Material 24

Prévia do material em texto

Material 24: Inteligência Artificial - Aprendizado de Máquina 
Questão 1: 
O que é inteligência artificial (IA)? 
a) Apenas robôs e androides. 
b) A capacidade de um computador ou sistema computacional de realizar tarefas que 
normalmente exigiriam inteligência humana, como aprendizado, raciocínio, resolução de 
problemas, percepção e compreensão da linguagem natural. 
c) Apenas programas de computador muito complexos. 
d) Apenas a internet das coisas (IoT). 
e) Apenas ficção cientifica 
Resposta: b) 
Questão 2: 
O que é aprendizado de máquina (machine learning)? 
a) Um tipo de programação tradicional. 
b) Um subcampo da IA que permite que os sistemas computacionais aprendam com os 
dados, sem serem explicitamente programados. 
c) Um tipo de robô. 
d) Um tipo de hardware. 
e) Um software de edição de texto. 
Resposta: b) 
Questão 3: 
Qual é a diferença entre aprendizado supervisionado e aprendizado não supervisionado? 
a) No aprendizado supervisionado, o algoritmo recebe dados de entrada rotulados (com as 
respostas corretas), enquanto no aprendizado não supervisionado, o algoritmo recebe 
apenas dados de entrada não rotulados. 
b) No aprendizado não supervisionado, o algoritmo recebe dados de entrada rotulados, 
enquanto no aprendizado supervisionado, o algoritmo recebe apenas dados de entrada não 
rotulados. 
c) Não há diferença. 
d) O aprendizado supervisionado é usado apenas para classificação, enquanto o aprendizado 
não supervisionado é usado apenas para regressão. 
e) O aprendizado supervisionado é mais rápido. 
Resposta: a) 
Questão 4: 
O que é um modelo de classificação em aprendizado de máquina? 
a) Um modelo que prevê um valor contínuo (ex: preço de uma casa). 
b) Um modelo que prevê uma categoria ou classe (ex: spam ou não spam). 
c) Um modelo que agrupa dados semelhantes. 
d) Um modelo que reduz a dimensionalidade dos dados. 
e) Um modelo que gera texto. 
Resposta: b) 
Questão 5: 
O que é um modelo de regressão em aprendizado de máquina? 
a) Um modelo que prevê um valor contínuo (ex: preço de uma casa). 
b) Um modelo que prevê uma categoria ou classe (ex: spam ou não spam). 
c) Um modelo que agrupa dados semelhantes. 
d) Um modelo que reduz a dimensionalidade dos dados. 
e) Um modelo que descobre padrões. 
Resposta: a) 
Questão 6: 
O que é overfitting (sobreajuste) em aprendizado de máquina? 
a) Quando o modelo se ajusta muito bem aos dados de treinamento, mas tem um 
desempenho ruim em dados novos (não vistos). 
b) Quando o modelo não se ajusta bem aos dados de treinamento. 
c) Quando o modelo é muito simples. 
d) Quando o modelo é muito complexo. 
e) Quando o modelo acerta tudo. 
Resposta: a) 
Questão 7: 
O que é validação cruzada (cross-validation)? 
a) Uma técnica para treinar um modelo de aprendizado de máquina. 
b) Uma técnica para avaliar o desempenho de um modelo de aprendizado de máquina, 
dividindo os dados em vários conjuntos de treinamento e teste. 
c) Uma técnica para selecionar as melhores features (variáveis) para um modelo. 
d) Uma técnica para evitar overfitting. 
e) Uma técnica para visualização de dados 
Resposta: b) 
Questão 8: Descreva, em até 5 linhas, o que é uma rede neural artificial e como ela se 
relaciona com o conceito de deep learning (aprendizado profundo). 
Resposta: Uma rede neural artificial é um modelo computacional inspirado no 
funcionamento do cérebro humano. É composta por unidades interconectadas (neurônios 
artificiais) organizadas em camadas. Cada conexão tem um peso, e a rede aprende ajustando 
esses pesos com base nos dados de treinamento. Deep learning (aprendizado profundo) é 
uma subárea do aprendizado de máquina que utiliza redes neurais artificiais com muitas 
camadas (redes neurais profundas) para aprender representações complexas dos dados. 
Questão 9: Explique a diferença entre batch learning (aprendizado em lote) e online learning 
(aprendizado online). 
Resposta: 
• Batch learning (aprendizado em lote): O algoritmo é treinado com todo o conjunto 
de dados de treinamento de uma só vez. O modelo é treinado, e depois implantado 
para fazer previsões. Para atualizar o modelo com novos dados, é necessário 
retreinar com todo o conjunto de dados (incluindo os novos dados). 
• Online learning (aprendizado online): O algoritmo é treinado de forma incremental, 
com cada novo dado (ou um pequeno lote de dados) que chega. O modelo é 
atualizado continuamente, adaptando-se a novas informações. É adequado para 
situações em que os dados chegam em fluxo contínuo ou quando o conjunto de 
dados é muito grande para ser processado de uma só vez. 
Questão 10: Cite três exemplos de aplicações práticas de aprendizado de máquina. 
Resposta: 
1. Recomendação de produtos/filmes/músicas: Sistemas de recomendação (ex: Netflix, 
Amazon) usam aprendizado de máquina para analisar o histórico de 
compras/visualizações/audições do usuário e recomendar itens que ele possa gostar. 
2. Detecção de fraudes: Bancos e empresas de cartão de crédito usam aprendizado de 
máquina para identificar transações fraudulentas com base em padrões nos dados. 
3. Diagnóstico médico: Algoritmos de aprendizado de máquina podem ser usados para 
analisar imagens médicas (ex: raios-X, ressonâncias magnéticas) e auxiliar no 
diagnóstico de doenças. 
4. Carros autônomos: utilizam diversas técnicas, como a de aprendizado profundo para 
"aprender" a dirigir.