Teste Big Data UNICSUL NOTA 10 3rd

Prévia do material em texto

Pergunta 1 
0,5 / 0,5 pts 
Assinale alternativa traz uma definição para Big Data. 
Correto! 
 
São sistemas que armazenam os dados por meio do processo de modelagem de 
Entidade e Relacionamento (ER). 
 
 
requer grande poder computacional para processar eficientemente grandes 
quantidades de dados em intervalos de tempos toleráveis. 
 
 
é usado comercialmente para se analisar grandes quantidades de dados para se tomar 
decisões, baseando-se na análise do comportamento e preferências do consumidor. 
 
 
refere-se ao processamento e à análise de repositórios de dados extremamente 
grandes e que não seriam possíveis de processar ou analisar com as ferramentas 
convencionais de análise de dados. 
 
 
refere-se a grandes conjuntos de dados que são difíceis de armazenar, pesquisar, 
visualizar e analisar. 
 
Mayer-Schonb e Cukier (2014) mencionam que Big Data refere-se a grandes conjuntos 
de dados que são difíceis de armazenar, pesquisar, visualizar e analisar como, por 
exemplo, uma empresa aérea que coleta dez terabytes de dados de sensores durante 
trinta minutos de voo do avião. Nathan e Warren (2015) mencionam que Big Data é 
usado comercialmente para se analisar grandes quantidades de dados para se tomar 
decisões, baseando-se na análise do comportamento e preferências do consumidor. 
Segundo Smith (2012), Big Data refere-se ao processamento e à análise de 
repositórios de dados extremamente grandes e que não seriam possíveis de processar 
ou analisar com as ferramentas convencionais de análise de dados. Big Data requer 
grande poder computacional para processar eficientemente grandes quantidades de 
dados em intervalos de tempos toleráveis. Essa tecnologia envolve Massive Parallel 
Processing databases (MPP), grids de mineração de dados, sistemas de arquivos 
distribuídos, plataformas de computação em nuvem, redes de comunicação e sistemas 
de armazenamento escaláveis. 
 
Pergunta 2 
0 / 0,5 pts 
Analise as afirmativas e selecione a alternativa correta. 
I. Os sistemas tradicionais têm dificuldades para armazenar, processar e compreender 
esses tipos de dados. 
II. A atual quantidade de dados disponíveis para as organizações está em ascensão, 
enquanto o percentual de dados que essas podem analisar está em declínio. 
III. A troca de dados em massa está ocorrendo a cada segundo entre os milhares de 
milhões de serviços de internet, aplicações científicas, vigilância por vídeo, registros 
médicos, dados operacionais da empresa, manufatura discreta, e-commerce etc. 
IV. A ideia de se utilizar uma taxa de fluxo de dados, usando o conceito de dados em 
movimento. 
Resposta correta 
 
I - variedade, II - volume, III - volume e IV - velocidade. 
 
Você respondeu 
 
I – volume, II – volume, III – variedade e IV - velocidade. 
 
 
I – volume, II – variedade, III - volume e IV - variedade. 
 
 
I - variedade, II – volume, III - volume e IV - volume. 
 
 
I - velocidade, II - volume, III – variedade e IV - velocidade. 
 
Variedade: Os sistemas tradicionais têm dificuldades para armazenar, processar e 
compreender esses dados, ou seja, os dados gerados não são relevantes com a 
tecnologia tradicional, de modo que é preciso perceber novas oportunidades, utilizar 
novas tecnologias, algoritmos e técnicas para a análise dos dados estruturados em 
conjunto com os dados não estruturados. 
Velocidade: Assim como o volume e a variedade de dados que coletamos e 
armazenamos mudaram, a velocidade a que é gerado também cresceu, uma vez que a 
velocidade que normalmente se considera está relacionada ao quão rapidamente os 
dados são resgatados, armazenados e suas taxas associadas de recuperação; porém, 
com o Big Data, em vez de tratar a ideia de velocidade às taxas de crescimento, as 
quais associadas aos seus repositórios de dados, sugere-se aplicar essa definição para 
os dados em movimento, ou seja, para a velocidade na qual os dados estão fluindo. 
As outras afirmações estão relacionadas ao volume de dados gerados. 
 
