Inteligencia Artificial

Prévia do material em texto

<p>1</p><p>Inteligencia Artificial</p><p>Questão 1</p><p>Correta</p><p>“O termo "ontologia” tem origem em um ramo da Filosofia (Metafísica), que estuda a natureza do “ser”</p><p>e a “existência”. Para os filósofos, Ontologia visa explicar todas as coisas do mundo, estabelecendo</p><p>sistematicamente sua linhagem conceitual. Na Ciência da Computação, o significado e finalidade desse</p><p>termo são (um pouco) diferentes; uma ontologia pode ser definida como um conjunto de conceitos</p><p>fundamentais e suas relações, que capta como as pessoas entendem (ou interpretam) o domínio em</p><p>questão e permite a representação de tal entendimento de maneira formal, compreensível por humanos</p><p>e computadores.” (Mizoguchi, 2004).</p><p>(MIZOGUCHI, 2004, p. 198-220 [adaptado])</p><p>A partir da leitura do trecho, analise as assertivas a seguir:</p><p>I – Para o autor, a ontologia estabelece a representação de um domínio para que seja compreensível por</p><p>humanos e máquinas.</p><p>II – A ontologia vem para explicar questões metafísicas em total desacordo com sua aplicação na Ciência</p><p>da Computação.</p><p>III – A ontologia não possui nenhuma correlação a Ciência da Computação, sendo de uso exclusivo ao</p><p>campo da Filosofia.</p><p>IV – Os sistemas de inteligência artificial precisam da definição formal e completa de todos os aspectos</p><p>da ontologia, de forma que consigam processar as informações e resolver os problemas possam ser</p><p>representados por seu uso.</p><p>Agora, assinale a alternativa que apresenta a resposta correta:</p><p>Sua resposta</p><p>Correta</p><p>Apenas as afirmativas I e IV estão corretas.</p><p>2</p><p>Questão 2</p><p>Correta</p><p>Em 1980 o filósofo da linguagem John R. Searle escreveu o artigo "Minds, Brains and Programs" (Mente,</p><p>Cérebro e Programas). Neste artigo o autor discutiu pesquisas que pretendem esclarecer como se</p><p>realizam os processos mentais. No mesmo artigo Searle propõe uma nova discussão para separação da</p><p>Inteligência Artificial em Fraca e Forte (IA Fraca, IA Forte).</p><p>Considerando o contexto, avalie as afirmativas a seguir:</p><p>I. Na IA fraca teríamos computadores que podem simular algumas tarefas realizadas pela mente</p><p>humana.</p><p>II. Na IA Fraca os computadores seriam autônomos e totalmente capazes de raciocínio e emoções.</p><p>III. A IA Fraca centra a sua investigação na criação de inteligência artificial que não é capaz</p><p>de verdadeiramente raciocinar e resolver problemas. Uma tal máquina com esta característica de</p><p>inteligência agiria como se fosse inteligente, mas não tem autoconsciência ou noção de si.</p><p>IV. O processamento de linguagem natural, é um tipo de IA Forte que trata de estudar e tentar</p><p>reproduzir os processos de desenvolvimento que resultaram no funcionamento normal da língua. Muitos</p><p>destes campos utilizam softwares específicos e linguagens de programação criadas para suas finalidades.</p><p>É correto o que se afirma acerca da Inteligência Artificial em:</p><p>Sua resposta</p><p>Correta</p><p>Apenas as afirmativas I, e III estão corretas.</p><p>3</p><p>Questão 3</p><p>Correta</p><p>Apenas uma década atrás, o termo inteligência artificial (IA) pertencia mais ao universo da ficção</p><p>científica e parecia no máximo uma ousadia para o futuro distante. Muitas situações mudaram de lá para</p><p>cá e, atualmente, crescem as aplicações e pesquisas neste campo. Tomando como referência as</p><p>aplicações das técnicas de Inteligência Artificial, julgue as afirmativas a seguir em (V) Verdadeiras ou (F)</p><p>Falsas.</p><p>( ) Sistemas Especialistas baseados em regras são utilizados no desenvolvimento de sistemas de</p><p>diagnóstico de falhas em hardware.</p><p>( ) Indução em Árvore de Decisão é utilizada para identificação de fraudes em cartões de crédito.</p><p>( ) Redes Neurais Artificiais são utilizadas no desenvolvimento de sistemas de análise de risco em</p><p>aplicações financeiras.</p><p>Assinale a alternativa que apresenta a sequência CORRETA:</p><p>Sua resposta</p><p>Correta</p><p>V - V - V</p><p>4</p><p>Questão 4</p><p>Correta</p><p>“Russell e Norvig (2013) afirmam que a inteligência artificial é a capacidade dos sistemas cibernéticos</p><p>(formados por computadores, software, sensores e atuadores) de imitar funções cognitivas dos seres</p><p>humanos, funções estas que podemos resumir na resolução de problemas por meio do aprendizado</p><p>apoiado na percepção.“</p><p>Partindo dos conceitos abordados pelos autores, assinale a alternativa que apresenta a resposta correta:</p><p>Sua resposta</p><p>Correta</p><p>Para a IA, a representação de um conhecimento de um determinado assunto constituem uma ontologia.</p><p>5</p><p>Questão 5</p><p>Correta</p><p>Pesquisadores de universidades públicas e organizações privadas estão atuantes no desenvolvimento de</p><p>soluções computacionais inteligentes para o ensino de pessoas. As questões éticas e práticas pertinentes</p><p>a Inteligência artificial na educação também estão ganhando espaço no campo da tecnologia</p><p>educacional em todo mundo.