PUC_MINAS_PROVA ONLINE _ 09 Machine Learning (2019)

Prévia do material em texto

11/11/2021 22:41 PROVA ONLINE : 09. Machine Learning (2019)
https://pucminas.instructure.com/courses/1765/quizzes/60824 1/10
PROVA ONLINE
Entrega Sem prazo Pontos 60 Perguntas 10 Disponível depois 15 de mai de 2020 em 10:00
Limite de tempo 60 Minutos Tentativas permitidas Sem limite
Instruções
Histórico de tentativas
Tentativa Tempo Pontuação
MAIS RECENTE Tentativa 1 54 minutos 24 de 60
ATENÇÃO: Verifique em "Notas" se você não atingiu o aproveitamento necessário nesta disciplina. 
Caso você já tenha realizado uma prova anterior e opte por uma nova tentativa, será identificado como uma prova extra e
resultará em pagamento de taxa extra.
INSTRUÇÕES DA AVALIAÇÃO ON-LINE
A prova tem a duração de 60 minutos. 
Ao clicar em PROVA ON-LINE, no menu “Testes” você iniciará a prova. A partir daí não será possível desistir de realizá-la.
A prova é composta de 10 questões objetivas, cada uma no valor de 6 pontos.
Ao final do teste não se esqueça de enviá-lo, clicando no botão “ENVIAR TESTE”. Só utilize esse botão quando tiver finalizado a avaliação.
Se necessário, durante a prova, entre em contato pelo link “Atendimento”.
ATENÇÃO: Todas as provas iniciadas e que não houverem sido submetidas serão automaticamente encerradas pelo sistema transcorridos os 60
minutos de duração.
Boa Prova!
Fazer o teste novamente
https://pucminas.instructure.com/courses/1765/quizzes/60824/history?version=1
https://pucminas.instructure.com/courses/1765/quizzes/60824/take?user_id=46471
11/11/2021 22:41 PROVA ONLINE : 09. Machine Learning (2019)
https://pucminas.instructure.com/courses/1765/quizzes/60824 2/10
Pontuação desta tentativa: 24 de 60
Enviado 11 nov em 22:41
Esta tentativa levou 54 minutos.
0 / 6 ptsPergunta 1
São formas de separação entre base de treinamento e base de testes, EXCETO:
 Amostragem com reposição. Resposta corretaResposta correta
 Percentage Split. 
 Amostragem estratificada. 
 Cross Validation. Você respondeuVocê respondeu
Na amostragem com reposição, um elemento pode ser sorteado mais de uma vez. Isso permitiria que um
mesmo elemento fosse selecionado para a base de treinamento e de teste simultaneamente, violando o
princípio básico da avaliação de modelos de aprendizado supervisionado.
0 / 6 ptsPergunta 2
11/11/2021 22:41 PROVA ONLINE : 09. Machine Learning (2019)
https://pucminas.instructure.com/courses/1765/quizzes/60824 3/10
Malwares são uma grande ameaça à segurança de dados. Uma forma de detectar esses softwares maliciosos
consiste em utilizar códigos de Malwares já descobertos na construção de um modelo capaz de identificar novas
versões desses trechos de software.
O tipo de aprendizado que deve ser utilizado neste caso é:
 Aprendizado por reforço. Você respondeuVocê respondeu
 Aprendizado não supervisionado. 
 Aprendizado supervisionado. Resposta corretaResposta correta
 Aprendizado conexionista. 
A detecção de malwares é uma tarefa de classificação, onde trechos de código são classificados entre código
malicioso e não malicioso, por isso é uma tarefa de aprendizado supervisionado. O aprendizado conexionista é
o baseado em redes neurais. Apesar das redes MLP realizarem aprendizado supervisionado, existem
topologias de rede como o SOM (Self Organizing Maps), por exemplo, que realizam aprendizado não
supervisionado.
0 / 6 ptsPergunta 3
Para se evitar o overfitting em um algoritmo de árvore de decisão, podemos:
11/11/2021 22:41 PROVA ONLINE : 09. Machine Learning (2019)
https://pucminas.instructure.com/courses/1765/quizzes/60824 4/10
 Permitir que atributos contínuos possam ser utilizados mais de uma vez. 
