do 01 ao 80-píginas-2

Prévia do material em texto

Material de Estudo: Inteligência Artificial e Aprendizado de Máquina - 2 
1. Um engenheiro de IA está desenvolvendo um sistema de reconhecimento de fala para 
um aplicativo de navegação automotiva. O sistema precisa identificar comandos de voz 
mesmo em ambientes ruidosos. Qual das seguintes técnicas de aprendizado de 
máquina seria mais eficaz para lidar com essa variação de ruído? 
a) Regressão linear simples. b) Árvores de decisão. c) Redes neurais convolucionais com 
aumento de dados de áudio. d) Agrupamento k-means. e) Análise de componentes principais 
(PCA). 
Resposta: c) Redes neurais convolucionais com aumento de dados de áudio. 
o Justificativa: Redes neurais convolucionais são eficazes para reconhecimento 
de padrões em dados de áudio, e o aumento de dados com ruído simula a 
variabilidade do ambiente real. 
2. Um pesquisador está criando um modelo para prever a probabilidade de um paciente 
desenvolver uma doença cardíaca com base em dados de histórico médico, exames 
laboratoriais e estilo de vida. Qual métrica de avaliação seria mais apropriada para 
medir o desempenho do modelo em um cenário onde a identificação de falsos 
negativos (pacientes doentes não detectados) é crucial? 
a) Acurácia (accuracy). b) Precisão (precision). c) Sensibilidade (recall). d) Especificidade 
(specificity). e) F1-score. 
Resposta: c) Sensibilidade (recall). 
o Justificativa: Sensibilidade mede a capacidade do modelo de identificar 
corretamente todos os casos positivos (pacientes doentes), minimizando falsos 
negativos. 
3. Uma empresa de comércio eletrônico deseja implementar um sistema de 
recomendação de produtos personalizado para seus clientes. Eles têm um grande 
conjunto de dados de histórico de compras, avaliações de produtos e comportamento 
de navegação. Qual algoritmo de aprendizado de máquina seria mais adequado para 
essa tarefa? 
a) Máquinas de vetores de suporte (SVM). b) Algoritmos de filtragem colaborativa (user-based 
ou item-based). c) Regressão logística. d) Análise de séries temporais ARIMA. e) Algoritmos de 
detecção de anomalias (anomaly detection). 
Resposta: b) Algoritmos de filtragem colaborativa (user-based ou item-based). 
o Justificativa: Algoritmos de filtragem colaborativa analisam padrões de 
comportamento do usuário para recomendar produtos relevantes. 
4. Um pesquisador está investigando a aplicação de inteligência artificial na análise de 
imagens de satélite para monitorar o desmatamento em áreas de floresta tropical. Eles 
precisam segmentar as imagens para identificar áreas desmatadas com alta precisão. 
Qual arquitetura de rede neural seria mais apropriada para essa tarefa de segmentação 
semântica? 
a) Redes neurais recorrentes (RNNs). b) Redes neurais generativas adversárias (GANs). c) Redes 
neurais totalmente convolucionais (FCNs) ou U-Net. d) Redes de crenças profundas (DBNs). e) 
Mapas auto-organizáveis (SOMs). 
Resposta: c) Redes neurais totalmente convolucionais (FCNs) ou U-Net. 
o Justificativa: FCNs e U-Net são projetadas para tarefas de segmentação de 
imagens, atribuindo rótulos a cada pixel da imagem. 
5. Um robô autônomo está sendo treinado para navegar em um ambiente desconhecido 
usando aprendizado por reforço. O robô recebe recompensas por alcançar 
determinados objetivos e penalidades por colisões ou comportamentos indesejados. 
Qual algoritmo de aprendizado por reforço seria mais adequado para essa tarefa, 
considerando que o ambiente é contínuo e a ação do robô precisa ser contínua? 
a) Q-learning. b) SARSA. c) Deep Deterministic Policy Gradient (DDPG). d) Monte Carlo Tree 
Search (MCTS). e) Algoritmos genéticos. 
Resposta: c) Deep Deterministic Policy Gradient (DDPG). 
o Justificativa: DDPG é adequado para espaços de ação contínuos, combinando 
redes neurais profundas com aprendizado por reforço. 
6. Um analista de dados está explorando um conjunto de dados de clientes de uma 
empresa de telecomunicações para identificar grupos de clientes com 
comportamentos semelhantes. Qual algoritmo de aprendizado de máquina não 
supervisionado seria mais eficaz para essa tarefa de agrupamento? 
a) Regressão linear múltipla. b) Classificação Naive Bayes. c) Agrupamento hierárquico ou 
DBSCAN. d) Análise de variância (ANOVA). e) Redução de dimensionalidade t-SNE. 
Resposta: c) Agrupamento hierárquico ou DBSCAN. 
o Justificativa: Algoritmos de agrupamento hierárquico e DBSCAN são eficazes 
para identificar grupos de clientes com base em similaridades em seus dados.