Prova_ Fundamentos de Algoritmos e Técnicas em Inteligência Artificial

Prévia do material em texto

Prova: Fundamentos de Algoritmos e Técnicas em 
Inteligência Artificial
Introdução
Esta prova explora os conceitos fundamentais, abordagens técnicas e implementações de 
algoritmos em Inteligência Artificial (IA) e Aprendizado de Máquina (AM). Teste seus 
conhecimentos e compreenda melhor como essas tecnologias funcionam e são aplicadas.
Questão 1
O que é um hiperparâmetro em aprendizado de máquina?
a) Um dado rotulado usado no treinamento do modelo.
b) Um parâmetro ajustado pelo modelo durante o treinamento.
c) Um valor definido pelo programador antes do treinamento.
d) Um tipo de algoritmo de otimização.
e) Uma métrica para avaliar a precisão do modelo.
Questão 2
Qual das opções abaixo descreve corretamente a função de uma função de ativação?
a) Aumentar a complexidade do conjunto de dados.
b) Introduzir não-linearidades no modelo para capturar padrões complexos.
c) Reduzir o número de camadas em redes neurais profundas.
d) Melhorar o desempenho em tarefas de regressão linear.
e) Normalizar os dados de entrada do modelo.
Questão 3
Qual é o objetivo do clustering em aprendizado de máquina?
a) Prever valores futuros com base em dados históricos.
b) Identificar grupos ou padrões em dados não rotulados.
c) Reduzir a dimensionalidade dos dados.
d) Treinar modelos supervisionados mais rapidamente.
e) Avaliar o desempenho do modelo em dados de teste.
Questão 4
Qual é uma aplicação comum de algoritmos de árvores de decisão?
a) Reconhecimento de imagens.
b) Classificação de dados em categorias distintas.
c) Análise de séries temporais.
d) Extração de texto em linguagem natural.
e) Criação de redes neurais profundas.
Questão 5
O que caracteriza a regularização em aprendizado de máquina?
a) A inclusão de dados redundantes no treinamento.
b) A penalização de modelos excessivamente complexos.
c) A aceleração do treinamento em redes profundas.
d) O uso de algoritmos baseados em árvores.
e) A exclusão de valores discrepantes nos dados.
Questão 6
O que é overfitting em aprendizado de máquina?
a) Quando um modelo não aprende adequadamente os dados de treinamento.
b) Quando um modelo generaliza bem para dados de teste.
c) Quando um modelo aprende em excesso os detalhes do conjunto de treinamento.
d) Quando um modelo é treinado com poucos dados.
e) Quando um modelo tem uma função de custo muito baixa.
Questão 7
Qual das seguintes opções é um exemplo de feature engineering?
a) Dividir o conjunto de dados em treino e teste.
b) Criar novas variáveis a partir de combinações das existentes.
c) Avaliar o desempenho do modelo.
d) Aumentar o tamanho do conjunto de dados original.
e) Usar redes neurais para extrair automaticamente recursos.
Questão 8
Por que a análise de viés é importante em sistemas de IA?
a) Para melhorar o desempenho do algoritmo em dados desbalanceados.
b) Para aumentar a eficiência no treinamento de redes profundas.
c) Para garantir que os modelos sejam justos e imparciais.
d) Para evitar o uso de funções de ativação não-linear.
e) Para garantir que algoritmos sejam aplicados apenas em dados rotulados.
Questão 9
Qual é o papel das redes neurais convolucionais (CNNs) em visão computacional?
a) Analisar sequências de texto em linguagem natural.
b) Criar clusters a partir de dados não estruturados.
c) Detectar padrões espaciais em imagens.
d) Predizer valores contínuos em problemas de regressão.
e) Processar grandes volumes de dados tabulares.
Questão 10
Qual é o principal objetivo do aprendizado por reforço?
a) Identificar padrões em dados rotulados.
b) Maximizar uma recompensa acumulada em um ambiente interativo.
c) Criar redes neurais profundas.
d) Melhorar a eficiência de algoritmos supervisionados.
e) Reduzir a dimensionalidade de dados de entrada.
Respostas e Justificativas
1. c) Um valor definido pelo programador antes do treinamento.
Justificativa: Hiperparâmetros, como taxa de aprendizado e número de camadas, 
são ajustados antes do treinamento.
2. b) Introduzir não-linearidades no modelo para capturar padrões complexos.
Justificativa: Funções de ativação ajudam redes neurais a aprender representações 
não-lineares.
3. b) Identificar grupos ou padrões em dados não rotulados.
Justificativa: O clustering organiza dados em grupos com características 
semelhantes.
4. b) Classificação de dados em categorias distintas.
Justificativa: Árvores de decisão são amplamente utilizadas para classificar dados 
em categorias definidas.
5. b) A penalização de modelos excessivamente complexos.
Justificativa: Regularização reduz o risco de overfitting ao simplificar o modelo.
6. c) Quando um modelo aprende em excesso os detalhes do conjunto de treinamento.
Justificativa: Overfitting ocorre quando o modelo é altamente ajustado aos dados de 
treinamento e não generaliza bem.
7. b) Criar novas variáveis a partir de combinações das existentes.
Justificativa: A engenharia de características melhora a representação dos dados 
para os modelos.
8. c) Para garantir que os modelos sejam justos e imparciais.
Justificativa: Analisar viés evita que algoritmos tomem decisões discriminatórias.
9. c) Detectar padrões espaciais em imagens.
Justificativa: CNNs são projetadas para processar dados com estruturas espaciais, 
como imagens.
10. b) Maximizar uma recompensa acumulada em um ambiente interativo.
Justificativa: O aprendizado por reforço se concentra em otimizar ações baseadas 
no feedback do ambiente.