Prova 1_ Avanços e Aplicações de Aprendizado de Máquina em Dados Complexos

Prévia do material em texto

Prova 1: Avanços e Aplicações de Aprendizado de Máquina em Dados 
Complexos
Introdução:
Esta prova testa o conhecimento sobre as aplicações de aprendizado de máquina em 
contextos de dados complexos, abordando desde técnicas clássicas até avanços modernos 
em deep learning.
Questão 1
O que é um algoritmo de aprendizado supervisionado?
a) Um algoritmo que realiza agrupamento de dados sem rótulos.
b) Um algoritmo que aprende a partir de dados rotulados e é capaz de fazer previsões em 
dados novos.
c) Um algoritmo que melhora o desempenho do modelo sem precisar de dados de 
treinamento.
d) Um algoritmo que não usa dados de entrada, mas aprende com feedback externo.
e) Um algoritmo que ajusta os dados de entrada durante o treinamento para melhorar a 
precisão.
Questão 2
Qual das seguintes afirmações sobre redes neurais profundas (deep learning) é correta?
a) Redes neurais profundas são mais rápidas de treinar do que redes rasas.
b) Redes neurais profundas podem aprender representações complexas dos dados sem a 
necessidade de engenharia manual de características.
c) Redes neurais profundas são sempre melhores que modelos simples, 
independentemente do tipo de dados.
d) Redes neurais profundas não são aplicáveis a dados não estruturados como imagens e 
texto.
e) Redes neurais profundas não requerem grandes volumes de dados para serem eficazes.
Questão 3
Em aprendizado não supervisionado, o que faz um algoritmo de clustering?
a) Ele classifica os dados em categorias previamente definidas.
b) Ele realiza previsões de valores contínuos com base em dados de treinamento.
c) Ele agrupa dados sem rótulos em clusters de acordo com semelhanças nas 
características.
d) Ele ajusta os parâmetros de um modelo para melhorar a acurácia.
e) Ele realiza a transformação dos dados de entrada em um formato mais útil para modelos 
supervisionados.
Questão 4
Qual técnica é usada para evitar o overfitting em modelos de aprendizado de máquina?
a) Aumentar o número de variáveis de entrada.
b) Aumentar a complexidade do modelo.
c) Regularização e validação cruzada (cross-validation).
d) Reduzir a quantidade de dados de treinamento.
e) Usar apenas uma camada de rede neural.
Questão 5
O que é backpropagation em redes neurais?
a) O processo de ajuste dos pesos da rede neural para minimizar a função de perda, 
utilizando o gradiente da função.
b) O processo de expansão das camadas da rede neural para melhorar sua capacidade de 
aprendizado.
c) O processo de transformar os dados de entrada em uma representação interna mais 
compacta.
d) O processo de normalizar os dados de entrada antes de passar pela rede.
e) O processo de adicionar ruído aos dados de entrada para melhorar a robustez da rede.
Questão 6
O que é a técnica de dimensionalidade em aprendizado de máquina?
a) A técnica de aumentar o número de variáveis para melhorar a acurácia do modelo.
b) A técnica de reduzir o número de variáveis, mantendo a maior parte da informação 
relevante.
c) A técnica de ajustar os parâmetros do modelo durante o treinamento.
d) A técnica de aumentar a complexidade do modelo para melhorar a precisão.
e) A técnica de coletar mais dados de treinamento.
Questão 7
O que é o Gradiente Descendente no treinamento de redes neurais?
a) Uma técnica para otimizar a função de perda ajustando os pesos da rede com base no 
erro.
b) Um tipo de rede neural usada para prever séries temporais.
c) Um método de regularização para reduzir a complexidade de modelos.
d) Uma técnica de avaliação para verificar a acurácia do modelo.
e) Um tipo de estrutura de rede usada em aprendizado não supervisionado.
Questão 8
No contexto de aprendizado supervisionado, o que é um classificador?
a) Um modelo que prevê um valor contínuo com base nas variáveis de entrada.
b) Um modelo que agrupa dados em diferentes categorias com base em características 
similares.
c) Um modelo que determina a quantidade de dados que deve ser usada no treinamento.
d) Um modelo que faz previsões sobre os rótulos dos dados com base nas características 
de entrada.
e) Um modelo que usa somente uma variável de entrada para fazer previsões.
Questão 9
Qual é o propósito da função de perda em um modelo de aprendizado de máquina?
a) Ajustar a arquitetura do modelo para melhorar a precisão.
b) Calcular a diferença entre as previsões do modelo e os valores reais, ajudando a otimizar
os parâmetros.
c) Reduzir a quantidade de dados necessários para o treinamento.
d) Estabelecer os parâmetros do modelo antes do treinamento.
e) Avaliar a robustez do modelo em relação a dados novos.
Questão 10
O que é uma Rede Neural Convolucional (CNN) e para que é comumente usada?
a) Uma rede usada para aprender representações não-lineares e é comumente aplicada em
tarefas de visão computacional.
b) Uma rede que usa apenas uma camada para realizar clustering de dados.
c) Uma rede que usa uma única função de ativação para aprender padrões simples.
d) Uma rede usada para prever séries temporais e sequências de dados.
e) Uma rede usada apenas para dados tabulares e estruturados.
Gabarito e Justificativa
1. b)
○ Algoritmos de aprendizado supervisionado aprendem a partir de dados 
rotulados e são capazes de fazer previsões para dados novos com base 
nesse aprendizado.
2. b)
○ Redes neurais profundas podem aprender representações complexas sem a 
necessidade de engenharia manual de características, o que é um grande 
avanço em relação a redes rasas.
3. c)
○ O clustering agrupa dados sem rótulos, formando clusters com base em 
semelhanças nas características dos dados.
4. c)
○ A regularização e a validação cruzada são técnicas utilizadas para evitar o 
overfitting, melhorando a capacidade de generalização do modelo.
5. a)
○ Backpropagation é o processo utilizado para ajustar os pesos da rede neural 
durante o treinamento, minimizando a função de perda.
6. b)
○ A redução de dimensionalidade visa diminuir o número de variáveis sem 
perder informações importantes, facilitando a modelagem.
7. a)
○ O gradiente descendente é uma técnica utilizada para otimizar a função de 
perda, ajustando os pesos da rede com base no erro calculado.
8. d)
○ Um classificador é um modelo de aprendizado supervisionado que faz 
previsões sobre os rótulos dos dados, classificando-os em categorias 
baseadas em suas características.
9. b)
○ A função de perda calcula a diferença entre as previsões do modelo e os 
valores reais, orientando a otimização dos parâmetros do modelo.
10. a)
● Redes neurais convolucionais (CNNs) são usadas principalmente para tarefas de 
visão computacional, como classificação de imagens e detecção de objetos, devido 
à sua capacidade de aprender representações espaciais.