</p><p>Com base no trecho, avalie as seguintes asserções e a relação entre elas proposta:</p><p>I Os algoritmos de inteligência artificial podem ajudar no processo de aprendizado das pessoas, de</p><p>acordo com seu perfil.</p><p>Porque</p><p>II Nos últimos anos, os sistemas de algoritmos de inteligência artificial adaptativos analisam respostas</p><p>anteriores, reconhecendo padrões que possam indicar pontos de dificuldade ou facilidade da pessoa em</p><p>determinado assunto.</p><p>A respeito dessas asserções, assinale a alternativa correta:</p><p>Sua resposta</p><p>Correta</p><p>as asserções I e II são proposições verdadeiras, e a II é uma justificativa da I.</p><p>6</p><p>Questão 1</p><p>Correta</p><p>Variáveis são as características de uma pesquisa, de um projeto. Por exemplo, a variável fruta pode ter</p><p>como resultado possível: maçã, laranja ou kiwi.</p><p>Qual das alternativas abaixo representa a categoria da variável fruta?</p><p>Sua resposta</p><p>Correta</p><p>Qualitativa nominal</p><p>7</p><p>Questão 2</p><p>Correta</p><p>Vimos até então que há diferentes tipos de Inteligências Artificial: ANI, AGI e ASI. Cada uma delas com</p><p>sua particularidade e com visões diferentes.</p><p>Qual das alternativas é também chamada de Inteligência Artificial Forte?</p><p>Sua resposta</p><p>Correta</p><p>Inteligência Artificial Geral</p><p>8</p><p>Questão 3</p><p>Correta</p><p>Para definirmos um problema de busca, precisamos deixar claro algumas definições. A definição do</p><p>problema é primordial, onde o agente deve estar claro quanto ao objetivo. Como haverão diversas</p><p>soluções possíveis, o agente deve ser capaz de classificar e avaliar uma solução, determinando a sua</p><p>preferência.</p><p>Qual das alternativas melhor define a seguinte frase: "Uma função que atribui um custo numérico a um</p><p>caminho"?</p><p>Sua resposta</p><p>Correta</p><p>Custo do caminho</p><p>9</p><p>Questão 4</p><p>Correta</p><p>Para definirmos um problema de busca, precisamos deixar claro algumas definições. A definição do</p><p>problema é primordial, onde o agente deve estar claro quanto ao objetivo. Como haverão diversas</p><p>soluções possíveis, o agente deve ser capaz de classificar e avaliar uma solução, determinando a sua</p><p>preferência</p><p>Qual das alternativas abaixo representa a definição de: "Uma maneira de verificar se um estado é o</p><p>objetivo"?</p><p>Sua resposta</p><p>Correta</p><p>Teste de Objetivo</p><p>10</p><p>Questão 5</p><p>Correta</p><p>Variáveis são as características de uma pesquisa, de um projeto. Por exemplo, a variável tamanho, pode</p><p>ter infinitas possibilidades: 2cm, 2,5cm, 5cm, 10cm e assim por diante.</p><p>A variável tamanho, possui qual categoria?</p><p>Sua resposta</p><p>Correta</p><p>Quantitativa contínua</p><p>11</p><p>Questão 1</p><p>Correta</p><p>Deep Learning envolve pegar grandes volumes de dados estruturados ou não estruturados e usar</p><p>algoritmos complexos para treinar redes neurais. Ele</p><p>realiza operações complexas para extrair padrões e</p><p>recursos ocultos (por exemplo, distinguir a imagem de um gato da de um cachorro).</p><p>As RNNs conseguem obter vantagens em relação às redes feed-forwards, pois</p><p>Sua resposta</p><p>Correta</p><p>as RNNs porque aproveitam um tipo especial de camada neural, conhecido como camadas recorrentes,</p><p>que permitem que a rede mantenha o estado entre os usos da rede.</p><p>12</p><p>Questão 2</p><p>Correta</p><p>Embora o Deep Learning seja uma subárea do Machine Learning, a quantidade absurda de algoritmos e</p><p>aplicativos torna difícil avaliar quais podem ser os parâmetros específicos para o Deep Learning. Isso é</p><p>tão difícil quanto tentar definir os ingredientes necessários para a pizza, uma vez que quase todos os</p><p>componentes são substituíveis.</p><p>Com relação às técnicas de Deep Learning, faça a associação dos modelos contidos na coluna A com suas</p><p>respectivas definições, apresentadas na coluna B.</p><p>COLUNA A COLUNA B</p><p>I. Perceptron</p><p>1. Técnica capaz de diferenciar objetos em uma imagem de entrada atribuindo pesos a várias características</p><p>da imagem.</p><p>II. Perceptron multicamadas (MLP)</p><p>2. Modelo em que as conexões entre os neurônios podem criar um ciclo, permitindo um comportamento</p><p>dinâmico temporal.</p><p>III. Rede Neural Convolucional (CNN) 3. Modelo que utiliza o princípio do neurônio MP e uma regra de aprendizagem para a solução de problemas.</p><p>IV. Rede Neural Recorrente (RNN) 4. Rede neural densa do tipo feed-forward com uma ou mais camadas ocultas.</p><p>Assinale a alternativa que apresenta a associação CORRETA entre as colunas.</p><p>Sua resposta</p><p>Correta</p><p>I – 3, II – 4, III – 1, IV – 2.</p><p>13</p><p>Questão 3</p><p>Correta</p><p>É dito que uma rede está com sobreajuste ou ainda com overfitting quando está super adaptando aos</p><p>dados de treino, mas apresenta resultados ruim quando utilizado os dados de teste. Overfitting é um</p><p>grande problema em RNAs. Isso é especialmente verdadeiro em modelos modernos, como arquiteturas</p><p>de Deep Learning, que geralmente têm um grande número de pesos e vieses.