Apol 2 Inteligência Artificial Aplicada

Prévia do material em texto

Questão 1/10 - Inteligência Artificial Aplicada 
Como um iniciante na área de ciência de dados, você recebeu uma tarefa de agrupar 
um conjunto de dados de pessoas, utilizando um algoritmo de agrupamento. Você 
executou a separação utilizando um tutorial de internet, mas os resultados não foram 
satisfatórios. Buscando melhorar os resultados você pediu ajuda a um expert que lhe 
disse apenas o seguinte: “Altere o seu k-means para usar Manhattan ou Mahalanobis”. 
De acordo com o seu conhecimento do algoritmo k-means, o expert estava 
sugerindo que você: 
Nota: 10.0 
 
A utilizasse outro algoritmo 
 
B utilizasse métricas de distância diferentes 
Você acertou! 
Justificativa: 
Manhattan e Mahalanobis se referem a dois tipos distintos de métricas de distância. 
 
C utilizasse uma outra linguagem de programação 
 
D utilizasse um método supervisionado 
 
E utilizasse um framework 
 
Questão 2/10 - 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. 
De acordo com os seus conhecimentos de aprendizagem de máquina, a acurácia 
deste modelo é de aproximadamente: 
Nota: 10.0 
 
A 33% 
 
B 78% 
 
C 14% 
 
D 64% 
Você acertou! 
Justificativa: 
O valor da acurácia (AC) é obtido calculando (TP + TN)/(TP+TN+FP+FN), onde 
TP – True Positives (Verdadeiros Positivos) 
TN – True Negatives (Verdadeiros Negativos) 
FP – False Positives (Falsos Positivos) 
FN – False Negatives (Falsos Negativos) 
De acordo com a matriz de confusão dada: 
TP = 3301 
TN = 1220 
FP = 1403 
FN = 1454 
Logo, AC = (3301+1454)/(3301+1220+1403+1454) = 0,64 
 
E 100% 
 
Questão 3/10 - Inteligência Artificial Aplicada 
“Determinar o preço de venda torna-se tarefa extremamente importante e constitui-se 
uma das peças fundamentais do planejamento empresarial, pois proporcionará 
rentabilidade, competitividade, crescimento e retorno do capital investido. O preço é 
fator importante na decisão de compra, pois, em mercados competitivos, o cliente 
considera seu desembolso financeiro altamente relevante. ” 
SEBRAE, Como Elaborar o Preço de Venda, 2013. 
Considerando o texto acima e valendo-se do seu conhecimento sobre 
aprendizagem de máquina, caso você necessite de um modelo para determinar o 
preço de um determinado produto, em um ambiente de recursos limitados, sua 
escolha mais provável seria: 
Nota: 10.0 
 
A modelo de Regressão Linear 
Você acertou! 
Justificativa: 
Como o preço de um produto é um valor contínuo e considerando a limitação de recursos computacionais, um algoritmo de regressão 
linear será a melhor escolha. 
 
B rede do tipo LSTM 
 
C rede do tipo CNN 
 
D modelo k-Means 
 
E modelo HDBSCAN 
 
Questão 4/10 - 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 planejar um modelo de 
aprendizagem de máquina que consiga agrupar os clientes de um site de venda online 
eu grupos de interesse. As informações de navegação dos clientes no site foram 
coletadas e partir dessas informações devem ser criados os agrupamentos de clientes. 
Utilizando os seus conhecimentos de aprendizagem de máquina e sabendo que a 
sua equipe dispõe de capacidade de processamento e dados em abundância, 
você recomendaria a utilização de: 
Nota: 0.0 
 
A um classificador bayesiano 
 
B um modelo do tipo k-Means 
Justificativa: 
O agrupamento de dados exige o uso de um método de aprendizagem não-supervisionado como o k-Means. As demais opções 
apresentadas, ou são métodos de aprendizagem supervisionada. 
 