 Aumentar o número mínimo de amostras por nó folha. Resposta corretaResposta correta
 Usar uma abordagem gulosa para seleção do melhor atributo. Você respondeuVocê respondeu
 Alterar a medida de seleção de atributos do Ganho da Informação para Taxa de Ganho. 
Ao aumentar o número mínimo de elementos em cada nó folha, será produzida uma ação de poda da árvore,
caso um atributo gere nós com poucos registros. A medida de seleção de atributos pode alterar a estrutura da
árvore, mas não se evita overfitting. Toda árvore de decisão adota uma abordagem gulosa para a escolha do
melhor atributo. Para se produzir classificadores mais fracos, poderia se utilizar uma abordagem de
amostragem de atributos, o que poderia produzir árvores com menor overfitting. Atributos contínuos já são
utilizados mais de uma vez no algoritmo C4.5 ou J48. Entretanto, quando mais subdivisões são feitas em um
mesmo atributo, maior a chance de overfitting.
0 / 6 ptsPergunta 4
Para definir precisamente o problema a ser atacado e identificar possibilidades de enriquecimento da base de
conhecimento, podemos utilizar como ferramenta:
 Agregação de atributos. 
 Análise exploratória de dados. Você respondeuVocê respondeu
11/11/2021 22:41 PROVA ONLINE : 09. Machine Learning (2019)
https://pucminas.instructure.com/courses/1765/quizzes/60824 5/10
 Análise de fatos e julgamentos. Resposta corretaResposta correta
 ETL – extract, transform, load. 
Análise de fatos e julgamentos é uma técnica para definição do problema de negócio a ser abordado,
identificando uma pergunta orientada a dados. As demais opções representam diversas etapas do KDD e da
ciência de dados.
6 / 6 ptsPergunta 5
Se você possui um problema com uma grande base de dados, em que o importante é a acurácia de classificação em
detrimento da interpretabilidade do modelo, o algoritmo mais adequado para o problema é:
 Árvore de decisão. 
 Rede Neural. Correto!Correto!
 A-priori. 
 Naïve Bayes. 
11/11/2021 22:41 PROVA ONLINE : 09. Machine Learning (2019)
https://pucminas.instructure.com/courses/1765/quizzes/60824 6/10
A princípio a rede neural é o algoritmo mais adequado para se obter uma alta acurácia, mas seu modelo não é
interpretável. A maior acurácia pode ser obtida aumentando-se o número de neurônios na camada oculta ou
até mesmo o número de camadas ocultas. Entretanto, deve-se atentar para a possibilidade de overfitting. É
importante que se tenha a quantidade de dados adequada para que o aprendizado possa convergir sem a
necessidade de muitas épocas.
O algoritmo de Naive Bayes por vezes se sai tão bem quanto uma rede neural, ou pode obter até mesmo uma
acurácia superior à da rede neural, mas ele é muito sensível à distribuição dos dados e pode sofrer com
variáveis condicionalmente dependentes.
6 / 6 ptsPergunta 6
Um atributo CONCEITO pode receber os valores: A, B, C, D e E, que representam o conceito que um aluno obteve ao
cursar uma disciplina.
Esse atributo é do tipo:
 Qualitativo ordinal. Correto!Correto!
 Quantitativo multivalorado. 
 Quantitativo discreto. 
 Qualitativo categórico. 
11/11/2021 22:41 PROVA ONLINE : 09. Machine Learning (2019)
https://pucminas.instructure.com/courses/1765/quizzes/60824 7/10
O conceito é um atributo polinominal, mas ele possui relação de ordem entre seus valores, uma vez que o
conceito A > B > C > D > E, e por isso é considerado um dado ordinal.
6 / 6 ptsPergunta 7
É uma abordagem do aprendizado não supervisionado:
 Indução de regras. 
 Agrupamento de dados por densidade. Correto!Correto!
 Mistura de dados rotulados e não rotulados. 
 Receber feedback do ambiente. 
Agrupamento é uma tarefa típica de aprendizado não supervisionado. A indução de regras pode ser não
supervisionada, como no caso de regras de associação, ou supervisionada, como no caso de árvore de
decisão. A mistura de dados não rotulados com dados rotulados é chamado de aprendizado semi
supervisionado. Receber feedback do ambiente é uma tarefa típica de aprendizado por reforço.
0 / 6 ptsPergunta 8
11/11/2021 22:41 PROVA ONLINE : 09. Machine Learning (2019)
https://pucminas.instructure.com/courses/1765/quizzes/60824 8/10
Em aprendizado de máquina,
 dados são descritos a partir de análises estatísticas. 
 modelos computacionais são construídos a partir de exemplos. Resposta corretaResposta correta
 algoritmos são construídos a partir de métodosde resolução de problema. Você respondeuVocê respondeu
 regras são construídas a partir do conhecimento de especialistas. 
A definição formal de aprendizado de máquina, conforme Tom Mitchel, é que o aprendizado de máquina
consiste de algoritmos que aprendem com exemplos.
A presença do especialista não é necessária caso seja feito aprendizado não supervisionado. Mesmo no
aprendizado supervisionado, fatos podem representar o conhecimento do especialista.
Apesar da análise estatística ser componente básico da maioria dos algoritmos de aprendizado de máquina,
ela não é uma condição obrigatória para a existência dos algoritmos de aprendizado.
No aprendizado de máquina o foco não é na construção de algoritmos, mas na indução de modelos, utilizando-
se algoritmos de aprendizado já existentes.
6 / 6 ptsPergunta 9
Sobre medidas de distância, podemos afirmar que:
11/11/2021 22:41 PROVA ONLINE : 09. Machine Learning (2019)
https://pucminas.instructure.com/courses/1765/quizzes/60824 9/10
 Similaridade de cossenos é adequada para dados esparsos, com um elevado número de dimensões. Correto!Correto!
 O Rank pode ser utilizado para permitir a utilização de distância binárias em dados categóricos não ordinais. 
 Distância de Jaccard é utilizada para variáveis binárias simétricas. 
 Distância euclidiana é adequada para dados com elevada dimensão que não estejam normalizados. 
A distância de Jaccard é utilizada para dados assimétricos. A distância euclidiana sofre muito com a maldição
da dimensionalidade e é sensível à normalização dos dados. O rank só pode ser utilizado para dados
polinominais ordinais.
0 / 6 ptsPergunta 10
Segundo Joe Blitzstein e Hanspeler Plister, “Introduction to Data Science”, Harvard Data Science Course, as etapas
do processo de ciência de dados são:
 Entender o negócio, preparar dados, modelar o problema, avaliar o modelo e fazer a distribuição do modelo. 
 Amostrar dados, explorar dados, modificar dados, modelar dados e avaliar o modelo. 
 Identificar as necessidades, selecionar, limpar e enriquecer dados, identificar padrões e descrever resultados. Você respondeuVocê respondeu
 Coletar dados, explorar dados, modelar dados, comunicar e visualizar resultados. Resposta corretaResposta correta
11/11/2021 22:41 PROVA ONLINE : 09. Machine Learning (2019)
https://pucminas.instructure.com/courses/1765/quizzes/60824 10/10
A ciência de dados em sua visão clássica tem como princípio base a indução de modelos com a finalidade de
comunicar e visualizar os resultados, sem o objetivo específico de distribuir os modelos para uso comercial.
Por isso suas etapas são: "Coletar dados, explorar dados, modelar dados, comunicar e visualizar resultados".
As etapas do CRIP-DM, usado no processo de mineração de dados são: "Entender o negócio, preparar dados,
modelar o problema, avaliar o modelo e fazer a distribuição do modelo."
Finalmente, o processo de KDD consiste em: "Identificar as necessidades, selecionar, limpar e enriquecer
dados, identificar padrões e descrever resultados".
Pontuação do teste: 24 de 60