Machine Learning AOL4

Prévia do material em texto

Conteúdo do exercício
Ocultar opções de resposta 
Pergunta 1 -- /0
A estatística bayesiana pode ser figurada como um mecanismo estatístico no qual é possível combinar 
informações subjetivas com informações provenientes de dados observados, de modo que seja possível atualizar 
as probabilidades de variáveis cujo estado não é observado, dada uma série de novas observações.
Considerando essas informações e o conteúdo estudado sobre o surgimento da Aprendizagem Bayesiana, analise 
as afirmativas a seguir:
I. Os primeiros cálculos que envolvem probabilidades tiveram origem na Idade Média, a partir de estudos de jogos 
de azar.
II. Em 1964, os estudos de Blaise Pascal e Pierre de Fermat iniciaram o desenvolvimento de uma ciência referente 
a essa vertente.
III. A teoria de probabilidades ganhou notoriedade em diversos procedimentos das ciências exatas.
IV. O renomado matemático Thomas Bayes formulou em uma de suas obras o teorema de probabilidade que 
desencadeou no surgimento da Machine Learning.
Está correto apenas o que se afirma em:
II e IV.
I e II.
II e III.
I, III e IV.
I, II e III.
Concluído
Ocultar opções de resposta 
Ocultar opções de resposta 
Pergunta 2 -- /0
Leia o excerto a seguir:
“Quando o ambiente é gaussiano, o classificador bayesiano se reduz a um classificador linear. Esta é a mesma 
forma assumida pelo perceptron. Entretanto, a natureza linear do perceptron não depende da suposição de que as 
distribuições sejam gaussianas.”
Fonte: HAYKIN, S. Redes Neurais: princípios e prática. 2. ed. São Paulo: Bookman, 2007. p. 169. (Adaptação).
Considerando essas informações e o conteúdo estudado sobre Aprendizagem Bayesiana, pode-se afirmar que o 
modelo gaussiano se refere ao algoritmo:
Imput.
Python.
Naive Bayes.
Leam.
Discreto.
Pergunta 3 -- /0
Leia o excerto a seguir:
“A variável contínua é aquela que permite um conjunto ordenado de valores dentro de determinada amplitude. Ela 
possibilita, consequentemente, medidas: notas escalares, idades, graus de calor e altura. Variável categórica é a 
que assume valores descontínuos; pertence ao tipo de medida denominada ‘nominal’.”
Fonte: GRESSLER, L. A. Introdução à pesquisa: pesquisa e relatórios. 2. ed. São Paulo, 2004. p. 120. (Adaptado).
Considerando essas informações e o conteúdo estudado na unidade, pode-se afirmar que as variáveis categóricas 
e contínuas estão relacionadas ao conceito de:
Ocultar opções de resposta 
algoritmos evolucionários.
inteligência artificial.
árvores de decisão.
Greedily Layer-Wise Training.
aprendizagem bayesiana.
Pergunta 4 -- /0
Leia o excerto a seguir:
“As árvores de decisão são um dos modelos mais práticos e usados em conclusão indutiva. Estas árvores são 
elaboradas de acordo com um conjunto de informações e, posteriormente, outros exemplos são classificados de 
acordo com a mesma árvore.”
Fonte: DAYCHOUW, M. 40 Ferramentas e técnicas de gerenciamento. Rio de Janeiro: Brasport, 2007. p. 26.
Considerando essas informações e o conteúdo estudado sobre árvores de decisão e suas desvantagens, analise 
as afirmativas a seguir e assinale V para a(s) verdadeira(s) e F para a(s) falsa(s).
I. ( ) A desvantagem da árvore de decisão é o seu caráter estatístico.
II. ( ) A desvantagem da árvore de decisão é o requerimento de um conhecimento inicial de várias probabilidades, 
visto que um elevado número de probabilidades deve ser calculado, gerando custo computacional significativo.
III. ( ) As árvores de decisão apresentam rapidez em identificar as variáveis mais significativas e a relação entre 
duas ou mais variáveis.
IV. ( ) A exploração dos dados se torna mais útil, visto que esse benefício possibilita a criação de novas variáveis 
e/ou características com melhores condições para predizer a variável-alvo.
Agora, assinale a alternativa que apresenta a sequência correta:
F, F, V, V.
F, V, V, F.
V, F, V, F.
V, V, F, F.
V, F, F, V.
Ocultar opções de resposta 
Ocultar opções de resposta 
Pergunta 5 -- /0
Os modelos estatísticos empregam uma estratégia que consiste em dividir para conquistar. Assim, dentro dessa 
vertente, um problema complexo pode ser decomposto em subproblemas mais simples e, recursivamente, esse 
princípio é aplicado em cada subproblema gerado.