</p><p>Assinale a alternativa que apresenta a camada utilizada para impedir o overfitting em um modelo de</p><p>CNN.</p><p>Sua resposta</p><p>Correta</p><p>Camada Dropout.</p><p>14</p><p>Questão 4</p><p>Incorreta</p><p>Os modelos de Deep Learning mais simples são chamados de Perceptron multicamadas (MLP). Este</p><p>modelo consiste em várias camadas de neurônios cada um totalmente conectado àqueles na camada</p><p>anterior (do qual eles recebem as informações) e àqueles na camada seguinte (que eles, por sua vez,</p><p>influenciam).</p><p>Para realizar a implementação do algoritmo da rede MLP, após inicializar os pesos com valores aleatórios</p><p>ou nulos, é necessário seguir os seguintes passos:</p><p>1. 1. Cada sinal de entrada é transferido para todas as unidades na camada interna.</p><p>2. 2. Teste a condição de parada.</p><p>3. 3. Cada neurônio de saída e da camada interna atualiza seus pesos.</p><p>4. 4. Cada neurônio de saída soma suas entradas multiplicadas pelo peso e aplica sua função de</p><p>ativação para computar seu sinal de saída.</p><p>5. 5. Cada neurônio das camadas interna soma suas entradas multiplicadas pelo peso, aplica a</p><p>função de ativação para computar seu sinal de saída e envia o sinal para todas as unidades na</p><p>camada de saída.</p><p>6. 6. Computa o termo de erro de informação e envia para os neurônios da camada anterior.</p><p>7.</p><p>Assinale a alternativa que apresenta a ordem correta dos passos realizados.</p><p>Sua resposta</p><p>Incorreta</p><p>6 – 3 – 1 – 4 – 5 – 2.</p><p>Solução esperada</p><p>1 – 5 – 4 – 6 – 3 – 2.</p><p>15</p><p>Questão 5</p><p>Correta</p><p>O reconhecimento automático de fala (ASR, do inglês Automatic Speech Recognition) refere-se à tarefa</p><p>de reconhecer a fala humana e traduzi-la em texto. Este campo de pesquisa ganhou muito foco nas</p><p>últimas décadas. É uma importante área de pesquisa para a comunicação homem-máquina.</p><p>Considerando a escolha de um modelo de rede neural para um sistema de reconhecimento de voz,</p><p>avalie as seguintes asserções e a relação proposta entre elas.</p><p>I. Ambas as redes rasas e profundas são capazes de se encaixar em qualquer função, mas as redes rasas</p><p>são preferidas hoje às redes profundas.</p><p>PORQUE</p><p>II. Redes rasas requerem muitos parâmetros, ao contrário de redes profundas que podem ajustar</p><p>funções mesmo com um número limitado de parâmetros por causa de várias camadas.</p><p>A respeito dessas asserções, assinale a alternativa correta.</p><p>Sua resposta</p><p>Correta</p><p>A asserção I é uma proposição falsa e a II, verdadeira.</p><p>16</p><p>A Visão Computacional Clássica não emprega técnicas de aprendizado de máquina, porém ela é a base</p><p>de diversas abordagens. Existem muitas ferramentas clássicas, cada qual com sua gama de</p><p>aplicabilidade, por exemplo, o pré-processamento ajuda a remover informações irrelevantes ou destacar</p><p>alguns recursos importante. Segundo Kot, podemos dividir as etapas da Visão Computacional da</p><p>seguinte forma:</p><p>• Aquisição: etapa que visa a captação das imagens;</p><p>• Processamento de imagens: o objetivo deste estágio é adequar e otimizar os dados visuais</p><p>adquiridos. Para isso, podem ser aplicadas algumas técnicas como retirada de ruídos, rotação da</p><p>imagem, aplicação de filtros, etc.;</p><p>• Análise de imagens: é nesta fase que as imagens são tornadas únicas do ponto de vista do</p><p>computador. Cada imagem é atribuída à uma função única de duas incógnitas independentes,</p><p>que podem ser visualizadas de forma mais objetiva pelas máquinas;</p><p>• Reconhecimento de padrões: neste ponto as imagens são classificadas em função de suas</p><p>características similares.</p><p>Considerando as informações apresentadas, analise as afirmativas a seguir:</p><p>I - Muitas técnicas de processamento de imagem utilizam conceitos da Visão Computacional Clássica,</p><p>como redimensionamento de imagens e rotação;</p><p>II - Como a Visão Computacional clássica não usa técnicas de aprendizado profundo ela não pode ser</p><p>usada em um sistema de reconhecimento de padrões;</p><p>III - Rotacionar uma imagem pode ser útil para aumentar a base de dados e produzir imagens com</p><p>ângulos diferentes, fornecendo a rede neural outra perspectiva sobre o mesmo problema.</p><p>IV - Técnicas de aquisição de imagens não são abordadas pela Visão Computacional Clássica.</p><p>Considerando o contexto apresentado, é correto o que se afirma em:</p><p>Sua resposta</p><p>Correta</p><p>I e III apenas.</p><p>17</p><p>Questão 2</p><p>Os seres humanos estão constantemente reconhecendo padrões do mundo e, para isso, utilizam os</p><p>sentidos para obter algum tipo de informação, que em seguida é processada pelo cérebro. Por exemplo,</p><p>podemos usar o tato para identificar o formato de um objeto ou dizer se ele está quente ou frio, assim as</p><p>formas e a temperatura servem como características do problema. Com a visão na é diferente, cores,</p><p>formas, contornos e outras características visuais ajudam na identificação de um objeto e associação o</p><p>seu respectivo rótulo. Assim, essas informações do mundo real são usadas em um contexto de decisão.