AOL 1 - FUNDAMENTOS EM DATA SCIENCE

Prévia do material em texto

AOL 1 - FUNDAMENTOS EM DATA SCIENCE 
Pergunta 1 
Leia o trecho a seguir: 
“Pense cuidadosamente sobre quais dados você pode usar e como serão usados. Pense, 
especificamente, como a MegaTelCo deve escolher um conjunto de clientes para receber sua 
oferta a fim de melhor reduzir a rotatividade para uma verba de incentivo em particular? 
Responder a essa pergunta é muito mais complicado do que pode parecer inicialmente.” 
Fonte: FOSTER, Provost; FAWCETT, Tom. Data Science para negócios: O que você precisa 
saber sobre mineração de dados e pensamento analítítico de dados? Rio de Janeiro: 
Altabooks, 2016, p. 4 
Considerando essas informações e o conteúdo referente ao processo de análise de dados, 
ordene as etapas a seguir: 
( ) Avaliação. 
( ) Fonte de dados. 
( ) Tratamento. 
( ) Soluções. 
( ) Análise. 
 
Pergunta 2 
Leia o trecho a seguir 
“Enquanto você está preenchendo os papéis de admissão, a vice-presidente da Fraternidade 
chega à sua mesa. Ela quer estimular mais conexões entre os seus membros, e pede que você 
desenvolva sugestões de „Cientistas de Dados Que Você Talvez Conheça‟”. 
Fonte: GRUS, Joel. Data Science do zero: Primeiras regras com o Phyton. Brasil: São Paulo: 
Alta Books, 2018, p. 6. 
Práticas empresariais em Data Science, ligadas diretamente com Machine Learn, podem ser: 
 
 
Pergunta 3 
Leia o trecho a seguir: 
“Agora, com grandes quantidades de dados disponíveis, as empresas em quase todos os 
setores estão focadas em explorá-los para obter vantagem competitiva. No passado, as 
empresas podiam contratar equipes de estatísticos, modeladores e analistas para explorar 
manualmente os conjuntos de dados, mas seu volume e variedade superaram muito a 
capacidade da análise manual. Ao mesmo tempo, os computadores se tornaram muito mais 
poderosos, a comunicação em rede é onipresente, e foram desenvolvidos algoritmos que 
podem conectar conjuntos de dados para permitir análises muito mais amplas e profundas do 
que antes.” 
Fonte: FOSTER, Provost; FAWCETT, Tom. Data Science para negócios: O que você precisa 
saber sobre mineração de dados e pensamento analítico de dados? Rio de Janeiro: Altabooks, 
2016, p. 1. 
 
 
 
 
 
 
 
 
 
 
 
 
 
