Inteligência Artificial Aplicada ATIVIDADE PRÁTICA 3

Prévia do material em texto

Questão 1/12 - Inteligência Artificial Aplicada 
Você foi contratado para o posto de cientista de dados, para compor uma equipe, que atualmente 
já trabalha com dados, mas não possui experiência em aprendizagem de máquina. Um das suas 
primeiras tarefas designadas, foi a tradução de trechos de códigos em linguagem relacionados ao 
treinamento de modelos de aprendizagem de máquina. 
Um dos trechos que a equipe gostaria de decifrar se refere ao seguinte código: 
from sklearn.preprocessing import StandardScaler 
X = carrega_dataset() 
sc = StandardScaler() 
sc.fit(X) 
De acordo com os seus conhecimentos de aprendizagem de máquina, o código acima 
executa: 
Nota: 0.0Você não pontuou essa questão 
 A um processo de treinamento dos dados 
Você assinalou essa alternativa (A) 
 B um processo de predição 
 C um processo de normalização dos dados 
Justificativa: 
O uso do método fit da classe StandardScaler executa um processo de 
normalização de dados. 
 
 D um processo de expansão dos dados 
 E não faz nada e pode ser comentado 
 
Questão 2/12 - Inteligência Artificial Aplicada 
 
Você necessita desenvolver um classificador bayesiano para detecção de spam baseado nas 
palavras contidas nos e-mails recebidos. Para isso o classificador deverá utilizar o teorema de 
 
 
 
 
Bayes, considerando as classes como spam e não-spam e o vetor de características como a 
presença ou ausência de uma palavra, de acordo com a imagem acima. 
Considerando do texto acima e valendo-se do seu conhecimento sobre classificação 
bayesiana, o elemento P(?) será corretamente substituído por : 
Nota: 10.0 
 A P(não-spam | spam) 
 B P(spam) 
 C P(palavra) 
 D P(spam | não-spam) 
 E P(palavra | spam) 
Você assinalou essa alternativa (E) 
Você acertou! 
Justificativa: 
Como o classificador bayesiano utiliza conhecimento prévio para fazer a 
predição, nesse caso ele utilizará a informação da probabilidade de um 
documento conter uma palavra, dado que ele é um spam, ou seja P(palavra 
| spam). 
 
Questão 3/12 - Inteligência Artificial Aplicada 
 
 
 
 
 
 
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 e gostaria de obter mais informações 
sobre os dados de treinamento. 
De acordo com os seus conhecimentos de aprendizagem de máquina e utilizando apenas 
as informações fornecidas pelo gráfico podemos concluir que: 
Nota: 10.0 
 A a base de testes possui 1845 instâncias 
Você assinalou essa alternativa (A) 
Você acertou! 
Justificativa: 
Não se pode fazer inferências sobre a divisão da base de treino ou o seu 
uso. Contudo, podemos somar o quantitativo de todas as instâncias preditas 
o que nos dá o total de 1845 instâncias. 
 B a base de testes possui 1720 instâncias 
 C a base de testes está dividida proporcionalmente 
 D não foi usada uma base de treino 
 E não há informações suficientes 
 
Questão 4/12 - Inteligência Artificial Aplicada 
O kNN é um algoritmo de aprendizagem supervisionada com a predição das classes feita por 
meio de voto. Ou seja, contabiliza-se as classes dos vizinhos e a instância em análise recebe a 
classe que teve maior número de votos. 
Considerando o texto acima e valendo-se do seu conhecimento sobre aprendizagem de 
máquina, o k da sigla do kNN está relacionado ao hiperparâmetro que define: 
Nota: 0.0Você não pontuou essa questão 
 A coeficiente de erros 
 B o limite de erros 
 C o número de vizinhos a serem comparados 
Justificativa: 
Hiperparâmetro é um parâmetro, cujo valor é utilizado para direcionar ou 
controlar o processo de aprendizagem. No caso do k-NN o número de 
 
