Grátis: O chefe de uma equipe de ciência de dados recebeu o resultado do treinamento de um modelo de aprendizagem de máquina, conforme a imagem acima. De a... – Questões Respondidas

Inteligência Artificial

Outros

O chefe de uma equipe de ciência de dados recebeu o resultado do treinamento de um modelo de aprendizagem de máquina, conforme a imagem acima. De acordo com os seus conhecimentos de aprendizagem de máquina e utilizando apenas a informação visual que o gráfico traz, podemos concluir que: Nota: 10.0 A a taxa de erros é maior que a taxa de acertos B a taxa de acertos é igual a taxa de erros C a taxa de acertos é maior que a taxa de erros Você assinalou essa alternativa (C)

A a taxa de erros é maior que a taxa de acertos
B a taxa de acertos é igual a taxa de erros
C a taxa de acertos é maior que a taxa de erros
D houve uma redução da taxa de erros
E houve uma melhora da acurácia do modelo

Exercícios Para o Aprendizado

ano passado

Exercícios Para o Aprendizado

ano passado

Inteligência Artificial Aplicada PROVA OBJETIVA 1

Inteligência Artificial Aplicada PROVA OBJETIVA 1

Respostas

Ed

ano passado

Analisando o gráfico apresentado, podemos observar que a taxa de acertos é maior que a taxa de erros, pois a área azul (que representa os acertos) é maior do que a área vermelha (que representa os erros). Portanto, a conclusão correta é que a taxa de acertos é maior que a taxa de erros. Assim, a alternativa correta é: C) a taxa de acertos é maior que a taxa de erros.

Essa resposta te ajudou?

0

0

left-side-bubbles-background

right-side-bubbles-background

Crie sua conta grátis para liberar essa resposta. 🤩

Já tem uma conta?

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Ainda com dúvidas?

Envie uma pergunta e tenha sua dúvida de estudo respondida!

Essa pergunta também está no material:

Inteligência Artificial Aplicada PROVA OBJETIVA 1

Inteligência Artificial Aplicada PROVA OBJETIVA 1

Mais perguntas desse material

Um classificador bayesiano simples é treinado utilizando um conjunto de classes, C = {c1,c2 ,cn } e um conjunto de instâncias de dados identificadas pelos vetores de características V = {v1, v2, …, vn}. Considerando as informações do texto acima e valendo-se do seu conhecimento sobre teorema de Bayes, o classificador bayesiano, calcula a probabilidade de: Nota: 0.0Você não pontuou essa questão A uma instância ser da classe c, dado que o seu vetor de características é v. Justificativa: O classificador bayesiano executa uma classificação utilizando uma informação prévia e determinando qual a probabilidade de um instância pertencer a uma classe, dado o seu vetor de características. B uma instância ter o vetor de características v, dado que sua classe é c C de uma instância ser da classe c, sem considerar o seu vetor de características D de uma instância possuir um vetor de características v Você assinalou essa alternativa (D) E de uma instância ser de uma classe que não consta em C

A uma instância ser da classe c, dado que o seu vetor de características é v.
B uma instância ter o vetor de características v, dado que sua classe é c.
C de uma instância ser da classe c, sem considerar o seu vetor de características.
D de uma instância possuir um vetor de características v.
E de uma instância ser de uma classe que não consta em C.

A figura acima mostra um modelo de árvore de decisão aplicado a um conjunto de dados. Valendo-se dos seus conhecimentos de aprendizagem de máquina e de modelos de árvores de decisão, podemos afirmar que o modelo foi treinado para classificar um total de: Nota: 10.0 A 4 classes B 5 classes C 1 classe D 3 classes E 2 classes Você assinalou essa alternativa (E)

A 4 classes
B 5 classes
C 1 classe
D 3 classes
E 2 classes

“Criada nos anos 1960, a tecnologia que usa computadores e algoritmos para reconhecer rostos humanos ganhou escala há pelo menos uma década, muito graças ao avanço das redes sociais e da internet. Com milhares de pessoas disponibilizando voluntariamente suas fotos na internet, existe hoje um banco de dados com bilhões de imagens que servem para treinar redes de inteligência artificial a detectar e reconhecer rostos.” Disponível em . Acesso em 19/04/2021 Apesar de ter sido criada na década de 60, a tecnologia de reconhecimento facial somente veio ser aplicada de fato e em larga escala nos tempos atuais. Dentre os motivos para que essa tecnologia não tenha sido melhor explorada na décadas passadas, podemos destacar como um fator de grande peso: Nota: 10.0 A a ausência de interesse em pesquisas B os erros contidos nos métodos de reconhecimento C não existir fotografia digital na época D a baixa capacidade de armazenamento e processamento Você assinalou essa alternativa (D)

A a ausência de interesse em pesquisas
B os erros contidos nos métodos de reconhecimento
C não existir fotografia digital na época
D a baixa capacidade de armazenamento e processamento

Os modelos de aprendizagem de máquina, necessitam que os dados que lhe são fornecidos sejam convertidos para valores numéricos. Assim, quando temos dados que necessitam de conversão, pode-se utilizar um processo de categorizar uma variável. Representando cada possível valor por um número distinto, e que, se possível represente uma relação de hierarquia ou precedência entre os possíveis valores. De acordo com os seus conhecimentos sobre dados categóricos e one-hot encoding, podemos dizer que uma grande diferença entre representar uma variável categórica por valores numéricos e one-hot encoding é:

A que a primeira representa melhor que segunda
B que a segunda representa melhor que a primeira
C a primeira serve apenas determinados tipos de valores
D a segunda serve apenas para determinados tipos de valores
E a segunda cria variáveis derivadas, aumentando o número de atributos