C uma classificador do tipo k-NN 
 
D uma rede neural do tipo LSTM 
 
E uma rede neura do tipo CNN 
 
Questão 5/10 - Inteligência Artificial Aplicada 
 
Durante o processo de treinamento supervisionado de uma rede neural para 
reconhecimento de imagens, os dados são preparados colocando uma indicação da 
categoria a qual cada imagem pertence. Durante o processo de treinamento, os dados 
da imagem acima foram fornecidos para uma rede neural, sendo a parte inferior da 
imagem a etiqueta de categoria. 
De acordo com os seus conhecimentos sobre treinamento de redes neurais para 
reconhecimento de imagens, a rede neural irá: 
Nota: 10.0 
 
A descartar as imagens que estão com etiqueta incorreta 
 
B irá corrigir as etiquetas erradas 
 
C será treinada e indicará que há dados incorretos 
 
D não será treinada, retornando um erro 
 
E será treinada com as etiquetas incorretas 
Você acertou! 
Justificativa: 
Durante o fornecimento dos dados de treino para um modelo, se houver instâncias identificadas com categorias erradas, o modelo não 
conseguirá fazer a distinção entre instâncias que foram identificadas corretamente e aquelas que não foram. Assim, o modelo é treinado 
com os dados identificados de forma incorreta. 
 
Questão 6/10 - 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 compreender se refere ao seguinte código: 
from sklearn.neural_network import MLPClassifier 
X_treino_std, y_treino = carrega_dados_treino() 
mlp_clf = MLPClassifier(warm_start=True, 
max_iter=500, hidden_
layer_sizes=(100,)) 
mlp_clf.fit(X_treino_std, y_treino) 
De acordo com os seus conhecimentos de aprendizagem de máquina, o código 
acima executa: 
Nota: 0.0 
 
A um processo de treinamento dos dados 
Justificativa: 
O código apresentado cria um modelo do tipo Multilayer Perceptron e execute o processo de treinamento do modelo por meio da chamada 
do método fit. 
 
B um processo de predição 
 
C um processo de normalização dos dados 
 
D um processo de expansão dos dados 
 
E não faz nada e pode ser comentado 
 
Questão 7/10 - Inteligência Artificial Aplicada 
Os modelos de regressão linear apresentam uma característica de não permitir calcular 
o número de erro de acertos, pois os valores obtidos no processo de predição diferem 
de forma diferente dos valores reais. Assim, utilizar métodos como matriz de confusão, 
não é possível. 
Considerando o texto acima e valendo-se do seu conhecimento sobre 
aprendizagem de máquina, uma medida que pode ser utilizada para avaliar a 
qualidade do modelo de regressão linear é o : 
Nota: 0.0 
 
A coeficiente de erros 
 
B coeficiente de inércia 
 
C taxa de acertos 
 
D taxa de erros 
 
E coeficiente de determinação 
Justificativa: 
Os modelos de regressão linear treinados, não devolvem um valor discreto, assim não é possível comparar o resultado da predição de 
forma direta com os dados anotados, mas sim a diferença do valor obtido para o valor real. Dessa maneira, a qualidade do modelo deve 
ser medida por uma outra técnica que considere o quão próximo das predições estão dos valores reais. Para isso, deve-se utilizar o 
coeficiente de determinação do modelo. 
 
Questão 8/10 - Inteligência Artificial Aplicada 
Você recebeu um grande conjunto de dados para realizar o treinamento de um modelo 
de aprendizagem, porém durante o processo de exploração dos dados, você percebeu 
que havia uma enorme discrepância entre os valores absolutos de alguns atributos. 
Valendo-se dos seus conhecimento de aprendizagem de máquina, para evitar que 
essas discrepâncias prejudiquem o desempenho do seu modelo, você deverá 
executar nos dados um processo de : 
Nota: 10.0 
 
A separação 
 
B identificação 
 
C normalização 
Você acertou! 
Justificativa: 
Quando os valores absolutosos atributos apresentam grandes discrepâncias é necessário fazer um processo de normalização, para 
assim evitar que essas diferenças de magnitude prejudiquem o processo de aprendizagem. 
 
