AO2 - Mineração de Dados

Prévia do material em texto

01/12/2021 18:12 Teste: AO2
https://famonline.instructure.com/courses/16325/quizzes/62625/take 1/12
AO2
Iniciado: 1 dez em 17:10
Instruções do teste
Importante:
Caso você esteja realizando a atividade através do aplicativo "Canvas Student", é necessário que
você clique em "FAZER O QUESTIONÁRIO", no final da página.
0,6 ptsPergunta 1
Leia o texto abaixo:
 
Árvore de decisão é uma das técnicas mais populares de mineração de dados.
Mais comumente usada para resolver a tarefa de classificação de dados, a árvore
de decisão consiste em uma coleção de nós internos e nós folhas, organizados
em um modelo hierárquico (da mesma forma que se organizam as estruturas de
dados do tipo árvore). No contexto da resolução da tarefa de classificação, uma
árvore de decisão representa o modelo capaz de guiar a tomada de decisão
sobre a determinação da classe à qual um exemplar pertence.
A figura abaixo traz um exemplo de um modelo classificador hipotético, na forma
de uma árvore de decisão, para escolha de pratos em um restaurante.
 
01/12/2021 18:12 Teste: AO2
https://famonline.instructure.com/courses/16325/quizzes/62625/take 2/12
Segundo o modelo representado pela árvore, se a ocasião se refere à temperatura alta e
à hora do jantar, deve-se optar por um prato frio.
A árvore de decisão está classificando as ocasiões em: apropriadas para consumo de
pratos no jantar ou inapropriadas para consumo de pratos no jantar.
Os nós internos da árvore (tipo de prato) dizem respeito a atributos prescritivos de uma
ocasião em que alguém está no restaurante para realizar uma refeição.
Cada nó folha (temperatura) representa uma decisão sugerida pelo modelo classificador
para a ocasião, sugestão esta, presente no atributo rótulo do conjunto de dados usado
para induzir o modelo.
A construção da árvore é realizada por meio de um algoritmo que não precisa analisar
os atributos descritivos do conjunto de dados previamente rotulado, consistindo apenas
no processo de aprendizado do modelo classificador.
 
Fonte: SILVA, L. A. Introdução à mineração de dados: com aplicações em R. Rio
de Janeiro: Elsevier, 2016.
 
Considerando as informações apresentadas, assinale a opção correta.
 
0,6 ptsPergunta 2
Leia o texto a seguir:
 
“As funcionalidades da mineração de dados são usadas para especificar os tipos
de informações a serem obtidas nas tarefas de mineração. [...] Em muitos casos,
o usuário não tem ideia do tipo de conhecimento contido nos dados ou como usá-
lo para gerar modelos preditivos, [...]”
 
Fonte: CASTRO, L. N.; FERRARI, D. G. Introdução à mineração de dados:
conceitos básicos, algoritmos e aplicações. São Paulo: Saraiva, 2016. p. 7.
 
01/12/2021 18:12 Teste: AO2
https://famonline.instructure.com/courses/16325/quizzes/62625/take 3/12
I e II, apenas.
I e IV, apenas.
III e IV, apenas.
II e III, apenas.
I e III, apenas.
Considere as seguintes descrições a respeito das tarefas de Mineração de
Dados:
 
I. A análise descritiva tem por objetivo medir, explorar e descrever
características intrínsecas aos dados.
II. A predição tem por objetivo produzir modelos para avaliar a classe ou valor de
um objeto rotulado.
III. A análise de grupos tem por objetivo separar um conjunto de objetos em
grupos, a partir da aprendizagem supervisionada.
IV. A associação tem por objetivo encontrar relações entre os atributos em uma
base de dados transacional.
 
É correto o que se afirma apenas em: 
0,6 ptsPergunta 3
Avalie o diagrama a seguir:
 
01/12/2021 18:12 Teste: AO2
https://famonline.instructure.com/courses/16325/quizzes/62625/take 4/12
Interfitting é o nome que se dá quando há uma correlação forte entre os valores das
variáveis independentes e as dependentes.
Underfitting é o nome que se dá quando há pouco ajuste dos dados pela curva da
função aprendida.
Superfitting é o nome que se dá quando há muito ajuste dos dados pela curva da função
aprendida.
Subfitting é o nome que se dá quando há poucas variáveis independentes no conjunto
de dados.
 
Fonte: JANOS, M. 3 Dimensões Inteligência Artificial nas Empresas, 2020.
Disponível em: https://www.3dimensoes.com.br/post/overfitting-e-underfitting.
Acesso em: 07 out. 2020.
 
Sobre a tarefa de regressão linear, o diagrama descreve exemplos de funções
aprendidas a partir da análise de dados. Nesse contexto, selecione a alternativa
correta, dentre as disponíveis abaixo, sobre o ajustamento de funções lineares
aos dados. 
01/12/2021 18:12 Teste: AO2
https://famonline.instructure.com/courses/16325/quizzes/62625/take 5/12
Overfitting é o nome que se dá quando há muitas variáveis independentes no conjunto
de dados.
0,6 ptsPergunta 4
Leia o texto a seguir:
 
“O algoritmo k-médias toma como entrada o parâmetro k, correspondente ao
número de grupos desejados, e particiona o conjunto de n objetos em k grupos,
de forma que a similaridade intragrupo seja alta e a similaridade intergrupo seja
baixa. A similaridade intragrupo é avaliada considerando o valor médio dos
objetos em um grupo, que pode ser visto como o seu centro de gravidade ou
centroide.”
 
Fonte: CASTRO, L. N.; FERRARI, D. G. Introdução à mineração de dados:
conceitos básicos, algoritmos e aplicações. São Paulo: Saraiva, 2016. p. 116.
 
Considere as seguintes descrições a respeito da tarefa de agrupamento, mais
especificamente ao algoritmo k-médias.
 
I. A detecção de agrupamentos é uma tarefa de aprendizado preditiva também
conhecida como clustering. Nesse caso, as técnicas utilizadas são,
comumente, relativas ao aprendizado supervisionado, ou seja, o conjunto de
dados não possui rótulos e o aprendizado usa apenas os atributos preditivos;
II. Os algoritmos para tarefas preditivas produzem modelos a partir de um
processo de treinamento que utiliza todo o conjunto de dados disponível. O
objetivo é organizar os dados rotulados em grupos de acordo com uma
medida de similaridade ou correlação;
III. Um grupo é um conjunto de objetos similares (homogêneos) e os objetos que
pertencem a grupos diferentes são não similares (heterogêneos). O principal
objetivo do agrupamento é maximizar a homogeneidade interna nos grupos e a
heterogeneidade entre os grupos.
IV. Dependendo do atributo selecionado, poderemos ter diferentes grupos. Nesse
contexto, a detecção de agrupamentos poderá resultar em diferentes quantidades
de grupos e em composições, também diferentes, para cada grupo obtido.
01/12/2021 18:12 Teste: AO2
https://famonline.instructure.com/courses/16325/quizzes/62625/take 6/12
II e III, apenas.
I e IV, apenas.
I e II, apenas.
I e III, apenas.
III e IV, apenas.
 
É correto apenas o que se afirma em: 
0,6 ptsPergunta 5
Avalie a representação a seguir sobre o processo KDD:
 
 
Fonte: SABRI, I. A. A. et al. Web Data Extraction Approach for Deep Web
using WEIDJ.
Procedia Computer Science, v. 163, p. 417-426, 2019.
01/12/2021 18:12 Teste: AO2
https://famonline.instructure.com/courses/16325/quizzes/62625/take 7/12
A segunda etapa do KDD realiza a seleção dos dados que serão analisados, a partir de
diferentes fontes de dados, essa etapa resulta em um conjunto de dados que delimita o
contexto a ser analisado.
A quinta etapa é a interpretação dos padrões minerados, dependendo dos resultados
observados, é possível realizar alguma outra tarefa sobre esses resultados, de modo
que haja uma melhora do modelo.
A quarta etapa do KDD é a mineração dos dados cujo objetivo é a classificação dos
dados em partições homogêneas de modo a possibilitar a extração de regras e padrões
úteis para a obtenção de conhecimento.
A primeira etapa do KDD realiza operações para a diminuição de ruído nos dados e,
também, são definidas as estratégias a respeito de como tratar a ausência de
determinados valores.
A terceira etapa do KDD se refere à transformação dos dados e a busca pelos atributos
que serão importantes para o objetivo, podendo reduzir o número de variáveis que serão
consideradas no processo.
Sobre as etapas do processo KDD, selecione a alternativa correta dentre as
disponíveis a seguir.0,6 ptsPergunta 6
Leia o texto abaixo:
 
A mineração de dados é parte integrante de um processo mais amplo, conhecido
como descoberta de conhecimento em bases de dados (knowledge discovery in
databases, ou KDD) [...] A preparação ou pré-processamento de dados é uma
das partes principais do KKD, e correspondem as etapas anteriores à mineração
que visam preparar os dados para uma análise eficiente e eficaz.
 
(Fonte: DE CASTRO, L. N. Introdução à mineração de dados: conceitos básicos,
algoritmos e aplicações. São Paulo: Saraiva, 2016.)
 
A preparação ou pré-processamento de dados inclui
01/12/2021 18:12 Teste: AO2
https://famonline.instructure.com/courses/16325/quizzes/62625/take 8/12
a análise descritiva, a associação e a detecção de anomalias nos dados.
a transformação, a mineração e a avaliação dos dados.
a limpeza, a integração, a seleção ou redução e a transformação dos dados.
o agrupamento e a associação dos dados.
a análise descritiva, o agrupamento e a predição dos dados.
0,6 ptsPergunta 7
Considere a seguinte distribuição conjunta de probabilidade:
 
 
Fonte: LORENA, A. C., FARIA, F. A. Representação do Conhecimento –
Lidando com incerteza. Notas de aula. UNIFESP (São Paulo), 2015.
 
Avalie as seguintes afirmações a respeito da distribuição de probabilidade
anterior.
 
I. P(cárie) = 0,25;
II. P(cárie ˅ dor de dente) = 0,28;
III. P(cárie | dor de dente) = 0,60;
IV. P(extração) = 0,4.
 
É correto o que se afirma apenas em: 
01/12/2021 18:12 Teste: AO2
https://famonline.instructure.com/courses/16325/quizzes/62625/take 9/12
I e III, apenas.
II e IV, apenas.
II e III, apenas.
III e IV, apenas.
I e II, apenas.
0,6 ptsPergunta 8
A limpeza cuida da diminuição da base de dados. A integração cuida da padronização
do formato dos dados. A redução cuida da união de múltiplas fontes de dados. A
transformação cuida de permitir que métodos que trabalham apenas com atributos
nominais possam ser empregados. A discretização cuida da atribuição de valores
ausentes, da remoção de ruídos e de corrigir inconsistências.
A limpeza cuida da padronização do formato dos dados. A integração cuida da
diminuição da base de dados. A redução cuida da união de múltiplas fontes de dados. A
transformação cuida de permitir que métodos que trabalham apenas com atributos
nominais possam ser empregados. A discretização cuida da atribuição de valores
ausentes, da remoção de ruídos e de corrigir inconsistências.
Leia o texto a seguir:
 
“O pré-processamento, também conhecido como preparação da base de dados,
manipula e transforma os dados brutos de maneira que o conhecimento neles
contido possa ser mais fácil e corretamente obtido. A melhor maneira de se pré-
processar os dados depende de três fatores centrais: os problemas existentes na
base, quais respostas pretende-se obter e como funcionam as técnicas de
mineração.”
 
Fonte: CASTRO, L. N.; FERRARI, D. G. Introdução à mineração de dados:
 conceitos básicos, algoritmos e aplicações. São Paulo: Saraiva, 2016. p. 34.
 
Qual alternativa descreve corretamente as principais tarefas de pré-
processamento?
01/12/2021 18:12 Teste: AO2
https://famonline.instructure.com/courses/16325/quizzes/62625/take 10/12
A limpeza cuida da atribuição de valores ausentes, da remoção de ruídos e de corrigir
inconsistências. A integração cuida da união de múltiplas fontes de dados. A redução
cuida da diminuição da base de dados. A transformação cuida da padronização do
formato dos dados. A discretização cuida de permitir que métodos que trabalham
apenas com atributos nominais possam ser empregados.
A limpeza cuida de permitir que métodos que trabalham apenas com atributos nominais
possam ser empregados. A integração cuida da união de múltiplas fontes de dados. A
redução cuida da diminuição da base de dados. A transformação cuida da padronização
do formato dos dados. A discretização cuida da atribuição de valores ausentes, da
remoção de ruídos e de corrigir inconsistências.
A limpeza cuida de permitir que métodos que trabalham apenas com atributos nominais
possam ser empregados. A integração cuida da diminuição da base de dados. A
redução cuida da união de múltiplas fontes de dados. A transformação cuida da
padronização do formato dos dados. A discretização cuida da atribuição de valores
ausentes, da remoção de ruídos e de corrigir inconsistências.
0,6 ptsPergunta 9
Leia o texto a seguir:
 
“Essas funções são baseadas em critérios que avaliam o quão bom cada atributo
é no papel de dividir o conjunto de dados, considerando a distribuição de classes
presentes no conjunto. [...] O índice Gini usa um critério baseado em impureza
para analisar as diferenças entre as distribuições de probabilidade dos valores
dos atributos de classe.”
 
Fonte: DA SILVA, L. A.; PERES, S. M.; BOSCARIOLI, C. Introdução à
Mineração de Dados Com aplicações em R. Rio de Janeiro: Elsevier, 2016. p.
104.
 
Avalie as seguintes asserções e a relação proposta entre elas.
 
I. A escolha de um atributo para dividir um conjunto de dados pode ser feita com
a utilização do índice Gini, quanto menor for o valor calculado mais puras serão
as partições;
 
01/12/2021 18:12 Teste: AO2
https://famonline.instructure.com/courses/16325/quizzes/62625/take 11/12
A asserção I é uma proposição verdadeira, e a II é uma proposição falsa.
As asserções I e II são ambas proposições falsas.
As asserções I e II são proposições verdadeiras, e a II é uma justificativa da I.
A asserção I é uma proposição falsa, e a II é uma proposição verdadeira.
As asserções I e II são proposições verdadeiras, mas a II não é uma justificativa da I.
PORQUE
 
II. O índice Gini calcula a proporção de classes diferentes em uma partição e
quanto maior for a heterogeneidade da partição, tanto maior será o valor do
índice.
 
A respeito dessas asserções, assinale a opção correta:
0,6 ptsPergunta 10
Leia o texto abaixo:
 
O processo de mineração corresponde à extração de minerais valiosos, como
ouro e pedras preciosas, a partir de uma mina. Uma característica importante
desses materiais é que, embora não possam ser cultivados ou produzidos
artificialmente, existem de maneira implícita e muitas vezes desconhecida em
alguma fonte, podendo ser extraídos. Esse processo requer acesso à mina, o uso
de ferramentas adequadas de mineração, a extração dos minérios propriamente
dita e o seu posterior preparo para comercialização.
 
Fonte: DE CASTRO, L. N. Introdução à mineração de dados: conceitos básicos,
algoritmos e aplicações. São Paulo: Saraiva, 2016.
 
Considerando as informações apresentadas, assinale a opção correta.
01/12/2021 18:12 Teste: AO2
https://famonline.instructure.com/courses/16325/quizzes/62625/take 12/12
Salvo em 18:12 
O termo mineração de dados é uma alusão ao processo de extração de minerais, uma
vez que se explora um algoritmo (mina) usando banco de dados (ferramentas)
adequados para obter conhecimento (minerais preciosos).
O termo mineração de dados é uma alusão ao processo de extração de minerais, uma
vez que se explora o conhecimento (mina) usando banco de dados (ferramentas)
adequados para obter ferramentas (minerais preciosos).
O termo mineração de dados é uma alusão ao processo de extração de minerais, uma
vez que se explora uma base de dados (mina) usando algoritmos (ferramentas)
adequados para obter conhecimento (minerais preciosos).
O termo mineração de dados é uma alusão ao processo de extração de minerais, uma
vez que se explora um conhecimento(mina) usando algoritmos (minerais preciosos)
adequados para obter base de dados (ferramentas).
O termo mineração de dados é uma alusão ao processo de extração de minerais, uma
vez que se explora uma base de dados (mina) usando algoritmos (minerais preciosos)
adequados para obter conhecimento (ferramentas).
Enviar teste