conforme a imagem acima. De a...

O chefe de uma equipe de ciência de dados recebeu o resultado do treinamento de um modelo de aprendizagem de máquina, conforme a imagem acima. De acordo com os seus conhecimentos de aprendizagem de máquina e utilizando apenas a informação visual que o gráfico traz, podemos concluir que: Nota: 10.0 A a taxa de erros é maior que a taxa de acertos B a taxa de acertos é igual a taxa de erros C a taxa de acertos é maior que a taxa de erros Você assinalou essa alternativa (C) A a taxa de erros é maior que a taxa de acertos B a taxa de acertos é igual a taxa de erros C a taxa de acertos é maior que a taxa de erros D houve uma redução da taxa de erros E houve uma melhora da acurácia do modelo

“Criada nos anos 1960, a tecnologia que usa computadores e algoritmos para reconhecer rostos humanos ganhou escala há pelo menos uma década, muito ...

“Criada nos anos 1960, a tecnologia que usa computadores e algoritmos para reconhecer rostos humanos ganhou escala há pelo menos uma década, muito graças ao avanço das redes sociais e da internet. Com milhares de pessoas disponibilizando voluntariamente suas fotos na internet, existe hoje um banco de dados com bilhões de imagens que servem para treinar redes de inteligência artificial a detectar e reconhecer rostos.” Disponível em . Acesso em 19/04/2021 Apesar de ter sido criada na década de 60, a tecnologia de reconhecimento facial somente veio ser aplicada de fato e em larga escala nos tempos atuais. Dentre os motivos para que essa tecnologia não tenha sido melhor explorada na décadas passadas, podemos destacar como um fator de grande peso: Nota: 10.0 A a ausência de interesse em pesquisas B os erros contidos nos métodos de reconhecimento C não existir fotografia digital na época D a baixa capacidade de armazenamento e processamento Você assinalou essa alternativa (D) A a ausência de interesse em pesquisas B os erros contidos nos métodos de reconhecimento C não existir fotografia digital na época D a baixa capacidade de armazenamento e processamento

Os modelos de aprendizagem de máquina, necessitam que os dados que lhe são fornecidos sejam convertidos para valores numéricos. Assim, quando temos...

Os modelos de aprendizagem de máquina, necessitam que os dados que lhe são fornecidos sejam convertidos para valores numéricos. Assim, quando temos dados que necessitam de conversão, pode-se utilizar um processo de categorizar uma variável. Representando cada possível valor por um número distinto, e que, se possível represente uma relação de hierarquia ou precedência entre os possíveis valores. De acordo com os seus conhecimentos sobre dados categóricos e one-hot encoding, podemos dizer que uma grande diferença entre representar uma variável categórica por valores numéricos e one-hot encoding é: A que a primeira representa melhor que segunda B que a segunda representa melhor que a primeira C a primeira serve apenas determinados tipos de valores D a segunda serve apenas para determinados tipos de valores E a segunda cria variáveis derivadas, aumentando o número de atributos

MaterialAggregator/Subjects/Materials/Recent

MaterialAggregator/Subjects/Questions/New

Inteligência Artificial Aplicada PROVA OBJETIVA 1

Conteudo restrito apenas para assinantes