AO2 Mineração de Dados FAM

Prévia do material em texto

16/06/2021 AO2: Mineração de Dados
https://famonline.instructure.com/courses/12584/quizzes/42507 1/19
AO2
Entrega 16 jun em 23:59 Pontos 6 Perguntas 10
Disponível 7 jun em 0:00 - 16 jun em 23:59 10 dias Limite de tempo Nenhum
Instruções
Histórico de tentativas
Tentativa Tempo Pontuação
MAIS RECENTE Tentativa 1 14 minutos 0,6 de 6
 As respostas corretas estão ocultas.
Pontuação deste teste: 0,6 de 6
Enviado 16 jun em 8:32
Esta tentativa levou 14 minutos.
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 / 0,6 ptsPergunta 1IncorretaIncorreta
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:
https://famonline.instructure.com/courses/12584/quizzes/42507/history?version=1
16/06/2021 AO2: Mineração de Dados
https://famonline.instructure.com/courses/12584/quizzes/42507 2/19
Saraiva, 2016. p. 7.
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: 
 II e III, apenas. 
 I e III, apenas. 
 I e IV, apenas. 
 III e IV, apenas. 
16/06/2021 AO2: Mineração de Dados
https://famonline.instructure.com/courses/12584/quizzes/42507 3/19
A alternativa está incorreta, pois apenas as afirmações I e IV são
verdadeiras.
A afirmação I é verdadeira, pois a análise descritiva tem por objetivo
sumarizar as principais características dos dados, utilizando medidas
específicas e técnicas descritivas.
A afirmação IV é verdadeira, pois o objetivo da tarefa de associação é
encontrar padrões entre os itens presentes em uma base de dados
transacional.
A afirmação II é falsa, pois a tarefa de predição tem por objetivo
produzir modelos para predizer a classe ou valor de um objeto que
não se conhece o rótulo, portanto não rotulado.
A afirmação III é falsa, pois o objeto da análise de grupos é, de fato, o
particionamento de um conjunto de objetos em grupos, no entanto a
técnica considerada é denominada a aprendizagem não
supervisionada.
 I e II, apenas. 
0 / 0,6 ptsPergunta 2IncorretaIncorreta
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:
16/06/2021 AO2: Mineração de Dados
https://famonline.instructure.com/courses/12584/quizzes/42507 4/19
conceitos básicos, algoritmos e aplicações. São Paulo: Saraiva, 2016.
p. 34.
Qual alternativa descreve corretamente as principais tarefas de pré-
processamento?
 
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.
 
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.
16/06/2021 AO2: Mineração de Dados
https://famonline.instructure.com/courses/12584/quizzes/42507 5/19
A resposta está incorreta.
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 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.
0 / 0,6 ptsPergunta 3IncorretaIncorreta
Avalie a representação a seguir sobre o processo KDD:
16/06/2021 AO2: Mineração de Dados
https://famonline.instructure.com/courses/12584/quizzes/42507 6/19
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.
Sobre as etapas do processo KDD, selecione a alternativa correta dentre
as disponíveis a seguir. 
 
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.
 
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.
16/06/2021 AO2: Mineração de Dados
https://famonline.instructure.com/courses/12584/quizzes/42507 7/19
 
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 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 alternativa está incorreta pois a segunda 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.
É correto afirmar que 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.
 
A primeira etapa do KDD realiza operações para a diminuição de ruído
nos dados e, também, são definidas as estratégiasa respeito de como
tratar a ausência de determinados valores.
0 / 0,6 ptsPergunta 4IncorretaIncorreta
Leia o texto a seguir:
“A análise de grupos pode ser aplicada em diversas áreas do
conhecimento, por exemplo, na medicina, para a identificação de
categorias de diagnósticos, pacientes e remédios; na biologia, para propor
uma taxonomia de animais e plantas; na agricultura, para categorizar
plantas, solos e frutos em diferentes tipos; [...] e muitas outras.”
16/06/2021 AO2: Mineração de Dados
https://famonline.instructure.com/courses/12584/quizzes/42507 8/19
Fonte: CASTRO, L. N.; FERRARI, D. G. Introdução à mineração de
dados: conceitos básicos, algoritmos e aplicações. São Paulo:
Saraiva, 2016. p. 89.
Avalie as seguintes asserções e a relação proposta entre elas.
I. Na classificação, os objetos considerados são identificados,
previamente, com seus respectivos rótulos que definem sua pertinência à
classe.
PORQUE
II. No agrupamento, o problema consiste em segmentar uma base de
dados não rotulada em grupos que tenham algum significado ou utilidade
prática.
A respeito dessas asserções, assinale a opção correta:
 
As asserções I e II são proposições verdadeiras, e a II é uma justificativa
da I.
 