D limpeza 
 
E redução 
 
Questão 9/10 - Inteligência Artificial Aplicada 
 
Durante o processo de treinamento supervisionado de uma rede neural para 
reconhecimento de imagens, os dados são preparados colocando uma indicação da 
categoria, a qual cada imagem pertence. Durante o processo de treinamento, milhares 
de imagens, contendo indicações erradas como a mostrada na imagem acima, foram 
fornecidas para uma rede neural, fazendo com que os resultados do modelo fossem 
muito ruins. 
De acordo com os seus conhecimentos sobre treinamento de redes neurais para 
reconhecimento de imagens, há muitas possibilidades, mas não será de grande 
utilidade: 
Nota: 10.0 
 
A correção das etiquetas incorretas e um novo treinamento 
 
B testar novos hiperparâmetros 
 
C testar novos hiperparâmetros 
 
D um treinamento somente com as etiquetas incorretas 
Você acertou! 
Justificativa: 
Em situações como a descrita, corrigir as etiquetas e treinar um novo modelo é uma boa estratégia, assim como realizar um treinamento 
apenas com etiquetas corretas. Mudar a taxa de aprendizagem e testar com novos hiperparâmetros pode ajudar a corrigir algumas 
distorções do modelo. Já treinar somente com instância com etiquetas incorretas, não ajudaria na melhora do modelo. 
 
E mudar a taxa de aprendizagem 
 
Questão 10/10 - Inteligência Artificial Aplicada 
O kNN é um algoritmo de aprendizagem supervisionada com a predição das classes 
feita por meio de voto. Ou seja, contabiliza-se as classes dos vizinhos e a instância em 
análise recebe a classe que teve maior número de votos. 
Considerando o texto acima e valendo-se do seu conhecimento sobre 
aprendizagem de máquina, o k da sigla do kNN está relacionado ao 
hiperparâmetro que define: 
Nota: 10.0 
 
A coeficiente de erros 
 
B o limite de erros 
 
C o número de vizinhos a serem comparados 
Você acertou! 
Justificativa: 
Hiperparâmetro é um parâmetro, cujo valor é utilizado para direcionar ou controlar o processo de aprendizagem. No caso do k -NN o 
número de vizinho a serem comparados é um hiperparâmetro que define quantas instâncias vizinhas serão comparadas com a instância 
sendo analisada. 
 
D a taxa de erros 
 
E o limite de acertos 
 
• 
Questão 1/10 - 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 
http://www.uninter.com/
 
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 2/10 - Inteligência Artificial Aplicada 
Você recebeu um grande conjunto de dados para realizar o treinamento de um modelo 
de aprendizagem, porém durante o processo de exploração dos dados, você percebeu 
que havia uma enorme discrepância entre os valores absolutos de alguns atributos. 
Valendo-se dos seus conhecimento de aprendizagem de máquina, para evitar que 
essas discrepâncias prejudiquem o desempenho do seu modelo, você deverá 
executar nos dados um processo de : 
Nota: 10.0 
 
A separação 
 
B identificação 
 
C normalização 
Você acertou! 
Justificativa: 
Quando os valores absolutos os atributos apresentam grandes discrepâncias é necessário fazer um processo de normalização, para 
assim evitar que essas diferenças de magnitude prejudiquem o processo de aprendizagem. 
 
D limpeza 
 
E redução 
 
Questão 3/10 - 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. 
De acordo com os seus conhecimentos de aprendizagem de máquina, a acurácia 
deste modelo é de aproximadamente: 
Nota: 10.0 
 
A 33% 
 
B 78% 
 
C 14% 
 
D 64% 
Você acertou! 
Justificativa: 
O valor da acurácia (AC) é obtido calculando (TP + TN)/(TP+TN+FP+FN), onde 
TP – True Positives (Verdadeiros Positivos) 
TN – True Negatives (Verdadeiros Negativos) 
FP – False Positives (Falsos Positivos) 
FN – False Negatives (Falsos Negativos) 
De acordo com a matriz de confusão dada: 
TP = 3301 
TN = 1220 
FP = 1403 
FN = 1454 
Logo, AC = (3301+1454)/(3301+1220+1403+1454) = 0,64 
 
E 100% 
 
Questão 4/10 - 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 avaliação de modelos 
treinados. 
A imagem abaixo foi enviada junto com as informações do primeiro modelo que você 
deveria avaliar. 
 
 
Utilizando os seus conhecimentos de aprendizagem de máquina e as informações 
fornecidas pelo gráfico, você informou que o modelo treinado: 
Nota: 0.0 
 
A deveria ser retreinado para predizer corretamente das as instâncias de treino 
 
B não tinha dados suficientes para treino 
 
C deveria ser substituído por um kNN 
 
D estava pronto para ser colocado em produção 
Justificativa: 
Quando analisamos visualmente o desempenho de um modelo como descrito no texto base, quanto mais alinhados com a reta diagonal, 
melhor pode ser considerado o desempenho do modelo. 
 