Pergunta 4 
Leia o trecho a seguir: 
“Embora seja possível fazer consultas envolvendo junções (join) em SQL, a situação pode, 
rapidamente, se tornar complicada, tanto com a escrita SQL, quanto com o desempenho 
resultante, quando um número de junções aumenta. Isso torna o momento propício para 
apresentar outra categoria de banco de dados.” 
Fonte: PRAMOD, Sadalage; FOWLER, Martim. NoSQL Essencial: Um guia conciso para o 
Mundo Emergente da Persistência. São Paulo: Novatec, 2013, p. 58. 
Considerando essas informações e o conteúdo estudado, analise as afirmativas a seguir e 
assinale V para a(s) verdadeira(s) e F para a(s) falsa(s): 
I. ( ) Tabelas relacionais podem ser criadas com SQL. 
II. ( ) NoSQL é mais escalável. 
III. ( ) Enquanto joins são separações, junções são relações. 
IV. ( ) NoSQL fazem junções, mas é melhor fazer com SQL. 
Agora, assinale a alternativa que apresenta a sequência correta: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Pergunta 5 
Leia o trecho a seguir: 
“Felizmente, com a entropia para medir o quão desordenado qualquer conjunto é, podemos 
definir o Ganho de Informação para medir quanto um atributo melhora (diminui) a entropia ao 
longo de toda a segmentação que ele cria.” 
Fonte: FOSTER, Provost; FAWCETT, Tom. Data Science para negócios: O que você precisa 
saber sobre mineração de dados e pensamento analítico de dados? Rio de Janeiro: Altabooks, 
2016, p. 53. 
Considerando a citação apresentada e os conteúdos abordados na unidade, analise as 
asserções a seguir e a relação proposta entre elas. 
I. O Ganho de Informação (GI) compara a capacidade que atributos distintos possuem de 
retomar a pureza, com base nas entropias. 
Porque: 
II. O GI analisa os atributos com mais capacidade para determinar um comportamento, através 
de cálculos de subtração e, depois, de comparação. 
A seguir, assinale a alternativa correta: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Pergunta 6 
Leia o trecho a seguir: 
“Algumas das áreas de aplicação da Inteligência Artificial e Machine Learn são, por exemplo: 
– jogos e brinquedos eletrônicos; 
– robótica e automação industrial; 
– verificação automática de software; 
– otimização e controle de processos; 
– processamento de linguagem natural; 
– bancos de dados dedutivos e mineração de dados; 
– aprendizagem, planejamento e escalonamento de tarefas; 
– reconhecimento de faces, de voz, de cheiros e de sabores.” 
Fonte: PEREIRA, Silvio L. Introdução à Inteligência Artificial. Brasil, São Paulo: IME. 2014. 
Disponível em: <https://www.ime.usp.br/~slago/IA-introducao.pdf>. Acesso em: 20 dez. 2018. 
A partir dessas informações e do conteúdo estudado a respeito de inteligência artificial e 
Machine Learn, pode-se afirmar que: 
I. Capacidade de aprendizado, de reconhecimento de voz e corretores são exemplos de 
Machine Learn. 
II. Um sistema de Machine Learn pensa como máquina, pois o raciocínio humano atrapalha a 
inteligência artificial. 
III. Machine Learn é mesma coisa que dataset. 
IV. Um sistema de Machine Learn usa lógica racional. 
V. Recomendações semelhantes são exemplos de Machine Learn. 
Está correto apenas o que se afirma em: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Pergunta 7 
Leia o trecho abaixo: 
“Dados intervalares ou racionais são os dados quantitativos e todas as medidas de tendência 
central e de dispersão são apropriadas a eles. A escolha das medidas depende do uso que se 
pretende da estatística e da distribuição de frequências.” 
Fonte: MASSAD, Eduardo et al. Métodos quantitativos em medicina. São Paulo, Barueri: 
Manole, 2004, p.148. 
Ao analisar as quantitativas contínuas e discretas para comparar dois números, pode-se dizer 
que: 
 
Pergunta 8 
Leia o trecho a seguir: 
“Python possui diversos recursos que o tornam mais adequado para o aprendizado (e prática) 
de Data Science: 
• É gratuito. 
• É relativamente simples de codificar (e, o principal, de entender). 
• Possui muitas bibliotecas úteis relacionadas ao data science.” 
Fonte: GRUS, Joel. Data Science do zero: primeiras regras com o Phyton. Brasil: São Paulo: 
Alta Books, 2018, p. XIII. 
Existem diversas linguagens com várias características, porém a linguagem Python é: 
 
Pergunta 9 
Leia o trecho a seguir: 
“Existem várias bibliotecas, módulos, estruturas e kit de ferramentas de Data Science que 
implementam de modo eficiente os mais comuns (e também menos comuns) algoritmos e 
técnicas.” 
Fonte: GRUS, Joel. Data Science do zero: Primeiras Regras com o Phyton. Brasil: São Paulo: 
Alta Books, 2018, p. XIII. 
A partir dessas informações e do conteúdo estudado a respeito das bibliotecas utilizadas, 
pode-se afirmar que: 
 
Pergunta 10 
Leia o trecho a seguir: 
“Conceitos sobre como a ciência de dados (Data Science) se encaixa na organização e no 
cenário competitivo, incluindo formas de atrair, estruturar e nutrir equipes de Data Science; 
maneiras de pensar sobre como Data Science leva uma vantagem competitiva e conceitos 
táticos para se sair bem com projetos de Data Science.” 
Fonte: FOSTER, Provost; FAWCETT, Tom. Data Science para negócios: O que você precisa 
saber sobre mineração de dados e pensamento analítico de dados? Rio de Janeiro: Altabooks, 
2016, p. XVI. 
A partir dessas informações e do conteúdo estudado a respeito de vantagem competitiva, 
pode-se afirmar que: 
I. Faz parte da análise de vantagem competitiva analisar dados de ameaças de produtos 
substitutos. 
II. Estudar dados é uma ciência técnica e não está relacionada a negócios. 
III. Faz parte da análise de vantagem competitiva analisar dados de ameaças de 
concorrência. 
IV. Porter aborda análise de dados em Data Science. 
V. Os fornecedores podem representar ameaças, segundo Porter. 
Está correto apenas o que se afirma em: