Apol1 inteligência Artificial Aplicada

Prévia do material em texto

Questão 1/10 - Inteligência Artificial Aplicada 
Você foi contratado para o posto de cientista de dados, para compor uma equipe, que 
atualmente já trabalha com dados, mas não possui experiência em aprendizagem de 
máquina. Um das suas primeiras tarefas designadas, foi a tradução de trechos de 
códigos em linguagem relacionados ao treinamento de modelos de aprendizagem de 
máquina. 
Um dos trechos que a equipe gostaria de decifrar se refere ao seguinte código: 
from sklearn.preprocessing import StandardScaler 
X = carrega_dataset() 
sc = StandardScaler() 
sc.fit(X) 
De acordo com os seus conhecimentos de aprendizagem de máquina, o código 
acima executa: 
Nota: 10.0 
 
A um processo de treinamento dos dados 
 
B um processo de predição 
 
C um processo de normalização dos dados 
Você acertou! 
Justificativa: 
O uso do método fit da classe StandardScaler executa um processo de normalização de dados. 
 
D um processo de expansão dos dados 
 
E não faz nada e pode ser comentado 
 
Questão 2/10 - Inteligência Artificial Aplicada 
Você foi contratado para o posto de cientista de dados, para compor uma equipe, que 
atualmente já trabalha com dados, mas não possui experiência em aprendizagem de 
máquina. Um das suas primeiras tarefas designadas foi a explanação de trechos de 
códigos em linguagem relacionados ao treinamento de modelos de aprendizagem de 
máquina. 
Um modelo de árvore de decisão estava apresentando resultados muito ruins, errando 
grande parte das predições. O modelo foi definido usando o seguinte código: 
from sklearn import tree 
 clf = tree.DecisionTreeClassifier(criterion = "gini", 
 splitter = "best", max_depth = 5) 
Analisando melhor os nós e folhas gerados no processo, que o modelo não estava 
realizando divisões suficientes que permitissem separar bem as categorias. 
Para obter melhores resultados com esse modelo você sugere que a definição 
dele seja feita da alterando o parâmetro: 
Nota: 10.0 
 
A max_depth para 10 
Você acertou! 
Justificativa: 
Para obter um número maior de divisões da árvore de decisões deve-se aumentar a sua profundidade através do parâmetro max_depth. 
 
B max_depth para 1 
 
C max_depth para 4 
 
D splitter para maximum 
 
E splitter para None 
 
Questão 3/10 - Inteligência Artificial Aplicada 
“Criada nos anos 1960, a tecnologia que usa computadores e algoritmos para 
reconhecer rostos humanos ganhou escala há pelo menos uma década, muito graças 
ao avanço das redes sociais e da internet. Com milhares de pessoas disponibilizando 
voluntariamente suas fotos na internet, existe hoje um banco de dados com bilhões de 
imagens que servem para treinar redes de inteligência artificial a detectar e reconhecer 
rostos.” 
Disponível em <https://revistagalileu.globo.com/>. Acesso em 19/04/2021 
Apesar de ter sido criada na década de 60, a tecnologia de reconhecimento facial 
somente veio ser aplicada de fato e em larga escala nos tempos atuais. Dentre os 
motivos para que essa tecnologia não tenha sido melhor explorada na décadas 
passadas, podemos destacar como um fator de grande peso: 
Nota: 10.0 
 
A a ausência de interesse em pesquisas 
 
B os erros contidos nos métodos de reconhecimento 
 
C não existir fotografia digital na época 
 
D a baixa capacidade de armazenamento e processamento 
Você acertou! 
Justificativa: 
O processo de treinamento das redes neurais exige uma grande capacidade de processamento computacional por conta da quantidade 
de cálculos que devem ser executados para o correto ajuste dos pesos. Além disso, o processo de aprendizagem a partir dos dados 
necessita de um grande volume de dados, o que até algumas décadas atrás não era possível. 
 