E apresentava um desempenho ruim e deveria ser retreinado 
 
Questão 5/10 - Inteligência Artificial Aplicada 
Você necessita executar o treinamento de um modelo de aprendizagem. Sabendo que 
é preciso dividir os dados em treinamento e em testes, você resolve utilizar uma 
proporção que é bastante utilizada e recomendada, na qual se fornece mais dados para 
treino que para testes. 
Valendo-se dos seus conhecimento de aprendizagem de máquina, para conseguir 
executar o treinamento do modelo você deverá: 
Nota: 10.0 
 
A utilizar uma estratégia de validação cruzada 
 
B utilizar os dados na proporção 80-20 
Você acertou! 
Justificativa: 
A proporção 80% para treino e 20% para testes é comumente utilizada no processo de separação dos dados. Sendo inclusive 
recomendada, ainda que não seja a única forma de particionar os dados. 
 
C utilizar os dados na proporção 50-50 
 
D treinar e testar com os mesmos dados 
 
E utilizar todos os dados para treino e não testar 
 
Questão 6/10 - Inteligência Artificial Aplicada 
Os modelos de regressão logística e regressão linear, apresentam semelhanças, além 
do nome. No entanto, utilizam funções diferentes para obtenção dos valores, 
apresentando outras diferenças entre si que determinam os diferentes uso para os quais 
os modelos podem ser aplicados. 
Considerando o texto acima e valendo-se do seu conhecimento sobre 
aprendizagem de máquina, de maneria simplificada podemos dizer que a 
principal diferençaentre os modelos é: 
Nota: 0.0 
 
A o tipo treinamento 
 
B a predição de valores contínuos e discretos 
Justificativa: 
A regressão logística realiza a predição de valores discretos, em intervalos determinados. Enquanto a regressão linear realiza a predição 
de valores contínuos. 
 
C vetores de atributos com tamanhos distintos 
 
D as categorias utilizadas 
 
E o número de categorias 
 
Questão 7/10 - Inteligência Artificial Aplicada 
Como um iniciante na área de ciência de dados, você recebeu uma tarefa de agrupar 
um conjunto de dados de pessoas, utilizando um algoritmo de agrupamento. Você 
executou a separação utilizando um tutorial de internet, mas os resultados não foram 
satisfatórios. Buscando melhorar os resultados você pediu ajuda a um expert que lhe 
disse apenas o seguinte: “Altere o seu k-means para usar Manhattan ou Mahalanobis”. 
De acordo com o seu conhecimento do algoritmo k-means, o expert estava 
sugerindo que você: 
Nota: 10.0 
 
A utilizasse outro algoritmo 
 
B utilizasse métricas de distância diferentes 
Você acertou! 
Justificativa: 
Manhattan e Mahalanobis se referem a dois tipos distintos de métricas de distância. 
 
C utilizasse uma outra linguagem de programação 
 
D utilizasse um método supervisionado 
 
E utilizasse um framework 
 
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 planejar um modelo de 
aprendizagem de máquina que consiga agrupar os clientes de um site de venda online 
eu grupos de interesse. As informações de navegação dos clientes no site foram 
coletadas e partir dessas informações devem ser criados os agrupamentos de clientes. 
Utilizando os seus conhecimentos de aprendizagem de máquina e sabendo que a 
sua equipe dispõe de capacidade de processamento e dados em abundância, 
você recomendaria a utilização de: 
Nota: 0.0 
 
A um classificador bayesiano 
 
B um modelo do tipo k-Means 
Justificativa: 
O agrupamento de dados exige o uso de um método de aprendizagem não-supervisionado como o k-Means. As demais opções 
apresentadas, ou são métodos de aprendizagem supervisionada. 
 
