Avaliação Online 2_ G MAI FIAR 5 - Fundamentos de Inteligência Artificialpcl

Prévia do material em texto

13/06/2021 Avaliação Online 2: G.MAI.FIAR.5 - Fundamentos de Inteligência Artificial
https://newtonpaiva.instructure.com/courses/11634/quizzes/26202 1/14
Avaliação Online 2
Entrega 14 jun em 23:59 Pontos 20 Perguntas 10
Disponível 8 jun em 0:00 - 14 jun em 23:59 7 dias Limite de tempo 120 Minutos
Tentativas permitidas 2
Instruções
Histórico de tentativas
Tentativa Tempo Pontuação
MAIS RECENTE Tentativa 1 120 minutos 8 de 20
 As respostas corretas estarão disponíveis em 15 jun em 0:00.
Pontuação desta tentativa: 8 de 20
Enviado 13 jun em 17:49
Esta tentativa levou 120 minutos.
Leia com atenção as orientações abaixo antes de iniciar esta prova:
Serão permitidas duas tentativas para realizar esta avaliação, prevalecendo a maior nota.
Programe-se para realizar suas avaliações com tranquilidade, pois você terá 120 minutos
cronometrados (por tentativa) para conclusão e envio das respostas.
Ao iniciar a avaliação o cronômetro não para, independentemente da plataforma estar aberta ou
não;
Durante a realização da prova:
Será exibido uma questão por vez, podendo “Avançar” ou “Voltar” quando necessário dentro
do período da tentativa;
A tentativa somente será contabilizada após clicar no botão “Enviar”.
Fazer o teste novamente
2 / 2 ptsPergunta 1
A respeito da Matriz de Confusão, considere as asserções abaixo:
I - A Matriz de Confusão recebe esse nome porque é necessária muita
atenção para o seu entendimento.
 II - A Matriz de Confusão, para ser obtida, é necessário que o
desempenho do classificador seja calculado a partir do conjunto de
dados de treinamento.
 III - A Matriz de Confusão que melhor retrata o desempenho do
classificador deve ser obtida pela aplicação do classificador sobre o
conjunto de dados de teste.
IV - A Matriz de Confusão tem em cada uma de suas células a média
https://newtonpaiva.instructure.com/courses/11634/quizzes/26202/history?version=1
https://newtonpaiva.instructure.com/courses/11634/quizzes/26202/take?user_id=14567
13/06/2021 Avaliação Online 2: G.MAI.FIAR.5 - Fundamentos de Inteligência Artificial
https://newtonpaiva.instructure.com/courses/11634/quizzes/26202 2/14
do resultado do cálculo do desempenho do classificador sobre os
conjuntos de dados de treinamento e de teste.
Sobre essas asserções, escolha a alternativa abaixo que melhor
retrata o julgamento sobre a veracidade delas:
 II e IV são verdadeiras. I e III são falsas. 
 III e IV são verdadeiras. I e II são falsas. 
 Somente a II é verdadeira. I, III e IV são falsas. 
 Somente a IV é verdadeira. I, II e III são falsas. 
 Somente a III é verdadeira. I, II e IV são falsas. 
A Matriz de Confusão que melhor retrata o desempenho do
classificador deve ser obtida pela aplicação do classificador
sobre o conjunto de dados de teste, de forma que o
classificador é obtido pelos dados de treinamento, ou seja, o
aprendizado ocorre pelos dados de treinamento para verificar o
desempenho, ou seja, se houve realmente aprendizado ou se o
classificador simplesmente decorou os dados a validação,
usando a Matriz de Confusão, é feita com os dados de
treinamento, como apresentado na unidade 4, tópico 3.
0 / 2 ptsPergunta 2IncorretaIncorreta
O aprendizado de máquina supervisionado é uma classe de problemas
de aprendizado no qual se procura inferir o valor da variável
dependente a partir das variáveis independentes.
Considere as asserções abaixo:
I - Determinar a doença de um paciente com base nos resultados dos
exames.
 II - Determinar as características de compras dos consumidores de um
supermercado.
 III - Determinar a direção de um robô em um ambiente com base nas
respostas dos sensores.
 IV - Determinar o risco de intrusão em uma rede de computadores com
base nos ataques anteriores dos hackers.
Em relação às asserções anteriores, quais dizem respeito ao
aprendizado de máquina supervisionado?
13/06/2021 Avaliação Online 2: G.MAI.FIAR.5 - Fundamentos de Inteligência Artificial
https://newtonpaiva.instructure.com/courses/11634/quizzes/26202 3/14
 II e IV. 
 II e III. 
 I e IV. 
 III e IV. 
 I e III. 
0 / 2 ptsPergunta 3IncorretaIncorreta
Considere o seguinte conjunto de dados abaixo como sendo o
resultado da classificação de um conjunto de testes ao passar por um
classificador supervisionado.
Tempo Temperatura Vento Pedalar Classificador
Sol Calor Fraco Sim Sim
Sol Calor Forte Não Sim
Nublado Calor Fraco Sim Sim
Chuva Amena Fraco Sim Não
Chuva Frio Fraco Não Não
Chuva Frio Forte Não Sim
Nublado Frio Forte Sim Sim
Sol Amena Fraco Não Não
Nublado Frio Forte Não Não
Chuva Amena Fraco Sim Sim
13/06/2021 Avaliação Online 2: G.MAI.FIAR.5 - Fundamentos de Inteligência Artificial
https://newtonpaiva.instructure.com/courses/11634/quizzes/26202 4/14
Escolha a alternativa que melhor representa a Matriz de Confusão que
representa o cenário anterior:
 