E nenhuma das anteriores 
 
Questão 4/10 - Inteligência Artificial Aplicada 
Após executarmos o processo de treinamento de um modelo de aprendizagem é preciso 
avaliar o seu desempenho eu um conjunto de dados, do qual temos a informação das 
categorias das instâncias, permitindo avaliar se o modelo necessita de modificações. 
Considerando o texto acima e valendo-se do seu conhecimento sobre 
aprendizagem de máquina, pode-se afirmar que além da medida de acurácia, 
também podem ser utilizadas as medidas de : 
Nota: 10.0 
 
A recall e taxa de acertos 
 
B recall e taxa de erros 
 
C taxa de erros e acertos 
 
D recall e precisão 
Você acertou! 
Justificativa: 
Das opções de resposta apresentadas, apenas recall e precisão se referem à medidas que permitem avaliar a qualidade preditiva de um 
modelo. 
 
E taxa de falsos positivos 
 
Questão 5/10 - Inteligência Artificial Aplicada 
 
“Após a extração e seleção de atributos, os vetores de atributos servem como 
entradas para os métodos de aprendizagem de máquina. Esses métodos utilizam as 
informações fornecidas para criar um conhecimento sobre como os dados fornecidos 
estão organizados e distribuídos. A escolha do método que será utilizado, assim como 
no caso dos atributos, depende do problema.” (Material impresso da Aula 1 – Tema 4). 
Sobre tipos de aprendizagem é correto afirmar: 
Nota: 10.0 
 
A Aprendizagem supervisionada é aquela que se assemelha a escolha de um caminho em grafos. Sempre que fazemos uma 
busca em profundidade se obtém a completitude ótima 
 
B Machine Learning pode ser compreendida como um conjunto de técnicas ou métodos que permitem às máquinas aprender 
por meio da visão computacional. 
 
C Metodos supervisionados, não supervisionados e semissupervisionados são exemplos de tipos de aprendizagem. 
Você acertou! 
Conforme Aula 1 Tema 4. 
 
D A aprendizagem por reforço é um tipo de machine learning voltado a redes neureais naturais baseadas no Perceptron de 
Rosemblatt. 
. 
 
Questão 6/10 - Inteligência Artificial Aplicada 
“Dado categórico é o tipo de dado estatístico que consiste em variáveis categóricas ou 
em dados que foram convertidos para esse formato, por exemplo, como dados 
agrupados. Mais especificamente, os dados categóricos podem derivar de observações 
feitas de dados qualitativos que são resumidos como contagens ou tabulações 
cruzadas, ou de observações de dados quantitativos agrupados em determinados 
intervalos.” 
Disponível em <https://pt.wikipedia.org/>. 
Como um profissional da área de ciência de dados você sabe que variáveis 
categóricas podem receber valores de 1 até o limite dos possíveis valores, ainda 
que a descrição ou valor real do campo seja diferente do número que a representa. 
Assim, podemos considerar como um exemplo de variável categórica : 
Nota: 10.0 
 
A o preço de um produto 
 
B o tipo sanguíneo de uma pessoa 
Você acertou! 
Justificativa: 
O tipo sanguíneo de uma pessoa pode assumir valores limitados, divididos em 8 tipos diferentes (A+,A-,B+,B-,AB+, AB-, O+, O-) se 
consideramos o fator Rh. 
O preço de um produto é um valor contínuo. 
A idade e o peso de uma pessoa é apesar de assumir valores limitados, não pode ser considerado como categórico. Assim como nome 
também não pode. 
 
C a idade de uma pessoa 
 
D o nome de uma pessoa 
 
E o peso de uma pessoa 
 
Questão 7/10 - Inteligência Artificial Aplicada 
 
A figura acima mostra um modelo de árvore de decisão aplicado a um conjunto de 
dados. 
Valendo-se dos seus conhecimentos de aprendizagem de máquina e de modelos 
de árvores de decisão, podemos afirmar que o campo samples na raiz e nas folhas 
indicam respectivamente: 
Nota: 10.0 
 
A o total de amostras do conjunto e o total de amostras de um agrupamento final 
 
B o total de amostras do conjunto e o total de amostras de uma classe 
Você acertou! 
Justificativa: 
Na raiz da árvores de decisão se considera todo o conjunto de dados que vai sendo dividido e nas folhas aparecem todas as instâncias 
que se enquadram naquela categoria. 
 