Pergunta 3 
0 / 0,5 pts 
Assinale a alternativa que traz uma definição para Big Data. 
Resposta correta 
 
refere-se a grandes conjuntos de dados que são difíceis de armazenar, pesquisar, 
visualizar e analisar. 
 
 
é um conjunto de conceitos, métodos e tecnologias que propõe-se a transformar o 
conjunto de dados em uma organização em informação ou conhecimento útil. 
 
 
é um software com a interface para análise de gráficos. 
 
Você respondeu 
 
São sistemas que armazenam os dados por meio do processo de modelagem 
dimensional. 
 
 
É um conjunto de ferramentas para a extração de dados. 
 
Mayer-Schonb e Cukier (2014) mencionam que Big Data refere-se a grandes conjuntos 
de dados que são difíceis de armazenar, pesquisar, visualizar e analisar como, por 
exemplo, uma empresa aérea que coleta dez terabytes de dados de sensores durante 
trinta minutos de voo do avião. Nathan e Warren (2015) mencionam que Big Data é 
usado comercialmente para se analisar grandes quantidades de dados para se tomar 
decisões, baseando-se na análise do comportamento e preferências do consumidor. 
 
Pergunta 4 
0,5 / 0,5 pts 
Analise as afirmativas e selecione a alternativa correta quanto aos desafios propostos 
para empresas que desejam implantar projetos de Big Data. 
I. Gerenciar, usar e analisar os dados quando não estiver em um formato comum, 
familiar ou prontamente utilizável. 
II. Usar fontes não tradicionais de dados de clientes para entender melhor e prever o 
comportamento do cliente. 
III. Processar dados sensíveis ao tempo para a tomada de decisões em tempo real, 
como a identificação de riscos de segurança. 
Correto! 
 
I – Verdadeiro, II- Verdadeiro, III – Verdadeiro; 
 
 
I – Falso, II- Falso, III – Falso; 
 
 
I – Falso, II- Verdadeiro, III – Falso; 
 
 
I – Falso, II- Verdadeiro, III – Verdadeiro; 
 
 
I – Falso, II- Falso, III – Verdadeiro; 
 
As organizações são desafiadas com uma série de considerações, como, quais outras 
fontes de dados estão disponíveis e como elas podem ser usadas com o que é 
conhecido ou como permitir novos insights. Aqui estão alguns exemplos: 
• Como gerenciar, usar e analisar os dados quando não estiver em um formato comum, 
familiar ou prontamente utilizável (como um banco de dados relacional). 
• Como usar fontes não tradicionais de dados de clientes (como dados de call center ou 
comentários de mídia social) para entender melhor e prever o comportamento do 
cliente. • Como processar dados sensíveis ao tempo para a tomada de decisões em 
tempo real, como a identificação de riscos de segurança. 
• Como usar o intervalo de dados de log e de sensor para responder a eventos 
baseados em máquinas, prever o tempo de inatividade ou garantir que os contratos de 
nível de serviço sejam mantidos. 
• Como encontrar e obter dados de alto valor a partir das novas fontes de dados que 
podem se conectar a fontes tradicionais para obter insights aprimorados. 
• Como tirar proveito das novas tecnologias para diminuir o custo total de propriedade 
(TCO), enquanto ainda obtendo o máximo valor de seus dados. 
 
Pergunta 5 
0 / 0,5 pts 
Analise as afirmativas e selecione a alternativa correta. 
I. Soluções de Big Data são ideais para analisar apenas os dados estruturados. 
II. Soluções de Big Data são ideais para analisar não apenas os dados estruturados. 
III. Soluções de Big Data são ideais para analisar os dados estruturados, não 
estruturados e semiestruturados. 
Você respondeu 
 
I – Verdadeiro, II- Verdadeiro, III – Verdadeiro; 
 
 
I – Falso, II- Verdadeiro, III – Falso; 
 
 
I – Falso, II- Falso, III – Verdadeiro; 
 
 
I – Falso, II- Falso, III – Falso; 
 
Resposta correta 
 
I – Falso, II- Verdadeiro, III – Verdadeiro; 
 
Soluções de Big Data são ideais para analisar não apenas os dados estruturados, mas 
os dados não estruturados e semiestruturados a partir de uma ampla variedade de 
fontes de dados. 
 
Pergunta 6 
0,5 / 0,5 pts 
Assinale a alternativaque não traz um benefício apontado da computação em nuvem. 
 
Custos de TI reduzidos. 
 
 
Flexibilidade de acesso. 
 
Correto! 
 
Baixa disponibilidade. 
 
 
Continuidade do Negócio. 
 
 
Escalabilidade. 
 
Os principais benefícios da computação em nuvem são os seguintes: 
• Custos de TI reduzidos. 
• Continuidade do Negócio. 
• Alta disponibilidade. 
• Escalabilidade. 
• Flexibilidade de acesso. 
• Agilidade dos negócios. 
• Desenvolvimento e teste de aplicativos. 
• Gerenciamento simplificado de infra-estrutura. 
• Mascaramento da complexibilidade. 
 
Pergunta 7 
0 / 0,5 pts 
Assinale a alternativa que não traz uma característica da computação em nuvem. 
Resposta correta 
 
Serviço não mensurado. 
 
 
Acesso através de rede. 
 
 
Pooling de Recursos. 
 
Você respondeu 
 
On-demand Self-service. 
 
 
Elasticidade rápida. 
 
A computação em nuvem possui algumas características principais são elas: On-
demand self-service, acesso amplo à rede, pool de recursos, elasticidade rápida e o 
serviço medido. 
 
Pergunta 8 
0,5 / 0,5 pts 
Analise as afirmativas e assinale alternativa correta: 
I – O modelo de nuvem é semelhante a um serviço de fornecimento, por exemplo, de 
energia elétrica, onde um consumidor conecta um aparelho elétrico a uma tomada e o 
liga. 
II – A analogia com o serviço de fornecimento de energia pode ser aplicada à 
computação em nuvem, ou à abstração dos serviços de TI contratados. 
III – O cliente necessariamente precisa conhecer como a eletricidade é gerada ou 
distribuída e deve pagar somente pela quantidade usada. 
 
I – Verdadeiro, II – Falso, III – Verdadeiro. 
 
 
I – Verdadeiro, II – Falso, III – Falso. 
 
 
I – Falso, II – Falso, III – Falso. 
 
Correto! 
 
I – Verdadeiro, II – Verdadeiro, III – Falso. 
 
 
I – Falso, II – Verdadeiro, III – Verdadeiro. 
 
O modelo de nuvem é semelhante a um serviço de fornecimento, por exemplo, de 
energia elétrica, onde um consumidor conecta um aparelho elétrico a uma tomada e o 
liga. O cliente não necessariamente precisa conhecer como a eletricidade é gerada ou 
distribuída e deve pagar somente pela quantidade usada. Essa analogia pode ser 
aplicada à computação em nuvem, ou à abstração dos serviços de TI contratados. Os 
clientes pagam apenas pelos serviços que utilizam, com base no consumo de recursos. 
 
Pergunta 9 
0 / 0,5 pts 
Analise as afirmativas com relação à IoT e assinale a alternativa correta: 
I - A IoT envolve uma grande quantidade de nós. 
II – A utilização de IoT produzirá um pequeno volume de dados. 
III - O As informações geradas pelos diferentes dispositivos deverão ser processadas 
ou guardadas para um posterior processamento. 
 
I – Verdadeiro, II – Verdadeiro, III - Verdadeiro. 
 
Resposta correta 
 
I – Verdadeiro, II – Falso, III - Verdadeiro. 
 
 
I – Verdadeiro, II – Falso, III - Falso. 
 
 
I – Falso, II – Verdadeiro, III - Verdadeiro. 
 
Você respondeu 
 
I – Verdadeiro, II – Verdadeiro, III - Falso. 
 
Segue um exemplo de como será a transmissão de dados com IoT. A IoT envolve uma 
grande quantidade de nós, sua utilização produzirá um grande volume de dados; Como 
exemplo, cito um processo de cadeia de suprimentos em um hipermercado, onde 
necessitamos de alguns dados, como, a identificação dos objetos, a informação de 
localização e o tempo em que o objeto esteve à venda. Criando uma estrutura de 
dados simples, para armazenar ou enviar esses dados, serão necessários 18 bytes de 
dados de um único objeto. Caso esse hipermercado possuam em torno de 700.000 
produtos, para esses dados serão gerados 12,6GB caso frequência de leitura dos 
dados seja a cada segundo. Serão gerados 544TB a cada doze horas, um volume 
expressivo para a infraestrutura de rede local. 
As informações geradas pelos diferentes dispositivos deverão ser processadas ou 
guardadas para um posterior processamento, observe que serão necessários novos 
mecanismos eficientes e políticas inerentes à própria infraestrutura de rede para o 
gerenciamento, armazenamento e processamento desses dados. 
 
Pergunta 10 
0,5 / 0,5 pts 
Analise as afirmativas e assinale a alternativa correta: 
I - A IoT é definida como uma infraestrutura de rede global, que interconecta 
fisicamente e virtualmente objetos, com o objetivo de explorar dados capturados e suas 
capacidades de comunicação. 
II - Essa infraestrutura inclui e envolve a Internet e as redes de comunicação, ela 
necessita de identificação única de objetos, sensores e capacidade de conexão, como 
base para o desenvolvimento independente de serviços e aplicações. 
III - Ela é caracterizada pelo baixo grau de captura autônoma de dados, transferência 
de eventos de rede, conectividade e interoperabilidade. 
 
I – Verdadeiro, II – Verdadeiro, III - Verdadeiro. 
 
 
I – Falso, II – Verdadeiro, III - Verdadeiro. 
 
Correto! 
 
I – Verdadeiro, II – Verdadeiro, III - Falso. 
 
 
I – Verdadeiro, II – Falso, III - Falso. 
 
 
I – Verdadeiro, II – Falso, III - Verdadeiro. 
 
A IoT é definida como uma infraestrutura de rede global, que interconecta fisicamente e 
virtualmente objetos, com o objetivo de explorar dados capturados e suas capacidades 
de comunicação. Essa infraestrutura inclui e envolve a Internet e as redes de 
comunicação, ela necessita de identificação única de objetos, sensores e capacidade 
de conexão, como base para o desenvolvimento independente de serviços e 
aplicações. Ela é caracterizada pelo alto grau de captura autônoma de dados, 
transferência de eventos de rede, conectividade e interoperabilidade (CASAGRAS, 
2009). 
 
Pergunta 11 
0,5 / 0,5 pts 
Analise a definição: é um sistema de arquivos projetado para armazenar arquivos 
extremamente grandes com um padrão de fluxo de acesso, executar sob clusters de 
computadores pessoais ou plataformas de hardware comuns (WHITE, 2015). 
Selecione a alternativa a qual a definição se refere. 
 
Hadoop. 
 
 
Spark. 
 
 
Mahout. 
 
 
Hadoop Yarn. 
 
Correto! 
 
HDFS. 
 
O HDFS é um sistema de arquivos projetado para armazenar arquivos extremamente 
grandes com um padrão de fluxo de acesso, executar sob clusters de computadores 
pessoais ou plataformas de hardware comuns (WHITE, 2015). O HDFS é um sistema 
de arquivos altamente tolerante a falhas projetado para executar em hardware padrão 
de baixo custo; é ideal para armazenar grandes quantidades de dados. Permite a 
conexão de nós contidos nos clusters por meio dos quais os arquivos de dados são 
distribuídos. 
 
Pergunta 12 
0,5 / 0,5 pts 
Analise as afirmativas: 
I. Apache Pig é uma plataforma para análise de grandes conjuntos de dados que 
consiste em uma linguagem de alto nível para expressar programas de análise de 
dados; 
II. Uma estrutura para armazenamento de dados em cima do Hadoop, o Zoopkeeper 
cresceu a partir de uma necessidade de gerenciar e aprender com os grandes volumes 
de dados que o Facebook estava produzindo todos os dias a partir de sua crescente 
rede social.; 
III. HBase é um banco de dados distribuído construído sob o HDFS. É a aplicação 
Hadoop para usar quando você precisa em tempo real de leitura/gravação de acesso 
aleatório para grandes conjuntos de dados; 
Selecione a correta alternativa quanto às afirmativas: 
Correto! 
 
I – correta, II – incorreta e III - correta. 
 
 
I – incorreta, II – incorreta e III - incorreta. 
 
 
I – correta, II – correta e III - incorreta. 
 
 
I – incorreta, II – correta e III - correta. 
 
 
I – correta, II – correta e III - correta. 
 
Apache Pig: é uma plataforma para análise de grandes conjuntos de dados que 
consiste em uma linguagem de alto nível para expressar programas de análise de 
dados. Ele possui a infraestrutura para a avaliação desses programas, sua estrutura é 
passível de paralelização, que por sua vez lhes permite lidar com grandes conjuntos de 
dados. 
Hive: Um dos maiores ingredientes na plataforma de informação construídos pelaequipe de Jeff no Facebook foi Hive. Uma estrutura para armazenamento de dados em 
cima do Hadoop, o Hive cresceu a partir de uma necessidade de gerenciar e aprender 
com os grandes volumes de dados que o Facebook estava produzindo todos os dias a 
partir de sua crescente rede social. Depois de tentar alguns diferentes sistemas, a 
equipe optou pelo Hadoop para armazenamento e processamento, uma vez que era 
rentável e atendeu às necessidades de escalabilidade. 
HBase: é um banco de dados distribuído construído sob o HDFS. É a aplicação 
Hadoop para usar quando você precisa em tempo real de leitura/gravação de acesso 
aleatório para grandes conjuntos de dados. 
 
Pergunta 13 
0 / 0,5 pts 
Analise as afirmativas: 
I. MapReduce é o termo usado para se referir a uma família de projetos relacionados, 
que compõe a infraestrutura para computação distribuída e de larga escala de 
processamento, que usa o conceito de Big Data; 
II. Modelo de MapReduce divide o processamento em mapas e o divide em fases, cada 
fase se baseia em um par de chave/valor usado como entrada e saída para o processo; 
III. A biblioteca de software Apache Hadoop é um framework que permite o 
processamento distribuído de grandes conjuntos de dados em clusters de 
computadores que utilizam modelos de programação simples; 
Selecione a correta alternativa quanto às afirmativas: 
 
I – correta, II – correta e III - correta. 
 
Resposta correta 
 
I – incorreta, II – correta e III - correta. 
 
 
I – correta, II – correta e III - incorreta. 
 
Você respondeu 
 
I – incorreta, II – incorreta e III - incorreta. 
 
 
I – correta, II – incorreta e III - correta. 
 
Hadoop é o termo usado para se referir a uma família de projetos relacionados, que 
compõe a infraestrutura para computação distribuída e de larga escala de 
processamento, que usa o conceito de Big Data. De acordo com White (2015), Hadoop 
é a implementação para MapReduce e sistema de arquivos distribuído mais utilizado e 
conhecido. 
O MapReduce é um modelo de processamento de dados distribuído e um ambiente de 
execução em clusters de larga escala. Esse modelo divide o processamento em mapas 
e o divide em fases, cada fase se baseia em um par de chave/valor usado como 
entrada e saída para o processo. O programador especifica duas funções, o mapa e as 
funções de redução, para serem usadas na implementação e execução específica 
(WHITE, 2015). 
A biblioteca de software Apache Hadoop é um framework que permite o 
processamento distribuído de grandes conjuntos de dados em clusters de 
computadores que utilizam modelos de programação simples. 
 
Pergunta 14 
0 / 0,5 pts 
Analise a definição: os utilitários e bibliotecas comuns que dão suporte aos outros 
módulos do Hadoop, como por exemplo, fornece sistemas de arquivos, abstrações do 
Sistema Operacional, contém os arquivos e scripts Java necessários para iniciar 
Hadoop. 
Selecione a alternativa a qual a definição se refere. 
 
Mahout. 
 
 
HDFS. 
 
Você respondeu 
 
MapReduce. 
 
 
Hadoop. 
 
Resposta correta 
 
Hadoop Common. 
 
Hadoop common: os utilitários e bibliotecas comuns que dão suporte aos outros 
módulos do Hadoop, como por exemplo, fornece sistemas de arquivos, abstrações do 
Sistema Operacional, contém os arquivos e scripts Java necessários para iniciar 
Hadoop. 
 