</p><p>Com a Inteligência Artificial não é muito diferente e a revista Statplace faz a seguinte observação sobre o</p><p>tópico:</p><p>"Machine Learning (ou aprendizado de máquina) é uma inteligência artificial que permite que</p><p>computadores tomem decisões com a ajuda de algoritmos. Esses algoritmos reconhecem padrões e se</p><p>tornam capazes de fazer predições. De forma bem simples, o Machine Learning se baseia na construção</p><p>e no uso de algoritmos que “aprendem” a partir dos dados."</p><p>De acordo as informações apresentadas no texto, a afirmação da revista e seus conhecimentos, faça a</p><p>associação dos conceitos contidos na Coluna A com suas respectivas explicações, apresentados na</p><p>Coluna B.</p><p>A B</p><p>1 - Classificação A - É uma métrica de desempenho usada em sistemas de classificação.</p><p>2 - Regressão B - Diferentes instâncias do mesmo objeto são separadas com</p><p>máscaras de pixels de cores diferentes.</p><p>3 - Acurácia C - Define de modo preciso a fronteira de separação entre duas classes distintas.</p><p>4 - Segmentação de Classe D - Com base nas característica extraídas, faz uma previsão de acordo com categorias previamente definidas.</p><p>5 - Segmentação de Instâncias E - Com base em preditores, faz uma previsão de um valor numérico contínuo, como um preço.</p><p>Assinale a alternativa que apresenta a associação CORRETA entre as colunas.</p><p>Sua resposta</p><p>Correta</p><p>1-D; 2-E; 3-A; 4-C; 5-B.</p><p>18</p><p>Questão 3</p><p>Correta</p><p>A empresa de Inteligência Artificial em que trabalha te alocou em um novo projeto e o seu gestor</p><p>contextualizou o desafio da seguinte maneira: "Precisamos desenvolver um sistema de Visão</p><p>Computacional que identifica diversas frutas em uma esteira e faz a separação de acordo com o tipo</p><p>(maça, banana, laranja, etc)". Você precisa decidir entre um sistema de classificação e regressão.</p><p>Segundo Mario Filho, duas das abordagem de aprendizado de máquina podem ser contextualizadas da</p><p>seguinte forma:</p><p>"Nas tarefas de classificação buscamos prever qual é a categoria a que uma amostra pertence como, por</p><p>exemplo, determinar se uma mensagem é spam."</p><p>"Na regressão buscamos prever um valor numérico, como, por exemplo, as vendas de uma empresa para</p><p>o próximo mês."</p><p>Assinale a alternativa que apresenta corretamente as características do problema mencionado pelo</p><p>gestor.</p><p>Sua resposta</p><p>Correta</p><p>Você irá trabalhar em um sistema de detecção de objetos e, por isso, deve usar classificação para prever</p><p>valores discretos. A função de perda utilizada pode ser a categorical_accuracy.</p><p>19</p><p>Questão 4</p><p>Correta</p><p>A Inteligência Artificial (IA) é um ramo científico que ganhou muito destaque nos últimos anos e os</p><p>produtos derivados desta tecnologia estão começando a invadir o mercado. Embora a ideia não seja</p><p>recente, foi nos últimos 10 anos que IA avançou consideravelmente, isso aconteceu devido a invenção de</p><p>novos algoritmos do gênero e graças as Unidades Gráficas de Processamento. Outro ponto importante</p><p>que está assegurando a evolução rápida do tema é a sua relevância para os negócios e industria 4.0,</p><p>levando esse aspecto em consideração a revista Flai faz o seguinte comentário e traz a Figura 1:</p><p>"Assim, quem aprender e explorar essa tecnologia, capaz de aumentar a capacidade produtiva e</p><p>reduzir os custos dos negócios, pode se tornar um profissional requisitado no mercado de trabalho."</p><p>Figura 1: Setores onde a Inteligência Artificial é aplicada</p><p>Fonte: FLAI. Como a Inteligência Artificial está transformando os Negócios. 2020. Disponível em:</p><p>https://www.flai.com.br/juscudilio/como-a-inteligencia-artificial-esta-transformando-os-negocios/.</p><p>Acessado em 10 dez. 2022.</p><p>Considerando o contexto do enunciado, a Figura 1 e a afirmação da revista Flai, assinale a alternativa</p><p>correta.</p><p>Sua resposta</p><p>Correta</p><p>A indústria 4.0 irá cada vez mais se beneficiar das técnicas de Visão Computacional, pois a automatização</p><p>de processos e a integração dos dispositivos com sistemas capazes de "enxergar" o mundo irá trazer uma</p><p>vantagem competitiva paras empresas. Um exemplo é a detecção de defeitos em peças.</p><p>20</p><p>Questão 5</p><p>Correta</p><p>Em suma, o treinamento de uma rede neural em um sistema de classificação acontece da seguinte</p><p>forma: a cada iteração, o modelo ajusta os pesos de suas unidades de acordo com os vetores X/y. O</p><p>treinamento iterativo é feito através de incrementos conhecidos como épocas. A Figura 1 apresenta</p><p>resumidamente as etapas para construção de um modelo inteligente, onde podemos observar na parte</p><p>inferior a evolução do treino ao longo das épocas. Considerando esse mesmo assunto, o blog GFT faz a</p><p>seguinte afirmação sobre o treinamento de um modelo:</p><p>"Depois de rodar todas as épocas, teremos um modelo treinado, que aprendeu características sobre os</p><p>dados apresentados."