Grátis: Considerando as práticas tradicionais de aprendizado de máquina, o desenvolvedor deve escolher um algoritmo a) supervisionado, porque humanos preci...

Modelagem de Dados

Outros

Considerando as práticas tradicionais de aprendizado de máquina, o desenvolvedor deve escolher um algoritmo
a) supervisionado, porque humanos precisarão verificar a execução do algoritmo.
b) supervisionado, porque o conjunto de treinamento possui dados e rótulo, sendo necessário aprender a função que prediz o rótulo correto.
c) não supervisionado, porque humanos não precisarão verificar a execução do algoritmo.
d) não supervisionado, porque o conjunto de treinamento possui dados e rótulo, sendo necessário aprender a função que prediz o rótulo correto.
e) não supervisionado, porque, no futuro, os rótulos não estarão disponíveis.

Aprendendo Através de Exercícios

ano passado

Aprendendo Através de Exercícios

ano passado

151 pág.

SIMULADO1 - Inteligência Artificial para CAIXA - 2024

Respostas

ano passado

Para responder a essa pergunta, precisamos entender a diferença entre algoritmos supervisionados e não supervisionados em aprendizado de máquina. - Algoritmos supervisionados: Utilizam um conjunto de dados que contém entradas e saídas (rótulos). O objetivo é aprender uma função que mapeia as entradas para as saídas, ou seja, prever o rótulo correto com base nos dados de entrada. - Algoritmos não supervisionados: Trabalham com dados que não têm rótulos. O objetivo é encontrar padrões ou agrupamentos nos dados sem a necessidade de um rótulo pré-definido. Agora, analisando as alternativas: a) supervisionado, porque humanos precisarão verificar a execução do algoritmo. - Isso não é uma razão válida para escolher um algoritmo supervisionado. b) supervisionado, porque o conjunto de treinamento possui dados e rótulo, sendo necessário aprender a função que prediz o rótulo correto. - Esta é uma descrição correta do aprendizado supervisionado. c) não supervisionado, porque humanos não precisarão verificar a execução do algoritmo. - Isso não justifica a escolha de um algoritmo não supervisionado. d) não supervisionado, porque o conjunto de treinamento possui dados e rótulo, sendo necessário aprender a função que prediz o rótulo correto. - Isso é incorreto, pois descreve o aprendizado supervisionado. e) não supervisionado, porque, no futuro, os rótulos não estarão disponíveis. - Embora isso possa ser verdade em alguns contextos, não é uma justificativa clara para a escolha de um algoritmo não supervisionado. A alternativa correta é: b) supervisionado, porque o conjunto de treinamento possui dados e rótulo, sendo necessário aprender a função que prediz o rótulo correto.

Essa resposta te ajudou?

Ainda não achou a resposta?

Integrado com os principais modelos de IA do mercado
Respostas em segundos
IA treinada para estudantes brasileiros.

Evolua sua forma de estudar

Cadastre-se ou realize login

Ainda com dúvidas?

Envie uma pergunta e tenha sua dúvida de estudo respondida!

Essa pergunta também está no material:

151 pág.

SIMULADO1 - Inteligência Artificial para CAIXA - 2024

Mais perguntas desse material

Dado um dataset que possui duas possíveis classes e apenas duas features, mas que não são linearmente separáveis, qual abordagem deverá ser utilizada em um modelo SVM de classificação para encontrar o melhor equilíbrio entre margens largas e violações de margens?
a) diferenciação temporal
b) hard margin
c) derivação
d) soft margin
e) convolução

No treinamento de modelos de machine learning, qual método tem por objetivo minimizar underfitting e overfitting?
a) regressão
b) classificação
c) regularização
d) recorrência
e) supervisão

Considerando uma rede neural, a função de ativação que deverá ser utilizada para que a saída possa assumir qualquer valor de -1 até 1 é a (o)
a) função logística.
b) tangente hiperbólica.
c) softmax.
d) ReLU.
e) Max Peak.