 
 
 
vizinho a serem comparados é um hiperparâmetro que define quantas 
instâncias vizinhas serão comparadas com a instância sendo analisada. 
 D a taxa de erros 
Você assinalou essa alternativa (D) 
 E o limite de acertos 
 
Questão 5/12 - Inteligência Artificial Aplicada 
Você foi contratado para o posto de cientista de dados, para compor uma equipe, que atualmente 
já trabalha com dados, mas não possui experiência em aprendizagem de máquina. Um das suas 
primeiras tarefas designadas, foi planejar um modelo de aprendizagem de máquina que consiga 
agrupar os clientes de um site de venda online eu grupos de interesse. As informações de 
navegação dos clientes no site foram coletadas e partir dessas informações devem ser criados os 
agrupamentos de clientes, porém o agrupamento dos clientes deve ser feito de forma que os 
agrupamentos possam ser considerados em grupos e subgrupos. 
Utilizando os seus conhecimentos de aprendizagem de máquina e sabendo que a sua 
equipe dispõe de capacidade de processamento e dados em abundância, você 
recomendaria a utilização de: 
Nota: 0.0Você não pontuou essa questão 
 A um modelo de agrupamento hierárquico 
Justificativa: 
De acordo com a descrição trata-se de um problema de aprendizagem não-
supervisionada, além disso é preciso obter uma estrutura hierárquica entre 
os agrupamentos. Isso pode ser feito com o modelo de agrupamento 
hierárquico. 
 B um classificador do tipo MLP 
 C uma classificador do tipo k-NN 
Você assinalou essa alternativa (C) 
 D uma rede neural do tipo LSTM 
 E uma rede neura do tipo CNN 
 
Questão 6/12 - Inteligência Artificial Aplicada 
Os modelos de regressão logística e regressão linear, apresentam semelhanças, além do nome. 
No entanto, utilizam funções diferentes para obtenção dos valores, apresentando outras 
 
 
 
 
diferenças entre si que determinam os diferentes uso para os quais os modelos podem ser 
aplicados. 
Considerando o texto acima e valendo-se do seu conhecimento sobre aprendizagem de 
máquina, de maneria simplificada podemos dizer que a principal diferença entre os 
modelos é: 
Nota: 0.0Você não pontuou essa questão 
 A o tipo treinamento 
 B a predição de valores contínuos e discretos 
Justificativa: 
A regressão logística realiza a predição de valores discretos, em intervalos 
determinados. Enquanto a regressão linear realiza a predição de valores 
contínuos. 
 C vetores de atributos com tamanhos distintos 
 D as categorias utilizadas 
 E o número de categorias 
Você assinalou essa alternativa (E) 
 
Questão 7/12 - Inteligência Artificial Aplicada 
Como um iniciante na área de ciência de dados, você recebeu uma tarefa de agrupar um conjunto 
de dados de pessoas, utilizando um algoritmo de agrupamento. Você executou a separação 
utilizando um tutorial de internet, mas os resultados não foram satisfatórios. Buscando melhorar 
os resultados você pediu ajuda a um expert que lhe disse apenas o seguinte: “Altere o seu k-
means para usar Manhattan ou Mahalanobis”. 
De acordo com o seu conhecimento do algoritmo k-means, o expert estava sugerindo que 
você: 
Nota: 10.0 
 A utilizasse outro algoritmo 
 B utilizasse métricas de distância diferentes 
Você assinalou essa alternativa (B) 
Você acertou! 
Justificativa: 
Manhattan e Mahalanobis se referem a dois tipos distintos de métricas de 
distância. 
 
 
 
 
 C utilizasse uma outra linguagem de programação 
 D utilizasse um método supervisionado 
 E utilizasse um framework 
 
Questão 8/12 - Inteligência Artificial Aplicada 
Durante o seu trabalho com redes neurais, buscando conseguir melhorar o seu modelo, você 
pediu ajuda para amigo e lhe enviou o seu código de definição do modelo. O seu amigo, enviou 
uma resposta dizendo o seguinte: 
 
Altere o código 
mlp_clf = MLPClassifier(warm_start=False, max_iter=100) 
para 
mlp_clf = MLPClassifier(warm_start=True, max_iter=100) 
Utilizando os seus conhecimentos você prontamente identificou que o seu amigo estava 
sugerindo: 
Nota: 0.0Você não pontuou essa questão 
 A Cria um outro tipo de modelo 
 B Eliminar os pesos do seu modelo 
 C Inicializar os pesos do modelo 
Justificativa: 
O parâmetro warm_start faz com que os pesos do modelos sejam 
inicializados, o que permite um processo de aprendizagemmais rápido. 
 D Estacionar os pesos do modelo 
 E Inverter os pesos do modelo 
Você assinalou essa alternativa (E) 
 
Questão 9/12 - Inteligência Artificial Aplicada 
Você necessita implementar um módulo de detecção de spam. Como o volume e a frequência de 
e-mails muito alta, você precisa de um algoritmo de classificação que permita obter de forma 
 
 
 
 
rápida a identificação se o e-mail recebida se trata ou não de um spam, ainda que alguns falsos 
positivos possam ocorrer. 
Usando os seus conhecimentos de aprendizagem de máquina, você optaria por um 
algoritmo de: 
Nota: 0.0Você não pontuou essa questão 
 A classificador bayesiano 
Justificativa: 
Modelos de agrupamento hierárquico e do tipo k-NN não são indicados, pois 
eles comparam uma instância com todos as outras instâncias, não 
respondendo de forma rápida. Métodos de redes neurais (MLP, CNN) 
tendem a necessitar de muita memória e processamento, o que faz com que 
demorem em dar uma resposta rápida. Já modelos do tipo classificador 
bayesiano tendem a ser mais rápidos que os demais, ainda que a sua 
precisão e taxa de erros seja maior que outros algoritmos. 
 B agrupamento hierárquico 
 C rede neural profunda 
Você assinalou essa alternativa (C) 
 D k-NN 
 E rede neural do tipo CNN 
 
Questão 10/12 - Inteligência Artificial Aplicada 
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 um 
informação prévia e determinando qual o 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 
Você assinalou essa alternativa (C) 
 D de uma instância possuir um vetor de características v 
 E de uma instância ser de uma classe que não consta em C 
 
Questão 11/12 - Inteligência Artificial Aplicada (questão opcional) 
Você foi contratado para o posto de cientista de dados, para compor uma equipe, que atualmente 
já trabalha com dados, mas não possui experiência em aprendizagem de máquina. Um das suas 
primeiras tarefas designadas, foi planejar um modelo de aprendizagem de máquina para trabalhar 
com textos, que serão fornecidos de forma sequencial ao modelo. 
Utilizando os seus conhecimentos de aprendizagem de máquina e sabendo que a sua 
equipe dispõe de capacidade de processamento e dados em abundância, você 
recomendaria a utilização de: 
Nota: 0.0Você não pontuou essa questão 
 A um classificador bayesiano 
 B um classificador do tipo k-Means 
 C uma classificador do tipo k-NN 
 D uma rede neural do tipo LSTM 
Justificativa: 
As redes meurais do tipo LSTM são recomendadas para trabalhar com 
dados fornecidos sequencialmente e que apresentem dependência dos 
elementos fornecidos anteriormente, como no caso de dados de texto. 
 E uma rede neura do tipo CNN 
 
Questão 12/12 - Inteligência Artificial Aplicada (questão opcional) 
“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 <https://revistagalileu.globo.com/>. 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: 0.0Você não pontuou essa questão 
 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 
Justificativa: 
O processo de treinamento das redes neurais exige uma grande capacidade 
de processamento computacional por conta da quantidade de cálculos que 
devem ser executados para o correto ajuste dos pesos. Além disso, o 
processo de aprendizagem a partir dos dados necessita de um grande 
volume de dados, o que até algumas décadas atrás não era possível. 
 E nenhuma das anteriores