Grátis: Assinale a alternativa que indica um problema de aprendizagem não supervisionada: a. Ajudaremos médicos se conseguirmos avaliar a gravidade de uma... – Questões Respondidas

Cálculo

Outros

Assinale a alternativa que indica um problema de aprendizagem não supervisionada:

a. Ajudaremos médicos se conseguirmos avaliar a gravidade de uma doença a partir de dados relativos às condições do paciente.
b. Pretendemos ter uma ideia do volume de vendas de um produto de varejo a partir de algumas características do ponto de venda.
C. Desejamos entender se há similaridade entre observações (indivíduos) de uma certa amostra de dados.
d. Queremos estimar o valor de imóveis a partir das suas características, tais como sua área, seu andar e sua localização.
e. Gostaríamos de saber que pessoas ficarão inadimplentes com o pagamento das faturas de seus cartões de crédito.

Questões para Estudantes

há 11 meses

Questões para Estudantes

há 11 meses

ESTATISTICA APLICADA AO DATA SCIENCE - Atividade 4

ESTATISTICA APLICADA AO DATA SCIENCE - Atividade 4

UAM

Respostas

Ed

há 11 meses

Para identificar um problema de aprendizagem não supervisionada, precisamos entender que essa abordagem é utilizada quando não temos rótulos ou categorias pré-definidas para os dados. Em vez disso, buscamos padrões ou agrupamentos nos dados. Vamos analisar as alternativas: a) Ajudaremos médicos se conseguirmos avaliar a gravidade de uma doença a partir de dados relativos às condições do paciente. - Isso sugere um problema de aprendizagem supervisionada, pois envolve a avaliação de um resultado específico (gravidade da doença). b) Pretendemos ter uma ideia do volume de vendas de um produto de varejo a partir de algumas características do ponto de venda. - Isso também parece supervisionado, pois envolve prever um resultado (volume de vendas). c) Desejamos entender se há similaridade entre observações (indivíduos) de uma certa amostra de dados. - Esta alternativa se encaixa em um problema de aprendizagem não supervisionada, pois estamos buscando padrões ou similaridades sem rótulos. d) Queremos estimar o valor de imóveis a partir das suas características, tais como sua área, seu andar e sua localização. - Isso é um exemplo de aprendizagem supervisionada, pois envolve prever um valor específico. e) Gostaríamos de saber que pessoas ficarão inadimplentes com o pagamento das faturas de seus cartões de crédito. - Isso também é um problema de aprendizagem supervisionada, pois envolve prever um resultado (inadimplência). Portanto, a alternativa que indica um problema de aprendizagem não supervisionada é: c) Desejamos entender se há similaridade entre observações (indivíduos) de uma certa amostra de dados.

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:

ESTATISTICA APLICADA AO DATA SCIENCE - Atividade 4

ESTATISTICA APLICADA AO DATA SCIENCE - Atividade 4

UAM

Mais perguntas desse material

A respeito desses domínios de aplicação de tarefas de agrupamento, analise as afirmativas a seguir e assinale V para a(s) Verdadeira(s) e F para a(s) Falsa(s). I. Observar diferentes características de doenças em vários pacientes, e depois formar diferentes grupos de pacientes - por similaridade das características de suas doenças é uma tarefa de agrupamento. II. Observar diferentes hábitos de consumo em várias milhares de pessoas, e depois formar grupos de pessoas - por similaridade de seus hábitos de consumo é uma tarefa de III. Observar diferentes características das linguagens faladas por membros de aldeias remotas, e depois formar grupos de linguagens por similaridades das características das linguagens - é uma tarefa de agrupamento. IV. Observar diferentes característica de insetos em diversos biomas, e depois formar grupos de insetos - por similaridade de suas características - é uma tarefa de agrupamento.

a. b. C. F, V, V, F.
d. V, V, V, V.
e. V, V, F, F.

A respeito deste output típico da função cor() do software estatístico R, para o cálculo da correlação entre múltiplas variáveis quantitativas, analise as afirmativas a seguir e assinale V para a(s) Verdadeira(s) e F para a(s) Falsa(s). I. ( ) Todas correlações são positivas, o que indica que, para todas variáveis quantitativas dessa amostra, quando uma aumenta, a outra também aumenta. II. Uma correlação igual a 1 entre uma variável e ela mesma apenas indica uma correlação perfeita dela com ela mesma. III. A maior correlação positiva entre essas variáveis é aquela entre Murder e Assault, cujo valor é de 0,80. IV. A segunda maior correlação positiva entre essas variáveis é aquela entre Rape e Assault, cujo valor é de 0,67 e não de 0,56.

a. V, V, V, F.
b. F, F, V, V.
C. F, V, F, V.
d. F, V, V, V.