C o total de amostras de treino e o total de amostras de uma classe 
 
D metade das amostras do conjunto e o total de amostras de uma classe 
 
E o total de amostras que omodelo suporta e o total de amostras de uma classe 
 
Questão 8/10 - Inteligência Artificial Aplicada 
Você foi contratado para o posto de cientista de dados, para compor uma equipe, que 
atualmente já trabalha com dados, mas não possui experiência em aprendizagem de 
máquina. Um das suas primeiras tarefas designadas, foi a explanação de trechos de 
códigos em linguagem relacionados ao treinamento de modelos de aprendizagem de 
máquina. 
Um dos membros da equipe gostaria de retirar um parâmetro, que aparentemente não 
faz nada. O código em questão era: 
mlp_clf = MLPClassifier(warm_start=True, max_iter=500, 
 hidden_layer_sizes=(50,50), 
 learning_rate = 'adaptive') 
E o parâmetro a ser eliminado era: learning_rate = 'adaptive' 
Contudo este membro não possui conhecimento de métodos de aprendizagem de 
máquina e recorreu a você para o explicasse da importância desse parâmetro. 
De acordo com os seus conhecimentos de aprendizagem de máquina e de 
treinamento de modelos do tipo perceptron de múltiplas camadas, esse 
parâmetro: 
Nota: 10.0 
 
A deve ser eliminado, pois atrapalha 
 
B deve ser mantido, pois determina como o modelo aprende 
Você acertou! 
Justificativa: 
O parâmetro learning_rate diz respeito à velocidade com que o modelo aprende, por meio da determinar da forma como são feitos os 
incrementos nos pesos dos neurônios. 
 
C deve ser corrigido, pois está errado 
 
D pode ser mantido ou excluído, não faz diferença 
 
E não serve para esse tipo de modelo 
 
Questão 9/10 - Inteligência Artificial Aplicada 
“Após a extração e seleção de atributos, os vetores de atributos servem como 
entradas para os métodos de aprendizagem de máquina. Esses métodos utilizam as 
informações fornecidas para criar um conhecimento sobre como os dados fornecidos 
estão organizados e distribuídos. A escolha do método que será utilizado, assim como 
no caso dos atributos, depende do problema.” (Material impresso da Aula 1 – Tema 4). 
Sobre tipos de aprendizagem é correto afirmar: 
Nota: 10.0 
 
A Aprendizagem supervisionada é aquela que se assemelha a escolha de uma caminho em grafos. Sempre que fazemos uma 
busca em profundidade se obtém a completitude ótima 
 
B Machine Learning pode ser compreendida como um conjunto de técnicas ou métodos que permitem às máquinas aprender 
por meio da visão computacional. 
 
C A aprendizagem por reforço é um tipo de machine learning voltado a redes neureais naturais baseadas no Perceptron de 
Rosemblatt. 
 
D Os métodos de aprendizagem supervisionada são aqueles cujos dados fornecidos para o processo de aprendizagem e 
incluem exemplos com a identificação da solução desejada 
Você acertou! 
Conforme Aula 1 Tema 4.1. 
 
Questão 10/10 - Inteligência Artificial Aplicada 
 
 
O chefe de uma equipe de ciência de dados recebeu o resultado do treinamento de um 
modelo de aprendizagem de máquina, conforme a imagem acima e gostaria de obter 
mais informações sobre os dados de treinamento. 
De acordo com os seus conhecimentos de aprendizagem de máquina e utilizando 
apenas as informações fornecidas pelo gráfico podemos concluir que a base de 
treino foi divida na proporção: 
Nota: 10.0 
 
A 50-50 
 
B 80-20 
 
C 20-20 
 
D 60-40 
Você acertou! 
Justificativa: 
Se somarmos todas as instâncias positivas e negativas, teremos a divisão da base de testes. Assim, o total de instância posit ivas é 
108+607=715 (39% do total) e o total de instâncias negativas, 1066+64=1130 (61% do total). 
 
E 90-10 
 
• 
 
http://www.uninter.com/