A asserção I é uma proposição verdadeira, e a II é uma proposição falsa. 
16/06/2021 AO2: Mineração de Dados
https://famonline.instructure.com/courses/12584/quizzes/42507 9/19
A alternativa está incorreta, pois as asserções I e II são proposições
verdadeiras, mas a II não é uma justificativa da I.
A asserção I é verdadeira, pois descreve corretamente o objetivo da
tarefa de classificação e o tipo de dado utilizado nela, ou seja, os
dados rotulados. A asserção II é verdadeira, pois descreve
corretamente o objetivo da tarefa de agrupamento e o tipo de dado
utilizado nela, ou seja, os dados não rotulados. A asserção II não é
uma justificativa da asserção I, pois descrevem tarefas distintas.
 
As asserções I e II são proposições verdadeiras, mas a II não é uma
justificativa da I.
 As asserções I e II são ambas proposições falsas. 
 
A asserção I é uma proposição falsa, e a II é uma proposição verdadeira. 
0 / 0,6 ptsPergunta 5IncorretaIncorreta
Leia o texto a seguir:
“O valor de um atributo de um dado objeto é uma medida da quantidade
daquele atributo, a qual pode ser numérica ou categórica. Os atributos
numéricos podem assumir quaisquer valores numéricos [...] ao passo que
as quantidades categóricas assumem valores correspondentes a símbolos
distintos.”
Fonte: CASTRO, L. N.; FERRARI, D. G. Introdução à mineração de
dados: conceitos básicos, algoritmos e aplicações. São Paulo:
Saraiva, 2016. p. 30.
16/06/2021 AO2: Mineração de Dados
https://famonline.instructure.com/courses/12584/quizzes/42507 10/19
Avalie as seguintes asserções e a relação proposta entre elas.
I. Os atributos numéricos discretos têm seus valores obtidos a partir de
processos de medição e os atributos contínuos têm seus valores obtidos a
partir de processos de contagem.
PORQUE
II. Os valores numéricos discretos pertencem ao conjunto dos números
naturais e os valores numéricos contínuos pertencem ao conjunto dos
números reais.
A respeito dessas asserções, assinale a opção correta:
 
A asserção I é uma proposição falsa, e a II é uma proposição verdadeira. 
 
A asserção I é uma proposição verdadeira, e a II é uma proposição falsa. 
 
As asserções I e II são proposições verdadeiras, mas a II não é uma
justificativa da I.
A alternativa está incorreta.
A asserção I é falsa pois os atributos numéricos discretos têm seus
valores obtidos a partir de processos de contagem e os atributos
contínuos têm seus valores obtidos a partir de processos de medição.
A asserção II é verdadeira, pois os valores numéricos discretos são
aqueles derivados de contagens, portanto pertencem ao conjunto
dos números naturais e os valores numéricos contínuos são aqueles
derivados de medições, portanto pertencem ao conjunto dos números
reais.
16/06/2021 AO2: Mineração de Dados
https://famonline.instructure.com/courses/12584/quizzes/42507 11/19
 
As asserções I e II são proposições verdadeiras, e a II é uma justificativa
da I.
 As asserções I e II são ambas proposições falsas. 
0 / 0,6 ptsPergunta 6IncorretaIncorreta
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
16/06/2021 AO2: Mineração de Dados
https://famonline.instructure.com/courses/12584/quizzes/42507 12/19
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.
É correto apenas o que se afirma em: 
 I e III, apenas. 
A alternativa está incorreta, pois apenas as afirmações III e IV são
verdadeiras.
A afirmação III é verdadeira, pois objetiva-se grupos homogêneos
internamente e que entre os grupos haja heterogeneidade.
A afirmação IV é verdadeira, pois os atributos selecionados impactam
tanto na quantidade quanto na composição dos grupos.
A afirmação I é verdadeira, pois a tarefa de detecção de
agrupamentos é uma tarefa descritiva relativa ao aprendizado não
supervisionado.
A afirmação II é verdadeira, pois se trata de uma tarefa descritiva e o
objetivo é organizar os dados não rotulados.
 I e II, apenas. 
 III e IV, apenas. 
 I e IV, apenas. 
 II e III, apenas. 
16/06/2021 AO2: Mineração de Dados
https://famonline.instructure.com/courses/12584/quizzes/42507 13/19
0 / 0,6 ptsPergunta 7IncorretaIncorreta
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;
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:
 
A asserção I é uma proposição verdadeira, e a II é uma proposição falsa.16/06/2021 AO2: Mineração de Dados
https://famonline.instructure.com/courses/12584/quizzes/42507 14/19
 