Considerando essas informações e o conteúdo estudado na unidade, pode-se afirmar que o texto faz referência 
ao conceito de:
aprendizagem bayesiana.
inteligência artificial.
algoritmos evolucionários.
árvores de decisão.
Greedily Layer-Wise Training.
Pergunta 6 -- /0
Leia o excerto a seguir:
“Foram propostos por Holland e seus alunos na década de 1970. Holland estudou a evolução natural, 
considerando-a um processo robusto, simples e poderoso, que poderia ser adaptado para obtenção de soluções 
computacionais eficientes para problemas de otimização.”
Fonte: GABRIEL, P. H. R.; DELBEM, A. C. B. Fundamentos de algoritmos evolutivos. IMC/USP. Disponível em: 
<http://conteudo.icmc.usp.br/CMS/Arquivos/arquivos_enviados/BIBLIOTECA_113_ND_75.pdf>. Acesso em: 19 
out. 2019.
Considerando essas informações e o conteúdo estudado sobre a Aprendizagem Bayesiana, pode-se afirmar que o 
excerto faz referência ao conceito de:
algoritmos genéticos.
Ocultar opções de resposta 
operadores dinâmicos.
programação evolutiva.
programação genética.
estratégias evolutivas.
Pergunta 7 -- /0
Leia o excerto a seguir:
“A classificação bayesiana faz uso de uma ou mais redes bayesianas treinadas para classificar os documentos, 
geralmente com classes pré-definidas. Essa técnica, também chamada de aprendizado bayesiano, é assim 
denominada pois depende de um conjunto de dados previamente classificados e marcados.”
Fonte: LOPES, T. J. P.; HIRATANI, G. K. L. Mineração de opiniões e fatos aplicada à análise de investimentos. São 
Paulo, 2008. p. 21.
Considerando essas informações e o conteúdo estudado sobre Representação da Aprendizagem Bayesiana, 
pode-se afirmar que ela se subdivide em:
aprendizagem dedutiva e aprendizagem dos parâmetros simbólicos.
aprendizagem de software e aprendizagem dos parâmetros numéricos.
aprendizagem auditiva e aprendizagem dos parâmetros dedutivos.
aprendizagem da estrutura e aprendizagem dos parâmetros de máquina.
aprendizagem da estrutura e aprendizagem dos parâmetros numéricos.
Pergunta 8 -- /0
Ocultar opções de resposta 
Ocultar opções de resposta 
Também pode ser caracterizado como sendo do tipo supervisionado, visto que são fornecidas instâncias ao 
algoritmo de aprendizagem de máquina, juntamente com suas classes. De acordo com o paradigma estatístico, os 
algoritmos utilizam as fórmulas estatísticas e cálculo de probabilidades para obter a classificação.
Considerando essas informações e o conteúdo estudado na unidade, pode-se afirmar que o trecho faz referência 
ao conceito de:
aprendizado bayesiano.
rede bayesiana.
Greedily Layer-Wise Training.
algoritmos evolucionários.
inteligência artificial.
Pergunta 9 -- /0
Leia o excerto a seguir:
“É importante adotar dicas de prevenção de spam. Muitos ISPs e serviços do e-mail grátis agora fornecem 
filtragem de spam. Isso indica que apesar dos filtros não seres perfeitos, eles podem reduzir enormemente a 
quantidade de spam que um usuário recebe.”
Fonte: BALTZAN, P.; PHILLIPS, A. Sistemas da informação. Nova York: McGraw-Hill, 2012. p. 100.
Considerando essas informações e o conteúdo estudado sobre Árvores de Decisão, pode-se afirmar que a 
filtragem de spam faz referência:
à inteligência artificial.
ao Greedily Layer-Wise Training.
à aprendizagem bayesiana.
a algoritmos evolucionários.
ao algoritmo Naive Bayes.
Ocultar opções de resposta 
Pergunta 10 -- /0
Cada atributo é representado por um nó de decisão, cuja função é testar o valor desse atributo. Uma classe é 
representada por um nó-folha, que reúne todos os exemplos que chegarem a ele depois de satisfazerem os testes 
dos nós de decisão intermediários. Portanto, a classificação de um atributo desconhecido implica em percorrer 
toda a árvore a partir de um nó-raiz, testando atributosem sucessivos nós internos até chegar a um nó-folha, que 
lhe atribuirá uma classe.
Considerando essas informações e o conteúdo estudado na unidade, pode-se afirmar que texto faz referência ao 
conceito de:
inteligência artificial.
Greedily Layer-Wise Training.
aprendizagem bayesiana.
algoritmos evolucionários.
árvores de decisão.