    Classe esperada
    Sim Não
Classe
original
Sim 4 1
Não 2 3
 
    Classe esperada
    Sim Não
Classe
predita
Sim 3 2
Não 1 4
 
    Classe esperada
    Sim Não
Classe
predita
Sim 4 1
Não 2 3
 
    Classe classificador
    Sim Não
Classe
predita
Sim 3 2
Não 1 4
 
    Classe esperada
    Sim Não
Classe
predita
Não 4 1
Sim 2 3
0 / 2 ptsPergunta 4IncorretaIncorreta
Considere o conjunto de dados a seguir como sendo o conjunto de
dados original a ser utilizado por um algoritmo de aprendizado de
máquina supervisionado:
Dia Tempo Temperatura Vento Pedalar
D1 Sol Calor Fraco Sim
D2 Sol Calor Forte Não
D3 Nublado Calor Fraco Sim
D4 Chuva Amena Fraco Sim
13/06/2021 Avaliação Online 2: G.MAI.FIAR.5 - Fundamentos de Inteligência Artificial
https://newtonpaiva.instructure.com/courses/11634/quizzes/26202 5/14
D5 Chuva Frio Fraco Não
D6 Chuva Frio Forte Não
D7 Nublado Frio Forte Sim
D8 Sol Amena Fraco Não
D9 Nublado Frio Forte Não
D10 Chuva Amena Fraco Sim
Considerando o que já foi estudado e a prática usual sobre os
conjuntos de dados de treinamento e de teste, uma representação
deles pode ser encontrada em:
 
Conjunto de treinamento
Dia Tempo Temperatura vento Pedalar
D1 Sol Calor Fraco Sim
D2 Sol Calor Forte Não
D3 Nublado Calor Fraco Sim
D4 Chuva Amena Fraco Sim
D5 Chuva Frio Fraco Não
D6 Chuva Frio Forte Não
D7 Nublado Frio Forte Sim
D8 Sol Amena Fraco Não
D9 Nublado Frio Forte Não
D10 Chuva Amena Fraco Sim
Conjunto de teste
Dia Tempo Temperatura vento Pedalar
D1 Sol Calor Fraco Sim
D2 Sol Calor Forte Não
D3 Nublado Calor Fraco Sim
D4 Chuva Amena Fraco Sim
D5 Chuva Frio Fraco Não
D6 Chuva Frio Forte Não
D7 Nublado Frio Forte Sim
D8 Sol Amena Fraco Não
D9 Nublado Frio Forte Não
D10 Chuva Amena Fraco Sim
13/06/2021 Avaliação Online 2: G.MAI.FIAR.5 - Fundamentos de Inteligência Artificial
https://newtonpaiva.instructure.com/courses/11634/quizzes/26202 6/14
 
Conjunto de treinamento
Dia Tempo Temperatura vento Pedalar
D3 Nublado Calor Fraco Sim
D4 Chuva Amena Fraco Sim
D5 Chuva Frio Fraco Não
D6 Chuva Frio Forte Não
D7 Nublado Frio Forte Sim
D8 Sol Amena Fraco Não
D9 Nublado Frio Forte Não
D10 Chuva Amena Fraco Sim
Conjunto de teste
Dia Tempo Temperatura vento Pedalar
D1 Sol Calor Fraco Sim
D2 Sol Calor Forte Não
 
Conjunto de treinamento
Dia Tempo Temperatura vento Pedalar
D1 Sol Calor Fraco Sim
D3 Nublado Calor Fraco Sim
D4 Chuva Amena Fraco Sim
D7 Nublado Frio Forte Sim
D10 Chuva Amena Fraco Sim
Conjunto de teste
Dia Tempo Temperatura vento Pedalar
D2 Sol Calor Forte Não
D5 Chuva Frio Fraco Não
D6 Chuva Frio Forte Não
D8 Sol Amena Fraco Não
D9 Nublado Frio Forte Não
13/06/2021 Avaliação Online 2: G.MAI.FIAR.5 - Fundamentos de Inteligência Artificial
https://newtonpaiva.instructure.com/courses/11634/quizzes/26202 7/14
 
Conjunto de treinamento
Dia Tempo Temperatura vento Pedalar
D1 Sol Calor Fraco Sim
D2 Sol Calor Forte Não
D3 Nublado Calor Fraco Sim
D4 Chuva Amena Fraco Sim
D5 Chuva Frio Fraco Não
D6 Chuva Frio Forte Não
D7 Nublado Frio Forte Sim
D8 Sol Amena Fraco Não
Conjunto de teste
Dia Tempo Temperatura vento Pedalar
D1 Sol Calor Fraco Sim
D2 Sol Calor ForteNão
 
Conjunto de treinamento
Dia Tempo Temperatura vento Pedalar
D1 Sol Calor Fraco Sim
D2 Sol Calor Forte Não
D3 Nublado Calor Fraco Sim
D4 Chuva Amena Fraco Sim
D5 Chuva Frio Fraco Não
Conjunto de teste
Dia Tempo Temperatura vento Pedalar
D6 Chuva Frio Forte Não
D7 Nublado Frio Forte Sim
D8 Sol Amena Fraco Não
D9 Nublado Frio Forte Não
D10 Chuva Amena Fraco Sim
0 / 2 ptsPergunta 5IncorretaIncorreta
A presença de dados ausentes em conjuntos de dados é algo presente
na maior parte das informações provenientes do mundo real. É
possível remediar a existência de dados ausentes utilizando técnicas
estatísticas, como a média, a mediana e a moda. 
 Marque a alternativa INCORRETA a respeito das razões que propiciam
a ocorrência de dados ausentes:
13/06/2021 Avaliação Online 2: G.MAI.FIAR.5 - Fundamentos de Inteligência Artificial
https://newtonpaiva.instructure.com/courses/11634/quizzes/26202 8/14
 
Campos não obrigatórios que, ao serem preenchidos, são deixados em
branco ou zerados, como idade, endereço, renda etc.
 
Campos obrigatórios, mas sem a correta consistência que obrigue a
correta captura do preenchimento (nome completo, CPF, RG etc.).
 
Campos que dependem de uma ação temporal, por exemplo, os dados
de navegação em um e-commerce, em que o nome do produto
adquirido e o valor somente existirão no conjunto de dados se o cliente
fizer a compra, senão eles estarão em branco até que o referido evento
ocorra.
 
Campos com opção correta faltante, por exemplo, uma lista de cidades
onde não consta uma delas em particular. A pessoa, ao preencher e
notar que não tem a sua cidade, provavelmente irá deixar em branco.
 
Campos que possuam cálculo automático dependente de outros
campos do conjunto de dados e que o sistema aleatoriamente possa
estar deixando de executar essa tarefa, que fica pré-agendada no
sistema.
0 / 2 ptsPergunta 6IncorretaIncorreta
Analise o trecho de código a seguir em Python, desenvolvido dentro do
Jupyter Notebook. Há uma informação básica a respeito do DataFrame
e também alguns dados estatísticos com relação à coluna ‘Valor
Compra’ do mesmo DataFrame.
13/06/2021 Avaliação Online 2: G.MAI.FIAR.5 - Fundamentos de Inteligência Artificial
https://newtonpaiva.instructure.com/courses/11634/quizzes/26202 9/14
Fonte: elaborado pelo autor.
Após a sua análise, considere as asserções a seguir:
I. A contagem de valores do campo ‘Valor Compra’ é inferior ao total de
linhas do DataFrame, indicando que na coluna ‘Valor Compra’ há
exatamente 28 valores ausentes.
II. Supondo dados expressos em moeda brasileira, o valor médio das
compras feitas presentes nesse DataFrame é de aproximadamente
R$3.131,60.
III. Supondo dados expressos em moeda brasileira, o valor mais
comum (standard, std) para a coluna ‘Valor Compra’ é de
aproximadamente R$1.279,90.
As asserções corretas são:
 
 Todas estão incorretas. 
 Apenas II e III. 
 Apenas I e II. 
 Apenas I e III. 
 Todas estão corretas. 
13/06/2021 Avaliação Online 2: G.MAI.FIAR.5 - Fundamentos de Inteligência Artificial
https://newtonpaiva.instructure.com/courses/11634/quizzes/26202 10/14
2 / 2 ptsPergunta 7
O trecho de código em Python a seguir, desenvolvido dentro do
Jupyter Notebook, está relacionado ao tratamento de dados ausentes
dentro de um DataFrame.
Fonte: elaborado pelo autor.
Considerando os valores mostrados dentro do Jupyter Notebook para
o método df.isnull().sum() e, na sequência, a chamada do
método df.dropna(), pode-se afirmar que o DataFrame resultante:
 
 
Terá os mesmos dados do DataFrame inicial, exceto que as linhas que
continham algum tipo de valor ausente não estarão mais presentes.
 
Terá somente os dados cujas linhas do DataFrame contenham ao
menos um valor ausente.
 
Terá somente a coluna ’Cliente’ do DataFrame inicial, já que as demais
serão removidas por conter dados ausentes.
 
Terá os mesmos dados do DataFrame inicial, exceto a coluna ‘Cliente’,
porque não contém valores ausentes.
13/06/2021 Avaliação Online 2: G.MAI.FIAR.5 - Fundamentos de Inteligência Artificial
https://newtonpaiva.instructure.com/courses/11634/quizzes/26202 11/14
 
Terá os mesmos dados do DataFrame inicial, exceto: as 14 linhas que
continham ‘Região’ sem informação; as 16 linhas que
continham ‘Mês’sem informação; e as 28 linhas que continham ‘Valor
Compra’ sem informação, totalizando, portanto, 58 linhas removidas do
DataFrame inicial.
O método dropna() remove do DataFrame todas as linhas que
contêm ao menos algum valor ausente (NaN) e retorna um novo
DataFrame com essa característica. Assim, o novo DataFrame
é exatamente o mesmo do original, exceto pela supressão das
linhas com algum valor ausente. Não se pode deduzir o total de
linhas a serem removidas somente com as informações
prestadas, porque uma mesma linha pode conter mais que um
valor ausente, então, a soma dos valores ausentes não é
necessariamente o total de linhas a serem removidas. Reveja
esses conceitos na unidade 5, tópico 1.1.
2 / 2 ptsPergunta 8
Ao definir os hiperparâmetros para a construção de uma árvore de
decisão, a biblioteca sklearn (scikit-learn), através do construtor
DecisionTreeClassifier(), admite uma série de parâmetros, entre eles o
max_depth, que serve para regular a profundidade máxima que uma
árvore pode atingir. A respeito de como esse hiperparâmetro pode
afetar o desempenho do classificador, julgue as asserções abaixo:
 I. Quanto maior o valor de max_depth, melhor será o desempenho da
árvore de decisão para ficar bem ajustada aos dados.
 
II. Um valor muito pequeno de max_depth pode fazer com que a árvore
de decisão não tenha nós suficientes para adquirir o conhecimento do
conjunto de dados e sofrerá com o fenômeno do underfitting.
 