</p><p>Figura 1: Etapas básicas para construção de um modelo de aprendizado de máquina.</p><p>Fonte: Elaborado pelo autor.</p><p>21</p><p>Considerando o contexto apresentado, a Figura acima e o texto retirado do blog, avalie as seguintes</p><p>asserções e a relação proposta entre elas.</p><p>I. Para validar um modelo de Inteligência Artificial, devemos usar o conjunto de validação e para testar</p><p>usamos o conjunto de teste. A validação pode ser feita durante o treinamento da rede, onde através da</p><p>avaliação da perda ao longo épocas, procuramos por problemas como overffiting e underfitting. Se</p><p>houver uma divergência muito grande entre a perda do conjunto de treino e a perda do conjunto de</p><p>validação temos um indicativo de que modelo não está aprendendo corretamente.</p><p>PORQUE</p><p>II. Temos um indicativo do problema de overffiting, já que a rede consegue melhorar nas amostras de</p><p>treino e não aprende muita coisa sobre as amostras de validação/teste. Além disso, a afirmação do blog</p><p>GFT, se for analisada isoladamente, está errada, já que rodar todas as épocas não garante que o modelo</p><p>tenha aprendido as características dos dados. Ou seja, temos que fazer uma análise mais criteriosa,</p><p>através do conjunto de teste e do gráfico de perda. Esta conclusão pode ser facilmente interpretada</p><p>através da Figura 1, onde na parte inferior direita verificamos um gráfico de perda. O gráfico mostra que</p><p>a partir de certo ponto há uma divergência entre o treino e validação, assim, muitas épocas nem sempre</p><p>garante um bom modelo.</p><p>A respeito dessas asserções, assinale a alternativa correta.</p><p>Sua resposta</p><p>Correta</p><p>As asserções I e II são proposições verdadeiras e a II justifica a I.</p><p>22</p><p>Questão 1</p><p>Respondida</p><p>Na Inteligência Artificial temos 3 categorias diferentes de inteligência que podemos citar. Elas são bem</p><p>conhecidas pelas siglas: ANI, AGI e ASI. Que vem do inglês para, respectivamente, "Artificial Narrow</p><p>Intelligence", " Artificial General Intelligence" e "Artificial Super Intelligence". O que se traduz para:</p><p>Inteligência Artificial Estreita (ANI), Inteligência Artificial Geral (AGI) e Super Inteligência Artificial (ASI).</p><p>Qual dessas temos hoje em dia em maior escala?</p><p>• Inteligência Artificial Estreita</p><p>• Inteligência Artificial Geral</p><p>• Super Inteligência Artificial</p><p>• Todas elas</p><p>• Nenhuma delas</p><p>Sua resposta</p><p>Inteligência Artificial Estreita</p><p>23</p><p>Questão 2</p><p>Respondida</p><p>Para definirmos um problema de busca, precisamos deixar claro algumas definições. A definição do</p><p>problema é primordial, onde o agente deve estar claro quanto ao objetivo. Como haverão diversas</p><p>soluções possíveis, o agente deve ser capaz de classificar e avaliar uma solução, determinando a sua</p><p>preferência.</p><p>Qual das alternativas melhor define a seguinte frase: "Uma função que atribui um custo numérico a um</p><p>caminho"?</p><p>• Estado Inicial</p><p>• Estados</p><p>• Teste de Objetivo</p><p>• Ações</p><p>• Custo do caminho</p><p>Sua resposta</p><p>Custo do caminho</p><p>24</p><p>Questão 3</p><p>Respondida</p><p>Variáveis são as características de uma pesquisa, de um projeto. Por exemplo, a variável fruta pode ter</p><p>como resultado possível: maçã, laranja ou kiwi.</p><p>Qual das alternativas abaixo representa a categoria da variável fruta?</p><p>• Quantitativa discreta</p><p>• Quantitativa contínua</p><p>• Qualitativa ordinal</p><p>• Qualitativa nominal</p><p>• Variável resposta</p><p>Sua resposta</p><p>Qualitativa nominal</p><p>25</p><p>Questão 4</p><p>Respondida</p><p>No algoritmo genético representamos por meio de computadores uma estrutura semelhante a genética,</p><p>com genes, cromossomos, população, alelo, entre outros. Essa representação possui a mesma forma e é</p><p>interpretado como um algoritmo, ou seja, uma sequência de passos pelo computador.</p><p>Na Figura abaixo qual é o termo que está numero com 1?</p><p>Fonte: Elaborado pelo autor.</p><p>• Gene</p><p>• Cromossomo</p><p>• População</p><p>• Aptidão</p><p>• Alelo</p><p>Sua resposta</p><p>Gene</p><p>Alternativa Correta: Cromossomo</p><p>26</p><p>Questão 5</p><p>Respondida</p><p>Algoritmos Genéticos possuem algumas sequências de passos a serem realizadas pelo computador.</p><p>Alguns famosos problemas podem ser resolvidos através deles, como por exemplo o do Caixeiro</p><p>Viajante, o do empacotamento, o da mochila, entre outros.</p><p>Seja o problema com a seguinte definição: "Dada uma lista de cidades e uma distância entre elas, qual é</p><p>a melhor rota possível para visitar cada uma das cidades e retornar ao ponto de origem?". Esta definição</p><p>trata de qual problema famoso?</p><p>• Problema do Caixeira Viajante</p><p>• Problema do Empacotamento</p><p>• Problema da Mochila</p><p>• Teoria do macaco infinito</p><p>• Nenhum desses</p><p>Sua resposta</p><p>Problema do Caixeira Viajante</p><p>27</p><p>Questão 6</p><p>Sem resposta</p><p>Variáveis são as características de uma pesquisa, de um projeto. Por exemplo, a variável tamanho, pode</p><p>ter infinitas possibilidades: 2cm, 2,5cm, 5cm, 10cm e assim por diante.</p><p>A variável tamanho, possui qual categoria?</p><p>• Quantitativa discreta</p><p>• Quantitativa contínua</p><p>• Qualitativa ordinal</p><p>• Qualitativa nominal</p><p>• Variável resposta</p><p>Sua resposta</p><p>Qualitativa nominal</p><p>Alternativa Correta: Quantitativa contínua</p><p>28</p><p>Questão 7</p><p>Sem resposta</p><p>Vimos até então que há diferentes tipos de Inteligências Artificial: ANI, AGI e ASI. Cada uma delas com</p><p>sua particularidade e com visões diferentes.</p><p>Qual das alternativas é também chamada de Inteligência Artificial Forte?</p><p>• Inteligência Artificial Estreita</p><p>• Inteligência Artificial Geral</p><p>• Super Inteligência Artificial</p><p>• Memória Limitada</p><p>• Teoria da Mente</p><p>Sua resposta</p><p>Inteligência Artificial Geral</p><p>29</p><p>Questão 8</p><p>Sem resposta</p><p>Para definirmos um problema de busca, precisamos deixar claro algumas definições. A definição do</p><p>problema é primordial, onde o agente deve estar claro quanto ao objetivo. Como haverão diversas</p><p>soluções possíveis, o agente deve ser capaz de classificar e avaliar uma solução, determinando a sua</p><p>preferência</p><p>Qual das alternativas abaixo representa a definição de: "Uma maneira de verificar se um estado é o</p><p>objetivo"?</p><p>• Estado Inicial</p><p>• Estados</p><p>• Ações</p><p>• Modelo de Transição</p><p>• Teste de Objetivo</p><p>Sua resposta</p><p>Teste de Objetivo</p><p>30</p><p>Questão 9</p><p>Sem resposta</p><p>No algoritmo genético representamos por meio de computadores uma estrutura semelhante a genética,</p><p>com genes, cromossomos, população, alelo, entre outros. Essa representação possui a mesma forma e é</p><p>interpretado como um algoritmo, ou seja, uma sequência de passos pelo computador.</p><p>Qual das alternativas representa o número 3?</p><p>Fonte: Elaborado pelo autor</p><p>• Gene</p><p>• Cromossomo</p><p>• População</p><p>• Aptidão</p><p>• Alelo</p><p>Sua resposta</p><p>População</p><p>31</p><p>Questão 10</p><p>Sem resposta</p><p>Um algoritmo genético possui algumas sequências de passos a serem realizados pelo computador. Nessa</p><p>sequência de passos há um loop que se repete até encontrarmos a nossa solução. Essas etapas são feitas</p><p>em ordem sequencial e independente do problema, elas serão as mesmas.</p><p>Os passos são.</p><p>COMEÇA</p><p>Gera a população inicial</p><p>Calcula a aptidão</p><p>REPETE</p><p>1</p><p>2</p><p>3</p><p>4</p><p>ATÉ QUE a população tenha convergido</p><p>PARA</p><p>Qual é a primeira (representado pelo número 1) etapa do algoritmo?</p><p>• Seleção</p><p>• Crossover</p><p>• Mutação</p><p>• Calculo da aptidão</p><p>• Criação da população</p><p>Sua resposta</p><p>Seleção</p><p>32</p><p>Questão 1</p><p>Mansour (2011) nos informa que o objetivo dos algoritmos de busca é encontrar elementos</p><p>com determinadas propriedades em um espaço de busca ou em meio a uma coleção de</p><p>elementos. A solução para uma busca, ainda segundo o autor, pode ser um elemento ou um</p><p>conjunto de elementos que atendem às condições da busca. A partir deste contexto, avalie a</p><p>seguinte imagem e classfique o tipo de busca ilustrada pela figura.</p><p>Fonte: UFPE, Acessado em 25 jun 2018.</p><p>Assinale a alternativa correta:</p><p>Sua resposta</p><p>Busca em Largura.</p><p>Análise da figura: --> No que, neste tipo de</p><p>busca, sempre expande o nó no nível mais PROFUNDO da árvore, por exemplo o primeiro nó de</p><p>profundidade 1 (vértice A), o primeiro nó de profundidade 2 (vértice b), etc. --> Nesse tipo de busca,</p><p>quando o nó final não é a solução, o algoritmo volta para expandir os nós que ainda estão na fronteira</p><p>do espaço de estados. Esse fenômeno é chamado de backtracking. --> Esse tipo de busca é chamado de</p><p>Busca em Profundidade.</p><p>33</p><p>Questão 2</p><p>Respondida</p><p>O método de busca em profundidade é aquele em que o algoritmo explora a profundidade de um ramo</p><p>da árvore o máximo que for possível (até chegar a uma folha) antes de retornar à bifurcação mais</p><p>próxima ainda não explorada e repetir o processo de aprofundamento.</p><p>Considere a árvore a seguir:</p><p>Fonte: Vargas 2018.</p><p>Dependendo da ordem em que são executadas as tarefas, teremos um resultado diferente na ordenação</p><p>nos nós. O método de busca em profundidade permite que os nós da estrutura sejam apresentados em</p><p>três tipos diferentes de ordenação: Pré-Ordem, Pós-Ordem e Em-Ordem.</p><p>Assinale a alternativa que apresenta corretamente os resultados para os três tipos de ordenação:</p><p>• Pré-Ordem: ABDGCEHIF / Ordem: DGBAHEICF / Pós-Ordem: GDBHIEFCA</p><p>• Pré-Ordem: ADBGCHEIF / Ordem: DGBAHEIFC / Pós-Ordem: GDBHEIFCA</p><p>• Pré-Ordem: BADGCEHIF / Ordem: GDBAHEIFC / Pós-Ordem: DBGHIEFCA</p><p>• Pré-Ordem: FBDGCEHIA / Ordem: FGBAHEICD / Pós-Ordem: ADBHIEFCA</p><p>• Pré-Ordem: GDBHIEFCA / Ordem: DGBAHEICF / Pós-Ordem: ABDGCEHIF</p><p>Sua resposta</p><p>Pré-Ordem: ABDGCEHIF / Ordem: DGBAHEICF / Pós-Ordem: GDBHIEFCA</p><p>34</p><p>Questão 3</p><p>Respondida</p><p>Russell e Norvig (2013) apontam alguns algoritmos de classificação especialmente adequados para uso</p><p>em Inteligência Artificial para reconhecimento de padrões. A partir deste cenário, avalie o seguinte</p><p>algoritmo:</p><p>Fonte: Vargas 2018.</p><p>A partir da análise e compreensão do algoritmo apresentado, classifique-o adequadamente.</p><p>Assinale a alternativa correta.</p><p>• Trata-se do algoritmo CNN.</p><p>• Trata-se do algoritmo Naive Bayes.</p><p>• Trata-se do algoritmo K-Means.</p><p>• Trata-se do algoritmo SVM.</p><p>• Trata-se do algoritmo K-NN.</p><p>Sua resposta</p><p>Trata-se do algoritmo K-NN.</p><p>35</p><p>Questão 4</p><p>Respondida</p><p>A empresa de tecnologia de informação C&Telecom está desenvolvendo um novo programa de</p><p>computador para diminuir as chances de enganos no diagnóstico do câncer de pulmão. Com o objetivo</p><p>de divulgar o sistema a companhia resolveu entrevistar algumas pessoas da cidade de Curitiba sobre o</p><p>vício de cigarro. Na cidade de Curitiba 51% dos adultos são do sexo masculino, sendo os outros 49% do</p><p>sexo feminino. Um adulto é selecionado aleatoriamente para a para pesquisa.</p><p>Assim:</p><p>a) Encontre a probabilidade da pessoa selecionada ser do sexo masculino.</p><p>b) Mais tarde, foi descoberto que o entrevistado selecionado estava fumando um cigarro. Além disso,</p><p>9,5% dos homens fumam cigarro, enquanto que 1,7% das mulheres fumam cigarro. Com base dessas</p><p>informações adicionais encontre qual a probabilidade do o sujeito selecionado ser um homem?</p><p>Assinale a alternativa correta:</p><p>• Probabilidade de 0.45 e 0.24 respectivamente</p><p>• Probabilidade de 0.51 e 0.85 respectivamente</p><p>• Probabilidade de 0.21 e 0.55 respectivamente</p><p>• Probabilidade de 0.25 e 0.43 respectivamente</p><p>• Probabilidade de 0.10 e 0.32 respectivamente</p><p>Sua resposta</p><p>Probabilidade de 0.51 e 0.85 respectivamente</p><p>36</p><p>Questão 5</p><p>Os métodos probabilísticos são ferramentas para mapear um cenário onde é possível avaliar a possível</p><p>ocorrência de um evento, eles são representados na área de inteligência artificial pelas redes Bayesianas.</p><p>Nesse tipo de rede, são estimados diversos eventos e suas dependências, com isso é possível modelar</p><p>um sistema com esse tipo de rede nos mais diversos casos. As redes Bayesianas pode ser aplicada para o</p><p>diagnóstico de doenças, ajudando os profissionais da saúde nesse tipo de tarefa onde existem diversas</p><p>variáveis. Um dos cenários é o diagnóstico de doenças cardiopulmonares, onde um conjunto de</p><p>sintomas pode levar a diagnósticos diferentes. A figura-1 a seguir representa uma rede, que relaciona um</p><p>conjunto de sintomas que levam a pneumonia.</p><p>Considerando o contexto e a Figura-1, avalie as seguintes afirmativas:</p><p>I - Existe uma relação entre a febre, fadiga, tosse e pneumonia;</p><p>II - Para que a rede modele um paciente que teve apenas febre e dor no tórax é necessário criar outra</p><p>rede auxiliar.</p><p>III - Para que o a rede modele um paciente que teve apenas febre e pneumonia é necessário ligar os</p><p>estados febre e pneumonia.</p><p>IV - A probabilidade é se ter dor no tórax é maior em casos de pneumonia.</p><p>V - A tosse é fator culminante para se ter pneumonia.</p><p>É correto apenas o que se afirma em:</p><p>• I e III.</p><p>• II, III e IV.</p><p>• I, II, IV e V.</p><p>• I, III e V.</p><p>• II, IV e V.</p><p>Sua resposta</p><p>I e III.</p><p>37</p><p>Questão 6</p><p>Sem resposta</p><p>O aprendizado bayesiano é um tipo de aprendizado supervisionado, já que são fornecidas ao algoritmo</p><p>de AM as instâncias juntamente com seus rótulos (ou seja, classes). Seguindo o paradigma estatÌstico, o</p><p>algoritmo faz uso de fórmulas estatísticas e cálculo de probabilidades para realizar a classificação</p><p>(Mitchell, 1997).</p><p>A partir deste cenário, partindo do domínio de aprendizagem de máquina, qual o classificador que se</p><p>baseia na aplicação do teorema de Bayes para o ciclo das probabilidades necessárias para a classificação</p><p>de um conjunto de dados rotulados? Assinale a alternativa correta:</p><p>• SVM.</p><p>• Naive Bayes.</p><p>• KNN.</p><p>• K-Means.</p><p>• Rede Bayesiana.</p><p>Sua resposta</p><p>Naive Bayes.</p><p>38</p><p>Questão 7</p><p>Sem resposta</p><p>Russell e Norvig (2013) apontam alguns algoritmos de classificação especialmente adequados para uso</p><p>em Inteligência Artificial para reconhecimento de padrões. Um dos algoritmos pelos quais, se refere os</p><p>autores é exibido a seguir:</p><p>.</p><p>A partir da análise e compreensão do algoritmo, avalie as seguites afirmações:</p><p>I. Algoritmo descrito acima é derivado da aplicação do Teorema de Bayes em redes com alto grau de</p><p>independência entre os nós;</p><p>II. O algoritmo descrito acima é utilizado para reconhecimento de padrões em textos;</p><p>III. O algoritmo acima é o K-NN.</p><p>A partir deste cenário, é correto o que se afirma em:</p><p>• Apenas a afirmativa II está correta.</p><p>• Apenas as afirmativas I e II estão corretas.</p><p>• Apenas as afirmativas I e III estão corretas.</p><p>• Apenas as afirmativas II e III estão corretas.</p><p>• As afirmativas I, II e III estão corretas.</p><p>Sua resposta</p><p>Apenas as afirmativas I e II estão corretas.</p><p>39</p><p>Questão 8</p><p>Em muitos problemas reais, não há informações completas sobre o ambiente, seja por falha na coleta</p><p>dos dados, imprecisão do aparelho de coleta ou até mesmo sendo a informação de impossível obtenção.</p><p>Nestes casos técnicas que trabalham com o raciocínio probabilístico podem ser interessantes. Métodos</p><p>de raciocínio probabilístico podem trabalhar bem em ambientes onde existem informações parciais</p><p>(incompletas) ou informações aproximadas (não exatas), ou seja, tais métodos podem ser aplicados</p><p>sobre incertezas. Em ambientes de incerteza é possével utilizar-se de ferramentas como a Teoria da</p><p>Probabilidade com enfoque Bayesiano, que considera a probabilidade como o grau de certeza da</p><p>ocorrência de um evento.Entre os métodos estatísticos utilizados em I.A., destaca-se o aprendizado</p><p>Bayesiano, que utiliza um modelo probabilístico baseado no conhecimento prévio do problema, o qual é</p><p>combinado com exemplos de treinamento para determinar a probabilidade final de uma hipótese</p><p>(Mitchel citado por Rezende, 2004, p.93). A partir deste cenário, julgue as afirmativas a seguir em (V)</p><p>Verdadeiras ou (F) Falsas.</p><p>( ) Redes bayesianas são modelos de representação do conhecimento que trabalham com o</p><p>conhecimento incerto e incompleto por meio do Teorema de Bayes, publicado pelo matemático Thomas</p><p>Bayes em 1763;</p><p>( ) Os sistemas baseados em redes Bayesianas não são capazes de gerar automaticamente predições ou</p><p>decisões mesmo na situação de inexistência de algumas peças de informação;</p><p>( ) Nos anos 60 foram experimentadas técnicas de teoria da decisão e técnicas Bayesianas em</p><p>problemas de diagnóstico médico;</p><p>( ) A técnica de Redes Bayesianas é uma abordagem interpretativa e analítica para a Inteligência</p><p>Artificial Probabilística e tem sido utilizada recentemente em diversas áreas como, por exemplo,</p><p>estimação de risco operacional, diagnóstico médico, credit scoring, projeto de jogos computacionais,</p><p>imputação de dados, entre outras.</p><p>Assinale a alternativa que apresenta a sequência CORRETA:</p><p>• V – V – F – F.</p><p>• F – F – V – V.</p><p>• V – F – V – F.</p><p>• V – F – V – V.</p><p>• V – V – V – F.</p><p>Sua resposta</p><p>V – F – V – V.</p><p>40</p><p>Questão 9</p><p>Sem resposta</p><p>Os algoritmos de busca são subjacentes aos agentes inteligentes, parte fundamental de uma solução de</p><p>inteligência artificial. Os autores desenvolvem o assunto de maneira abrangente, apresentando vários</p><p>tipos de busca em estruturas de dados que se aproveitam de características específicas dessas</p><p>estruturas para serem mais eficazes. A partir deste cenário, avalie o seguinte algoritmo de busca:</p><p>Fonte: Vargas, 2018.</p><p>A partir deste contexto, é correto afirmar que o agoritmo de busca ilustrado pela figura trata-se de uma:</p><p>• Busca em Largura.</p><p>• Busca em Profundidade.</p><p>• Busca Quadrática.</p><p>• Busca Gulosa.</p><p>• Busca Retórica.</p><p>Sua resposta</p><p>Busca em Largura.</p><p>41</p><p>Questão 10</p><p>Sem resposta</p><p>A técnica chamada K Nearest Neighbors (Knn) é caracterizada como um método baseado em</p><p>classificadores, esse método pode ser utilizada para definir os K elementos descritos por suas</p><p>características mais próximas. Essa técnica pode ser aplicada em diversos cenários, como exemplo se</p><p>pode utilizar o Knn para classificar padrões encontrados em imagens com o objetivo de, por exemplo,</p><p>reconhecer faces, reconhecer as letras e os números da placa de um carro.</p><p>O método de classificação que utiliza a abordagem supervisionada depende de um conjunto básico de</p><p>informações. Com base nisso, avalie a sentença a seguir preenchendo suas lacunas:</p><p>Os métodos baseados em classificadores devem considerar as ____________ para que o sistema possa</p><p>____________. Nesta etapa se deve considerar o tempo computacional para que os resultados positivos</p><p>sejam ____________ e os falsos positivos ____________ e caso necessário o processo pode ser</p><p>____________.</p><p>Assinale a alternativa que preenche corretamente as lacunas.</p><p>• probabilidades / validar / zerados / reduzidos / validado.</p><p>• classes / treinar / maximizados / minimizados / repetido.</p><p>• classes / treinar / minimizados / maximizados / reaproveitado.</p><p>• classes / inferir / maximizados / minimizados / repetido.</p><p>• probabilidades / treinar / minimizados / maximizados / reaproveitado.</p><p>Sua resposta</p><p>classes / treinar / maximizados / minimizados / repetido.</p><p>42</p>