Prova_ Avanços e Aplicações de IA e Aprendizado de Máquina

Prévia do material em texto

Prova: Avanços e Aplicações de IA e Aprendizado de 
Máquina
Introdução
Nesta prova, exploraremos como a IA e o Aprendizado de Máquina estão sendo usados 
para resolver problemas reais e quais os desafios técnicos e éticos envolvidos. As questões
foram formuladas para avaliar sua compreensão sobre técnicas, impactos e limitações 
dessas tecnologias.
Questão 1
O que caracteriza o Aprendizado Profundo (Deep Learning)?
a) Uso de árvores de decisão para modelagem.
b) Algoritmos baseados em lógica booleana.
c) Redes neurais artificiais com múltiplas camadas.
d) Modelagem de sistemas baseados em regras.
e) Classificação de dados com algoritmos genéticos.
Questão 2
Qual é uma característica importante de redes neurais artificiais?
a) Elas processam apenas texto em linguagem natural.
b) Elas simulam o funcionamento do cérebro humano.
c) Elas dependem exclusivamente de hardware especializado.
d) Elas substituem todos os tipos de aprendizado supervisionado.
e) Elas só funcionam em tarefas financeiras.
Questão 3
Qual é o impacto da IA em setores como saúde?
a) Automação completa de cirurgias.
b) Redução da necessidade de dados clínicos.
c) Análise preditiva para diagnóstico precoce.
d) Substituição de médicos humanos.
e) Eliminação de erros em todas as práticas médicas.
Questão 4
Em qual contexto é aplicado o Processamento de Linguagem Natural (PLN)?
a) Análise de imagens médicas.
b) Reconhecimento de padrões visuais.
c) Interpretação e geração de texto em linguagem humana.
d) Controle de veículos autônomos.
e) Simulações em gráficos 3D.
Questão 5
O que é um dataset balanceado?
a) Um conjunto de dados sem valores nulos.
b) Um conjunto de dados com quantidade equilibrada de classes.
c) Um conjunto de dados com apenas variáveis categóricas.
d) Um conjunto de dados obtido de sensores físicos.
e) Um conjunto de dados com valores duplicados.
Questão 6
Qual é o papel do feature engineering em AM?
a) Construir novos modelos baseados em aprendizado profundo.
b) Ajustar os hiperparâmetros de uma rede neural.
c) Selecionar ou criar características relevantes para o modelo.
d) Aplicar regularização no treinamento.
e) Remover dados de teste para acelerar o treinamento.
Questão 7
Qual é um risco associado à automação por IA?
a) Maior interação entre humanos e máquinas.
b) Aumento de custos na implementação inicial.
c) Substituição descontrolada de empregos.
d) Redução na eficiência dos sistemas produtivos.
e) Eliminação de tarefas repetitivas.
Questão 8
Qual dos seguintes é um exemplo de Aprendizado Supervisionado?
a) Agrupamento de dados sem rótulos conhecidos.
b) Classificação de imagens em categorias específicas.
c) Identificação de padrões em séries temporais.
d) Ajuste de estratégias em jogos por tentativas.
e) Interpretação de dados em gráficos visuais.
Questão 9
Qual é a principal aplicação de algoritmos genéticos?
a) Identificação de voz em dispositivos móveis.
b) Resolução de problemas de otimização complexos.
c) Criação de redes neurais convolucionais.
d) Classificação de e-mails como spam.
e) Reconhecimento facial em dispositivos móveis.
Questão 10
Por que a transparência nos algoritmos de IA é importante?
a) Para aumentar a velocidade do treinamento.
b) Para garantir que sejam usados apenas por cientistas.
c) Para explicar decisões automatizadas de forma compreensível.
d) Para impedir o uso em redes neurais profundas.
e) Para melhorar a coleta de dados não supervisionados.
Respostas e Justificativas
1. c) Redes neurais artificiais com múltiplas camadas.
Justificativa: O aprendizado profundo utiliza redes profundas para modelar dados 
complexos.
2. b) Elas simulam o funcionamento do cérebro humano.
Justificativa: Redes neurais são inspiradas na estrutura e no funcionamento do 
cérebro.
3. c) Análise preditiva para diagnóstico precoce.
Justificativa: A IA ajuda na identificação de doenças com base em padrões médicos.
4. c) Interpretação e geração de texto em linguagem humana.
Justificativa: O PLN é utilizado em assistentes virtuais e tradução automática.
5. b) Um conjunto de dados com quantidade equilibrada de classes.
Justificativa: Conjuntos balanceados evitam viés nos modelos.
6. c) Selecionar ou criar características relevantes para o modelo.
Justificativa: A engenharia de características melhora o desempenho do modelo.
7. c) Substituição descontrolada de empregos.
Justificativa: Automação pode gerar impactos negativos na força de trabalho.
8. b) Classificação de imagens em categorias específicas.
Justificativa: Aprendizado supervisionado requer dados rotulados para treinar 
modelos.
9. b) Resolução de problemas de otimização complexos.
Justificativa: Algoritmos genéticos são úteis para encontrar soluções em problemas 
difíceis.
10. c) Para explicar decisões automatizadas de forma compreensível.
Justificativa: Transparência ajuda a construir confiança e evitar decisões injustas.