C uma classificador do tipo k-NN 
 
D uma rede neural do tipo LSTM 
 
E uma rede neura do tipo CNN 
 
Questão 9/10 - Inteligência Artificial Aplicada 
“Determinar o preço de venda torna-se tarefa extremamente importante e constitui-se 
uma das peças fundamentais do planejamento empresarial, pois proporcionará 
rentabilidade, competitividade, crescimento e retorno do capital investido. O preço é 
fator importante na decisão de compra, pois, em mercados competitivos, o cliente 
considera seu desembolso financeiro altamente relevante. ” 
SEBRAE, Como Elaborar o Preço de Venda, 2013. 
Considerando o texto acima e valendo-se do seu conhecimento sobre 
aprendizagem de máquina, caso você necessite de um modelo para determinar o 
preço de um determinado produto, em um ambiente de recursos limitados, sua 
escolha mais provável seria: 
Nota: 10.0 
 
A modelo de Regressão Linear 
Você acertou! 
Justificativa: 
Como o preço de um produto é um valor contínuo e considerando a limitação de recursos computacionais, um algoritmo de regressão 
linear será a melhor escolha. 
 
B rede do tipo LSTM 
 
C rede do tipo CNN 
 
D modelo k-Means 
 
E modelo HDBSCAN 
 
Questão 10/10 - Inteligência Artificial Aplicada 
Os modelos de regressão linear apresentam uma característica de não permitir calcular 
o número de erro de acertos, pois os valores obtidos no processo de predição diferem 
de forma diferente dos valores reais. Assim, utilizar métodos como matriz de confusão, 
não é possível. 
Considerando o texto acima e valendo-se do seu conhecimento sobre 
aprendizagem de máquina, uma medida que pode ser utilizada para avaliar a 
qualidade do modelo de regressão linear é o : 
Nota: 10.0 
 
A coeficiente de erros 
 
B coeficiente de inércia 
 
C taxa de acertos 
 
D taxa de erros 
 
E coeficiente de determinação 
Você acertou! 
Justificativa: 
Os modelos de regressão linear treinados, não devolvem um valor discreto, assim não é possível comparar o resultado da predição de 
forma direta com os dados anotados, mas sim a diferença do valor obtido para o valor real. Dessa maneira, a qualidade do modelo deve 
ser medida por uma outra técnica que considere o quão próximo das predições estão dos valores reais. Para isso, deve-se utilizar o 
coeficiente de determinação do modelo. 
 
• 
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 planejar um modelo de 
aprendizagem de máquina que consiga agrupar os clientes de um site de venda online 
eu grupos de interesse. As informações de navegação dos clientes no site foram 
coletadas e partir dessas informações devem ser criados os agrupamentos de clientes. 
Utilizando os seus conhecimentos de aprendizagem de máquina e sabendo que a 
sua equipe dispõe de capacidade de processamento e dados em abundância, 
você recomendaria a utilização de: 
Nota: 10.0 
 
A um classificador bayesiano 
 
B um modelo do tipo k-Means 
Você acertou! 
Justificativa: 
O agrupamento de dados exige o uso de um método de aprendizagem não-supervisionado como o k-Means. As demais opções 
apresentadas, ou são métodos de aprendizagem supervisionada. 
 
C uma classificador do tipo k-NN 
http://www.uninter.com/
 
D uma rede neural do tipo LSTM 
 
E uma rede neura do tipo CNN 
 
Questão 2/10 - Inteligência Artificial Aplicada 
 
Durante o processo de treinamento supervisionado de uma rede neural para 
reconhecimento de imagens, os dados são preparados colocando uma indicação da 
categoria, a qual cada imagem pertence. Durante o processo de treinamento, milhares 
de imagens, contendo indicações erradas como a mostrada na imagem acima, foram 
fornecidas para uma rede neural, fazendo com que os resultados do modelo fossem 
muito ruins. 
De acordo com os seus conhecimentos sobre treinamento de redes neurais para 
reconhecimento de imagens, há muitas possibilidades, mas não será de grande 
utilidade: 
Nota: 10.0 
 
A correção das etiquetas incorretas e um novo treinamento 
 
B testar novos hiperparâmetros 
 
C testar novos hiperparâmetros 
 
D um treinamento somente com as etiquetas incorretas 
Você acertou! 
Justificativa: 
Em situações como a descrita, corrigir as etiquetas e treinar um novo modelo é uma boa estratégia, assim como realizar um treinamento 
apenas com etiquetas corretas. Mudar a taxa de aprendizagem e testar com novos hiperparâmetros pode ajudar a corrigir algumas 
distorções do modelo. Já treinar somente com instância com etiquetas incorretas, não ajudaria na melhora do modelo. 
 