Pergunta 15 
0 / 0,5 pts 
Analise a definição: um sistema baseado em YARN para processamento paralelo de 
grandes conjuntos de dados. Funciona como uma API que permite a criação de 
programas que executarão a divisão e redução das tarefas, executando sempre a 
estrutura de entrada e saída presente no Hadoop. 
Selecione a alternativa a qual a definição se refere. 
 
Mahout. 
 
 
Hadoop. 
 
 
Spark. 
 
Resposta correta 
 
MapReduce. 
 
Você respondeu 
 
Hadoop Yarn. 
 
Hadoop MapReduce: um sistema baseado em YARN para processamento paralelo de 
grandes conjuntos de dados. Funciona como uma API que permite a criação de 
programas que executarão a divisão e redução das tarefas, executando sempre a 
estrutura de entrada e saída presente no Hadoop. 
 
Pergunta 16 
0 / 0,5 pts 
Analise o comando: hadoop fs -copyFromLocal C50 / 
Analise as afirmativas quanto ao comando: 
I. -copyFromLocal serve para copiar algo para o HDFS; 
II. C50 é a pasta ou arquivo de origem a ser copiado; 
III. / serve para formatar a pasta de destino; 
Selecione a correta alternativa quanto às afirmativas: 
Você respondeu 
 
I – incorreta, II – correta e III - correta. 
 
 
I – correta, II – incorreta e III - correta. 
 
 
I – incorreta, II – incorreta e III - incorreta. 
 
Resposta correta 
 
I – correta, II – correta e III - incorreta. 
 
 
I – correta, II – correta e III - correta. 
 
Segue o comando para a cópia dos arquivos para o sistema HDFS: 
hadoop fs -copyFromLocal C50 / 
-copyFromLocal é a opção que indica a cópia de arquivos; 
C50 é a pasta de origem a ser copiada para o HDFS; 
O / indica que a pasta de destino é o diretório raiz dentro do HDFS; 
 
Pergunta 17 
0,5 / 0,5 pts 
Analise o comando: ./mahout kmeans -i /train-sparse/tfidf-vectors/ -c /kmeans-train-
clusters -o /train-clusters-final -dm 
org.apache.mahout.common.distance.EuclideanDistanceMeasure -x 10 -k 10 -ow 
Analise as afirmativas: 
I. A opção k indica o número de clusters para o algoritmo kmeans; 
II. A opção -dm indica qual medida de distância o algoritmo deverá usar, nesse caso a 
distância euclidiana; 
III. Esse comando executa efetivamente o algoritmo Naive Bayes no mahout; 
Selecione a correta alternativa quanto às afirmativas: 
 
I – correta, II – incorreta e III - correta. 
 
 
I – correta, II – correta e III - correta. 
 
 
I – incorreta, II – correta e III - correta. 
 
 
I – incorreta, II – incorreta e III - incorreta. 
 
Correto! 
 
I – correta, II – correta e III - incorreta. 
 
O próximo comando executa efetivamente o algoritmo kmeans: 
./mahout kmeans -i /train-sparse/tfidf-vectors/ -c /kmeans-train-clusters -o /train-
clusters-final -dm org.apache.mahout.common.distance.EuclideanDistanceMeasure -x 
10 -k 10 -ow 
O comando de execução do kmeas recebe os seguintes parâmetros: 
-i : passa os vetores e valores de TF-IDF para o algoritmo; 
- c: indica o diretório de clusters iniciais; 
- o: indica o diretório de execução do algoritmo e onde ficarão armazenados os clusters 
gerados; 
- dm: indica o tipo de métrica de distância a ser utilizada, nesse caso, utilizando a 
distância euclidiana; 
- x: indica o número máximo de iterações do algoritmo, nesse caso o valor máximo de 
10 iterações; 
- k: indica o número de clusters do modelo a ser gerado pelo algoritmo, nesse caso 10 
clusters; 
- ow: indica que o algoritmo poderá sobrescrever os diretórios caso os indicados para 
saída não esteja vazios; 
 
Pergunta 18 
0 / 0,5 pts 
Analise o comando: ./mahout seq2sparse -i /seqreuters -o /train-sparse 
Selecione a correta alternativa quanto ao comando: 
Você respondeu 
 
Executa o algoritmo naive bayes no mahout. 
 