Com referência ao relacionamento entre essas quatro áreas de conhecimento humano, analise as afirmativas a seguir: I. Algoritmos de machine learning nasceram na ciência da computação. Hoje são usados na estatística, na mineração de dados e na ciência dos dados. II. Dentre as diversas áreas citadas, é a estatística que possui os melhores fundamentos para a interpretação de fenômenos aleatórios. III. A estatística é considerada a mais sutil, e a mais ampla, quando nos referimos a análise de dados. É aplicada a todas áreas de atividade humana. IV. Sabemos que, na ciência dos dados, podem-se utilizar de muitos termos diferentes, herdados das outras áreas, para se referir a um mesmo conceito.

a. I, e III apenas.
b. I, e IV apenas.
C. I, II, III e IV.
d. I, III e IV apenas.
e. e III apenas.

A partir do apresentado, analise as asserções a seguir e a relação proposta entre elas. I. Sabemos que, na ciência dos dados, podem-se utilizar de muitos termos diferentes para se referir a um dado conceito. Pois II. A estatística usa, de forma profunda, a matemática como pilar do seu desenvolvimento. É considerada a ciência mais sutil, e a mais ampla, quanto o assunto são dados. É usada por todas áreas científicas.

a. As asserções e são proposições verdadeiras, e a é uma justificativa correta da I.
b. As asserções e são proposições verdadeiras, mas a não é uma justificativa da I.
C. A asserção é uma proposição falsa, e a é uma proposição verdadeira.
d. A asserção é uma proposição verdadeira e a asserção é uma proposição falsa.
e. As asserções e são proposições falsas.

A respeito dos campos de aplicação da análise de agrupamento, analise as afirmativas a seguir e assinale V para a(s) Verdadeira(s) e F para a(s) Falsa(s). I. A análise de emoções por meio de agrupamento pode servir ao propósito de averiguar o índice de aceitação de um candidato a um cargo eletivo público por região. II. reconhecimento de padrões em imagens de satélites pode servir ao propósito de averiguar regiões com processos acelerados de desertificação. III. A identificação de grupos de risco para empresas seguradoras pode servir ao propósito de precificação correta do valor do seguro para cada grupo de risco. IV. A análise de padrões em cliques em páginas da internet pode servir ao propósito de identificar a procura de páginas da web por cada bairro de um município.

a. V, V, V, F.
b. V, F, F, V.
c. V, V, V, V.
d. F, V, V, F.

Depois que formamos grupos de observações de um conjunto de dados (amostra), por meio de um algoritmo de agrupamento, podemos dar nomes aos mesmos, e cada indivíduo de cada grupo será classificado de acordo com esse nome. A partir do apresentado, analise as asserções a seguir e a relação proposta entre elas e assinale a alternativa correta: I. Ao usarmos de algoritmos de agrupamento, depois que formados e nomeados (classificados) os grupos de observações resultantes do algoritmo, não é possível usar essas classes como variáveis respostas e, a partir desse ponto, executar tarefas preditivas com algoritmos de classificação. Pois II. Algoritmos de agrupamento fazem parte dos métodos da chamada aprendizagem não supervisionada. Não são modelos preditivos.

a. As asserções I e II são proposições verdadeiras, e a II é uma justificativa correta da I.
b. A asserção I é uma proposição verdadeira e a asserção II é uma proposição falsa.
c. A asserção I é uma proposição falsa, e a asserção II é uma proposição verdadeira.
d. As asserções I e II são proposições verdadeiras, mas a II não é uma justificativa da I.

Leia o excerto a seguir: "Normalização: É comum normalizar (padronizar) variáveis contínuas através da subtração da média e divisão pelo desvio-padrão, ou então as variáveis com grande escala dominarão o processo de agrupamento." A partir do apresentado, analise as asserções a seguir e a relação proposta entre elas. I. Sabemos que, na estatística ou na ciência dos dados, é comum normalizar (padronizar) variáveis quantitativas, ou variáveis contínuas, antes da realização de uma análise de agrupamento. Pois II. No conjunto de dados observados (a amostra de dados), podem existir variáveis que estão em uma escala muito maior que as outras, e a medida de distância entre observações dessas variáveis dominarão o resultado da análise de agrupamento, na formação dos grupos de observações similares entre si.

a. As asserções I e II são proposições verdadeiras, e a II é uma justificativa correta da I.
b. A asserção I é uma proposição falsa, e a II é uma proposição verdadeira.
c. A asserção I é uma proposição verdadeira e a asserção II é uma proposição falsa.
d. As asserções I e II são proposições verdadeiras, mas a II não é uma justificativa correta da I.