E mudar a taxa de aprendizagem 
 
Questão 3/10 - Inteligência Artificial Aplicada 
Os modelos de regressão linear apresentam uma característica de não permitir calcular 
o número de erro de acertos, pois os valores obtidos no processo de predição diferem 
de forma diferente dos valores reais. Assim, utilizar métodos como matriz de confusão, 
não é possível. 
Considerando o texto acima e valendo-se do seu conhecimento sobre 
aprendizagem de máquina, uma medida que pode ser utilizada para avaliar a 
qualidade do modelo de regressão linear é o : 
Nota: 10.0 
 
A coeficiente de erros 
 
B coeficiente de inércia 
 
C taxa de acertos 
 
D taxa de erros 
 
E coeficiente de determinação 
Você acertou! 
Justificativa: 
Os modelos de regressão linear treinados, não devolvem um valor discreto, assim não é possível comparar o resultado da predição de 
forma direta com os dados anotados, mas sim a diferença do valor obtido para o valor real. Dessa maneira, a qualidade do modelo deve 
ser medidapor uma outra técnica que considere o quão próximo das predições estão dos valores reais. Para isso, deve-se utilizar o 
coeficiente de determinação do modelo. 
 
Questão 4/10 - 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 avaliação de modelos 
treinados. 
A imagem abaixo foi enviada junto com as informações do primeiro modelo que você 
deveria avaliar. 
 
 
Utilizando os seus conhecimentos de aprendizagem de máquina e as informações 
fornecidas pelo gráfico, você informou que o modelo treinado: 
Nota: 10.0 
 
A deveria ser retreinado para predizer corretamente das as instâncias de treino 
 
B não tinha dados suficientes para treino 
 
C deveria ser substituído por um kNN 
 
D estava pronto para ser colocado em produção 
Você acertou! 
Justificativa: 
Quando analisamos visualmente o desempenho de um modelo como descrito no texto base, quanto mais alinhados com a reta diagonal, 
melhor pode ser considerado o desempenho do modelo. 
 
E apresentava um desempenho ruim e deveria ser retreinado 
 
Questão 5/10 - 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 trechos que a equipe gostaria de compreender se refere a uma troca de códigos, 
onde o código: 
mlp_clf = MLPClassifier(warm_start=True, 
max_iter=500, hidden
_layer_sizes=(100,)) 
Foi substituído por: 
 mlp_clf = MLPClassifier(warm_start=True, max_iter=500, 
 hidden_layer_sizes=(50,50)) 
De acordo com os seus conhecimentos de aprendizagem de máquina, a 
substituição de código foi feita para: 
Nota: 0.0 
 
A alterar o tipo do classificador 
 
B aumentar a quantidade de camadas da rede 
Justificativa: 
O parâmetro hidden_layer_sizes é uma tupla na qual cada elemento indica a quantidade de neurônios em cada camada. Como o código 
apresentado o número de elementos aumenta, a quantidade de camadas da rede também. 
 
C diminuir a quantidade de camadas da rede 
 
D estabilizar as camadas da rede 
 
E aumentar o número de nós da rede 
 
Questão 6/10 - Inteligência Artificial Aplicada 
O termo one-hot descreve um grupo de bits onde apenas um dos bits é 1 (um) e todos 
os demais 0 (zero). Em aprendizagem de máquina, existe um método chamado one-hot 
enconding que é utilizada para lidar com dados categóricos.” 
Considere que você possui um conjunto de dados onde já um campo Idiomas que 
podem assumir 3 valores: português, espanhol e inglês. Valendo dos seus 
conhecimentos sobre dados categóricos, uma possível codificação one-hot para 
este campo seria: 
Nota: 0.0 
 
A português (1), espanhol (2), francês (3) 
 
B português (00), espanhol (10), francês (11) 
 
C português (000), espanhol (001), francês (010) 
 
D português (001), espanhol (002), francês (003) 
 
E português (001), espanhol (010), francês (100) 
Justificativa: 
Como se trata de 3 valores possíveis e a codificação one-hot exige que somente uma posição do valor seja igual a 1, logo a opção 
001,010,100 seria a escolha correta. 
 