III. Por padrão, é melhor utilizar max_depth = 10, que é um valor
praticado pela comunidade acadêmica e profissional por produzir
sempre árvores de decisão com o máximo desempenho.
 Pode-se afirmar que são falsas as asserções:
 II e III. 
 I e III. 
 I e II. 
 Somente II. 
13/06/2021 Avaliação Online 2: G.MAI.FIAR.5 - Fundamentos de Inteligência Artificial
https://newtonpaiva.instructure.com/courses/11634/quizzes/26202 12/14
 Somente III. 
O desempenho de uma árvore de decisão está intimamente
ligado à profundidade, que normalmente é um parâmetro
automático que o próprio indutor decide qual o melhor.
Entretanto, ajustes manuais são necessários porque o indutor
olha apenas para os dados de treinamento e não os de testes a
fim de evitar overfitting. Então, profundidades elevadas podem
levar a esse fenômeno (overfitting), o que não é bom e, por
isso, a asserção I é falsa. Não existe padrão para configurar a
profundidade da árvore porque é uma questão muito sensível
aos dados, por isso a asserção III é falsa. Árvores de decisão
rasas podem não aprender toda a informação dos dados,
causando underfitting, por isso a asserção (II) é verdadeira.
Reveja esse conceito na unidade 6, tópico 3.
0 / 2 ptsPergunta 9IncorretaIncorreta
As avaliações do modelo por k-fold cross-validation e leave-one out
são conhecidas por serem validações cruzadas de forma que os dados
são divididos em partições que se revezam para serem usadas no
processo de treinamento e teste do classificador. A respeito dessas
duas avaliações cruzadas, podemos dizer que a semelhança entre
elas:
 
É que a avaliação por k-fold cross-validation divide os dados em k
partições enquanto a avaliação por leave-one out divide os dados em n
partições, sendo n o número de exemplos do conjunto de dados.
 
É que a avaliação por k-fold cross-validation divide os dados em k
partições enquanto a avaliação por leave-one out divide os dados em
(k-1) partições.
 
É que a avaliação por k-fold cross-validation divide os dados em (k-1)
partições enquanto a avaliação por leave-one out divide os dados em k
partições.
 
É que a avaliação por k-fold cross-validation divide os dados em k
partições enquanto a avaliação por leave-one out divide os dados em n
partições, sendo n igual a k partições menos 1 exemplo.
13/06/2021 AvaliaçãoOnline 2: G.MAI.FIAR.5 - Fundamentos de Inteligência Artificial
https://newtonpaiva.instructure.com/courses/11634/quizzes/26202 13/14
 
É que a avaliação por k-fold cross-validation divide os dados em k
partições enquanto a avaliação por leave-one out divide os dados em
(n-1) partições, sendo n o número de exemplos do conjunto de dados.k
2 / 2 ptsPergunta 10
A validação do modelo utilizando K-fold cross-validation é uma
estimativa de erro bem aceita por produzir uma estatística confiável e
normalizada em relação à predição de exemplos futuros. A respeito
das partições, é correto afirmar que:
 
Cada exemplo do conjunto de dados participa K vezes das partições de
treinamento e teste.
 
Cada exemplo é uma partição individual que participa, portanto,
(n) vezes do processo de treinamento e teste, em que n é o número de
linhas do conjunto de dados.
K
 
Cada exemplo do conjunto de dados participa uma única vez da
partição de treinamento e (K-1) vezes da partição de teste.
 
Cada exemplo do conjunto de dados participa uma única vez da
partição de teste e (K-1) vezes da partição de treinamento.
 
Cada exemplo é uma partição individual que participa, portanto,
(K) vezes do processo de treinamento e teste, em que n é o número de
linhas do conjunto de dados.
n
A avaliação por k fold cross-validation divide o conjunto de
dados em K partições iguais e sem repetição dos dados entre
as partições. O classificador é testado K vezes sobre as
partições de modo que em cada iteração o classificador é
treinado sobre (K-1) partições e testado sobre uma única
partição. Reveja esse conceito na unidade 6, tópico 4.
Pontuação do teste: 8 de 20
13/06/2021 Avaliação Online 2: G.MAI.FIAR.5 - Fundamentos de Inteligência Artificial
https://newtonpaiva.instructure.com/courses/11634/quizzes/26202 14/14