Resposta correta 
 
Esse comando faz efetivamente a análise de textos, são criados os vetores contendo o 
TF-IDF calculados para os termos existentes. 
 
 
Executa o algoritmo kmeans no mahout. 
 
 
Formata o sistema de arquivos HDFS. 
 
 
Esse comando cria os arquivos vetoriais para a análise de textos no mahout. 
 
O comando faz efetivamente a análise de textos a partir dos vetores criados, são 
criados então os vetores contendo o TF-IDF calculado para os termos e documentos 
existentes. Segue o comando: 
./mahout seq2sparse -i /seqreuters -o /train-sparse 
 
Pergunta 19 
0,5 / 0,5 pts 
Analise as afirmativas: 
I. O Resilient Distributed Datasets (RDD) é o conceito central da plataforma Spark. Foi 
desenvolvido para suportar o armazenamento de dados na memória e distribuído ou 
em um cluster, que implementa sua tolerância a falhas, devido, em parte, ao seu 
rastreamento de dados brutos ou processamentos.; 
II. O RDD é uma funcionalidadepermite que usuários da plataforma ou software R 
utilizem funções ou funcionalidades Spark de maneira mais usual.; 
III. Spark Streaming aproveita a capacidade de processamento rápido da Spark Core 
para executar os processamentos. Permite a execução e transformações RDD (Solids 
Distributed Datasets) nesses pedações menores de dados e lotes de processamento.; 
Selecione a correta alternativa quanto às afirmativas: 
 
I – correta, II – correta e III - incorreta. 
 
 
I – incorreta, II – incorreta e III - incorreta. 
 
 
I – correta, II – correta e III - correta. 
 
Correto! 
 
I – correta, II – incorreta e III - correta. 
 
 
I – incorreta, II – correta e III - correta. 
 
Spark Streaming 
Spark Streaming aproveita a capacidade de processamento rápido da Spark Core para 
executar os processamentos. Permite a execução e transformações RDD (Solids 
Distributed Datasets) nesses pedações menores de dados e lotes de processamento. 
Spark R Essa funcionalidade permite que usuários da plataforma ou software R utilizem 
funções ou funcionalidades Spark de maneira mais usual. 
Resilient Distributed Datasets 
O Resilient Distributed Datasets (RDD) é o conceito central da plataforma Spark. Foi 
desenvolvido para suportar o armazenamento de dados na memória e distribuído ou 
em um cluster, que implementa sua tolerância a falhas, devido, em parte, ao seu 
rastreamento de dados brutos ou processamentos. 
 
Pergunta 20 
0,5 / 0,5 pts 
Analise as afirmativas: 
I. O Mahout é uma ferramenta desenvolvida em linguagem de programação Java 
dentro do projeto de computação distribuída Hadoop; 
II. O projeto Mahout possui implementações de diversos algoritmos em sua execução 
direta no Hadoop com o Mapreduce; 
III. O projeto Mahout não permite integração e implementações de algoritmo usando o 
Spark; 
Selecione a correta alternativa quanto às afirmativas: 
 
I – incorreta, II – incorreta e III - incorreta. 
 
 
I – incorreta, II – correta e III - correta. 
 
 
I – correta, II – incorreta e III - correta. 
 
 
I – correta, II – correta e III - correta. 
 
Correto! 
 
I – correta, II – correta e III - incorreta. 
 
O projeto Mahout é um projeto de código livre da fundação Apache que possui uma 
biblioteca de implementação de algoritmos para aprendizagem de máquina. De acordo 
com Giacomelli (2013), o objetivo do projeto Mahout é ser uma escolha de ferramenta 
para aprendizado por máquina para processamento de conjuntos de dados 
extremamente grandes, tanto para execução em clusters de instâncias de Hadoop ou 
em uma única máquina. O Mahout é uma ferramenta desenvolvida em linguagem de 
programação Java dentro do projeto de computação distribuída Hadoop. 
O projeto Mahout possui implementações de algoritmos de classificação e clustering, 
como o algoritmo K-means que possui grande relevância para o curso. 
O projeto Mahout possui implementações de diversos algoritmos em sua execução 
direta no Hadoop com o Mapreduce, algoritmos em Spark, além de poder usar 
frameworks H2O e Flink.