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.
Alternativa está incorreta, pois as asserções I e II são proposições
verdadeiras, e a II é uma justificativa da I.
A asserção I é verdadeira, pois descreve corretamente a aplicação e
a interpretação do índice Gini. A asserção II é verdadeira, pois
descreve corretamente o processo de cálculo do índice. A asserção II
é uma justificativa da asserção I, pois a escolha é feita como descrito
na asserção I e o motivo da escolha é justificado na asserção II.
 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.
0 / 0,6 ptsPergunta 8IncorretaIncorreta
Leia o texto a seguir:
“Uma árvore de decisão é uma estrutura em forma de árvore na qual cada
nó interno corresponde a um teste de um atributo, cada ramo representa
um resultado do teste e os nós folhas representam classes ou distribuições
de classes. O nó mais elevado da árvore é conhecido como nó raiz, e cada
caminho da raiz até um nó folha corresponde a uma regra de
classificação.”
16/06/2021 AO2: Mineração de Dados
https://famonline.instructure.com/courses/12584/quizzes/42507 15/19
Fonte: CASTRO, L. N.; FERRARI, D. G. Introdução à mineração de
dados: conceitos básicos, algoritmos e aplicações. São Paulo:
Saraiva, 2016. p. 170.
Qual alternativa descreve, corretamente, uma característica da árvore de
decisão.
 
A divisão das partições na árvore de decisão deve ser realizada até que
haja nós folha unitários.
 
A escolha do atributo que dividirá o conjunto de dados é feita a partir de
medidas de pureza.
 
Uma árvore de decisão particionará um conjunto em duas partições por
nível, produzindo uma árvore binária.
 
O objetivo principal para cada divisão feita na árvore de decisão é a
obtenção partições heterogêneas.
A alternativa está incorreta.
O atributo escolhido para a divisão de um conjunto de dados é
aquele que produz partições mais puras e essa verificação é feita a
partir de medidas de impureza. O objetivo principal das divisões é
obter partições mais homogêneas possíveis. A divisão das partições
segue até que haja homogeneidade nela. Os algoritmos para árvores
de decisão não são determinísticos, ou seja, podem produzir árvores
diferentes a partir do mesmo conjunto de dados. O número de
partições em cada divisão pode variar, não sendo obrigatória a
divisão binária.
16/06/2021 AO2: Mineração de Dados
https://famonline.instructure.com/courses/12584/quizzes/42507 16/19
 
O algoritmo que induz uma árvore de decisão produzirá o mesmo
resultado a partir do mesmo conjunto de dados.
0 / 0,6 ptsPergunta 9IncorretaIncorreta
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: 
16/06/2021 AO2: Mineração de Dados
https://famonline.instructure.com/courses/12584/quizzes/42507 17/19
 III e IV, apenas. 
 I e II, apenas. 
A alternativa está incorreta, pois apenas as afirmações II e III são
verdadeiras.
A afirmativa I está incorreta, pois P(cárie) = 0.107 + 0.013 + 0.062 +
0.018 = 0.20.
A afirmativa II está correta pois P(cárie ˅ dor de dente) = 0.107 +
0.013 + 0.062 + 0.018 + 0.014 + 0.066 = 0.28.
A afirmativa II está correta pois P(cárie | dor de dente) = (0.107 +
0.013)/(0.107 + 0.013 + 0.014 + 0.066) = 0.60.
A afirmação IV está incorreta pois P(extração) = 0.107 + 0.014 +
0.062 + 0.145 = 0.328.
 II e III, apenas. 
 I e III, apenas. 
 II e IV, apenas. 
0,6 / 0,6 ptsPergunta 10
Avalie o diagrama a seguir:
16/06/2021 AO2: Mineração de Dados
https://famonline.instructure.com/courses/12584/quizzes/42507 18/19
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. 
16/06/2021 AO2: Mineração de Dados
https://famonline.instructure.com/courses/12584/quizzes/42507 19/19
 
Interfitting é o nome que se dá quando há uma correlação forte entre os
valores das variáveis independentes e as dependentes.
 
Subfitting é o nome que se dá quando há poucas variáveis
independentes no conjunto de dados.
 
Overfitting é o nome que se dá quando há muitas variáveis
independentes no conjunto de dados.
 
Underfitting é o nome que se dá quando há pouco ajuste dos dados pela
curva da função aprendida.
A alternativa é correta, pois denominamos de underfitting o fenômeno
de pouco ajuste dos dados preditivos pela função aprendida.
 
Superfitting é o nome que se dá quando há muito ajuste dos dados pela
curva da função aprendida.
Pontuação do teste: 0,6 de 6