Um dos problemas mais conhecidos ao treinar redes neurais com muitas camadas ocorre quando os gradientes da função de cálculo de erros se aproximam de zero. Conforme os valores são propagados, podem ficar tão próximos de zero que o gradiente praticamente desaparece e a rede tem grandes dificuldades no respectivo treinamento. Qual é o nome dado a esse fenômeno?
a) exploding gradiente
b) backpropagation
c) recorrência
d) derivação multi-variada
e) vanishing gradiente

Qual métrica é mais adequada para avaliar os resultados de um modelo de regressão?
a) Recall
b) Acurácia balanceada
c) R2
d) F1-score
e) Jaccard

Sobre as técnicas de classificação em aprendizado de máquina, julgue o item a seguir.
Devido ao fato de pressupor independência entre atributos, o algoritmo Naive Bayes é capaz de realizar, com precisão, o treinamento de um modelo com uma quantidade reduzida de amostras.
Certo
Errado

A respeito de inteligência artificial, julgue o item seguinte.
A classificação Naive Bayes parte da suposição de que as variáveis envolvidas em machine learning são independentes entre si.
Certo
Errado

Com relação ao classificador Naive Bayes marque a alternativa incorreta.
a) O Naive Bayes parte do princípio de que as variáveis envolvidas no modelo são dependentes entre si.
b) O Naive Bayes parte do princípio de que as variáveis envolvidas no modelo são independentes entre si.
c) O Naive Bayes possibilita fazer o treinamento de um modelo a partir de um número pequeno de amostras.
d) Uma das desvantagens do Naive Bayes é não conseguir captar interações entre os atributos.
e) O Naive Bayes pode ser utilizado para classificação de textos.

O classificador Naive Bayes utiliza a biblioteca Scikit-Learn para fazer suas classificações. As classes utilizadas pelo modelo são: I - GaussianNB, que é utilizada para distribuição gaussiana. II - MultinomialNB, que é utilizada para contadores de ocorrência discreta. III - BernoulliNB, que é utilizada para atributos booleanos discretos. Está(ão) correta(s) a(s) afirmativa(s)
a) II e III, apenas
b) I e II, apenas
c) I, II e III
d) I e III, apenas
e) III, apenas

De acordo com o classificador Naive Bayes julgue os próximos itens. I - Mesmo que haja dependência das variáveis envolvidas no modelo, ele é incapaz de captar interações entre os atributos. II - Uma das formas de se utilizar o Naive Bayes é com classificação de textos, dentre as quais podemos citar a identificação de spams. III - O classificador Naive Bayes pode ser utilizado para Análise de Sentimento. Está(ão) correta(s) a(s) afirmativa(s)
a) I e III
b) II e III
c) I, II e III
d) I e II
e) apenas II

Classificação é uma tarefa que identifica a qual classe um objeto pertence. O desempenho do classificador depende da sua flexibilidade (bias) e da qualidade do treinamento (variância). No entanto, não existe um classificador que seja melhor que todos os outros para todos os problemas de classificação. As medidas de avaliação de desempenho de classificadores trazem informações sobre taxas de erro ou acerto para um ou mais conjuntos de dados. Nesse sentido, considere a matriz de confusão binária abaixo: Classe predita + - Classe original + 8 2 - 4 6 Realize os cálculos e identifique como verdadeiras (V) ou falsas (F) as seguintes afirmativas: ( ) TVP (Taxa de Verdadeiros Positivos) = 0,9. ( ) TFP (Taxa de Falsos Positivos) = 0,1. ( ) ACC (Acurácia) = 0,7. ( ) E (Erro) = 0,3. Assinale a alternativa que apresenta a sequência correta, de cima para baixo.
a) V – F – V – F.
b) F – F – F – V.
c) V – V – F – V.
d) F – F – V – V.
e) V – V – F – F.

O processo de atribuir um significado a um pixel de uma imagem digital em função de suas propriedades numéricas é denominado de classificação. Em decorrência do grau de participação do analista no processo de classificação, esse processo pode ser denominado de classificação supervisionada e classificação não supervisionada. Posto isso, analise as afirmativas a seguir e assinale com V as verdadeiras e com F as falsas. ( ) A classificação supervisionada é um passo importante a ser executado antes da classificação não supervisionada. ( ) Na classificação não supervisionada, os pixels de uma imagem são alocados automaticamente em classes criadas pelo sistema computacional. ( ) A matriz de confusão é um artifício utilizado para computar os erros do processo de classificação e conhecer a qualidade desse processo, seja pelo método supervisionado ou pelo não supervisionado. ( ) O método de classificação pelas K-médias tem por essência fazer com que todas as classes tenham valor médio e variância similares. Assinale a sequência CORRETA.
a) V F V V
b) F V V F
c) V F F V
d) V F V F

Rafael aplicou um teste de múltipla escolha de cem questões para um numeroso grupo de alunos e notou que houve uma variada distribuição de notas. Rafael resolveu trabalhar esses dados, e agrupar esses alunos de modo que cada um ficasse no grupo mais adequado para a sua nota. Assim, poderia preparar atividades específicas para cada grupo.
Assinale a opção que indica o algoritmo mais adequado para essa tarefa.
(A) Bubble sort.
(B) K-means.
(C) Monte Carlo.
(D) Linear regression.
(E) Logistic regression.

Julgue o seguinte item, relativos à tarefa de classificação, a qual consiste em aprender uma função (construir um modelo) que mapeie um item de dado para uma entre várias classes pré-definidas.
A acurácia de um classificador, em um conjunto de teste, pode ser sumarizada por uma matriz de confusão, em que os valores nas diagonais representam as classificações corretas.
Certo
Errado

Essas duas formas de avaliar um modelo são conhecidas, respectivamente, como
a) estratificação e hold-out
b) hold-out e k-fold
c) leave-one-out e estratificação
d) leave-one-out e k-fold
e) Monte Carlo e leave-p-out

Machine Learning é um subconjunto da Inteligência Artificial que utiliza dados e algoritmos para imitar o raciocínio humano.
Em relação aos algoritmos de machine learning, assinale a afirmativa incorreta.
a) Algoritmo de regressão: prevê valores de saída usando recursos de entrada dos dados fornecidos ao sistema. Os algoritmos mais populares são Linear Regression, Logistic Regression Multivariate Adaptive Regression Splines (MARS) e Locally Estimated Scatter plot Smoothing (LOESS).
b) Algoritmo de agrupamento: agrupamento de pontos de dados com base em recursos semelhantes. Alguns algoritmos são KMeans, K-Medians e Hierárquical Clustering.
c) Algoritmo de regularização: é um processo de diminuir informações adicionais para evitar o overfitting ou resolver um problema mal definido. Os algoritmos mais comuns são Least Absolute Shrinkage and Selection Operator (LASSO), Least-Angle Regression (LARS) e Elastic Net and Ridge Regression.
d) Algoritmos de redução de dimensionalidade: reduzem o número de características obtendo um conjunto de variáveis principais. Alguns algoritmos são Principal Component Analysis (PCA) e Principal Component Regression (PCR).
e) Algoritmos de regras de associação: é usado para descobrir a relação entre os pontos de dados. Alguns algoritmos comuns são o algoritmo Apriori e o algoritmo Eclat.

K-means é um algoritmo de aprendizado não supervisionado, em que se calcula a distância entre os objetos da base e cada um dos centroides; em que se atribui cada objeto ao centroide mais próximo; e em que se classifica cada item para sua média mais próxima.
Certo
Errado

Nos algoritmos de aprendizado por reforço, o agente recebe uma recompensa atrasada na próxima etapa de tempo para avaliar sua ação anterior; seu objetivo, então, é maximizar a recompensa.
Certo
Errado

Considerando-se as estratégias para treinamento, validação e teste nas análises preditivas, a estratégia que pressupõe a criação de dois subconjuntos de dados disjuntos, a partir do conjunto de dados disponível para uso na indução do modelo, em que um dos subconjuntos será usado para treinamento (indução) do modelo preditivo e o segundo, para teste após o término de treinamento e, consequentemente, para aplicação das medidas de avaliação do modelo, é
a) resubstituição.
b) holdout.
c) validação cruzada.
d) bootstrap.
e) validação cruzada leave-one-out.

Modelagem de Dados

SIMULADO1 - Inteligência Artificial para CAIXA - 2024

Respostas

Ainda não achou a resposta?

Ainda com dúvidas?

Essa pergunta também está no material:

SIMULADO1 - Inteligência Artificial para CAIXA - 2024

No treinamento de modelos de machine learning, qual método tem por objetivo minimizar underfitting e overfitting?a) regressãob) classificaçãoc) regularizaçãod) recorrênciae) supervisão

Considerando uma rede neural, a função de ativação que deverá ser utilizada para que a saída possa assumir qualquer valor de -1 até 1 é a (o)a) função logística.b) tangente hiperbólica.c) softmax.d) ReLU.e) Max Peak.

Qual métrica é mais adequada para avaliar os resultados de um modelo de regressão?a) Recallb) Acurácia balanceadac) R2d) F1-scoree) Jaccard

Sobre as técnicas de classificação em aprendizado de máquina, julgue o item a seguir.Devido ao fato de pressupor independência entre atributos, o algoritmo Naive Bayes é capaz de realizar, com precisão, o treinamento de um modelo com uma quantidade reduzida de amostras.CertoErrado

A respeito de inteligência artificial, julgue o item seguinte.A classificação Naive Bayes parte da suposição de que as variáveis envolvidas em machine learning são independentes entre si.CertoErrado

Essas duas formas de avaliar um modelo são conhecidas, respectivamente, comoa) estratificação e hold-outb) hold-out e k-foldc) leave-one-out e estratificaçãod) leave-one-out e k-folde) Monte Carlo e leave-p-out

K-means é um algoritmo de aprendizado não supervisionado, em que se calcula a distância entre os objetos da base e cada um dos centroides; em que se atribui cada objeto ao centroide mais próximo; e em que se classifica cada item para sua média mais próxima.CertoErrado

Nos algoritmos de aprendizado por reforço, o agente recebe uma recompensa atrasada na próxima etapa de tempo para avaliar sua ação anterior; seu objetivo, então, é maximizar a recompensa.CertoErrado

Mais conteúdos dessa disciplina

No treinamento de modelos de machine learning, qual método tem por objetivo minimizar underfitting e overfitting?
a) regressão
b) classificação
c) regularização
d) recorrência
e) supervisão

Considerando uma rede neural, a função de ativação que deverá ser utilizada para que a saída possa assumir qualquer valor de -1 até 1 é a (o)
a) função logística.
b) tangente hiperbólica.
c) softmax.
d) ReLU.
e) Max Peak.

Qual métrica é mais adequada para avaliar os resultados de um modelo de regressão?
a) Recall
b) Acurácia balanceada
c) R2
d) F1-score
e) Jaccard

Sobre as técnicas de classificação em aprendizado de máquina, julgue o item a seguir.
Devido ao fato de pressupor independência entre atributos, o algoritmo Naive Bayes é capaz de realizar, com precisão, o treinamento de um modelo com uma quantidade reduzida de amostras.
Certo
Errado

A respeito de inteligência artificial, julgue o item seguinte.
A classificação Naive Bayes parte da suposição de que as variáveis envolvidas em machine learning são independentes entre si.
Certo
Errado

Essas duas formas de avaliar um modelo são conhecidas, respectivamente, como
a) estratificação e hold-out
b) hold-out e k-fold
c) leave-one-out e estratificação
d) leave-one-out e k-fold
e) Monte Carlo e leave-p-out

K-means é um algoritmo de aprendizado não supervisionado, em que se calcula a distância entre os objetos da base e cada um dos centroides; em que se atribui cada objeto ao centroide mais próximo; e em que se classifica cada item para sua média mais próxima.
Certo
Errado

Nos algoritmos de aprendizado por reforço, o agente recebe uma recompensa atrasada na próxima etapa de tempo para avaliar sua ação anterior; seu objetivo, então, é maximizar a recompensa.
Certo
Errado