Questão 7/10 - Inteligência Artificial Aplicada 
“Determinar o preço de venda torna-se tarefa extremamente importante e constitui-se 
uma das peças fundamentais do planejamento empresarial, pois proporcionará 
rentabilidade, competitividade, crescimento e retorno do capital investido. O preço é 
fator importante na decisão de compra, pois, em mercados competitivos, o cliente 
considera seu desembolso financeiro altamente relevante. ” 
SEBRAE, Como Elaborar o Preço de Venda, 2013. 
Considerando o texto acima e valendo-se do seu conhecimento sobre 
aprendizagem de máquina, caso você necessite de um modelo para determinar o 
preço de um determinado produto, em um ambiente de recursos limitados, sua 
escolha mais provável seria: 
Nota: 10.0 
 
A modelo de Regressão Linear 
Você acertou! 
Justificativa: 
Como o preço de um produto é um valor contínuo e considerando a limitação de recursos computacionais, um algoritmo de regressão 
linear será a melhor escolha. 
 
B rede do tipo LSTM 
 
C rede do tipo CNN 
 
D modelo k-Means 
 
E modelo HDBSCAN 
 
Questão 8/10 - Inteligência Artificial Aplicada 
Como um iniciante na área de ciência de dados, você recebeu uma tarefa de agrupar 
um conjunto de dados de pessoas, utilizando um algoritmo de agrupamento. Você 
executou a separação utilizando um tutorial de internet, mas os resultados não foram 
satisfatórios. Buscando melhorar os resultados você pediu ajuda a um expert que lhe 
disse apenas o seguinte: “Altere o seu k-means para usar Manhattan ou Mahalanobis”. 
De acordo com o seu conhecimento do algoritmo k-means, o expert estava 
sugerindo que você: 
Nota: 10.0 
 
A utilizasse outro algoritmo 
 
B utilizasse métricas de distância diferentes 
Você acertou! 
Justificativa: 
Manhattan e Mahalanobis se referem a dois tipos distintos de métricas de distância. 
 
C utilizasse uma outra linguagem de programação 
 
D utilizasse um método supervisionado 
 
E utilizasse um framework 
 
Questão 9/10 - 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 trechos que a equipe gostaria de compreender se refere a uma troca de códigos, 
onde o código: 
mlp_clf = MLPClassifier(warm_start=True, 
max_iter=500, hidden
_layer_sizes=(100,50,50)) 
Foi substituído por: 
 mlp_clf = MLPClassifier(warm_start=True, max_iter=500, 
 hidden_layer_sizes=(50,50)) 
De acordo com os seus conhecimentos de aprendizagem de máquina, a 
substituição de código foi feita para: 
Nota: 10.0 
 
A alterar o tipo do classificador 
 
B aumentar a quantidade de camadas da rede 
 
C diminuir a quantidade de camadas da rede 
Você acertou! 
Justificativa: 
O parâmetro hidden_layer_sizes é uma tupla na qual cada elemento indica a quantidade de neurônios em cada camada. Como o código 
apresentado o número de elementos diminui, a quantidade de camadas da rede também. 
 
D estabilizar as camadas da rede 
 
E aumentar o número de nós da rede 
 
Questão 10/10 - 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 trechos que a equipe gostaria de compreender se refere a uma troca de códigos, 
onde o código: 
mlp_clf = MLPClassifier(warm_start=True, 
max_iter=500, hidden
_layer_sizes=(100,)) 
Foi substituído por: 
 mlp_clf = MLPClassifier(warm_start=True, max_iter=500, 
 hidden_layer_sizes=(50,50)) 
A equipe gostaria de saber se essa mudança, iria exigir mais memória. Ou seja, se o 
número de nós da rede aumentaria.De acordo com os seus conhecimentos de aprendizagem de máquina, a 
substituição de código fará com o número de nós do classificar perceptron de 
múltiplas camadas: 
Nota: 10.0 
 
A irá diminuir 
 
B irá dobrar 
 
C reduzirá pela metade 
 
D permanecerá igual 
Você acertou! 
Justificativa: 
O número de nós do classificador é dado pela soma de todos os elementos do parâmetro hidden_layer_sizes. Como nos dois trechos de 
código o total de valores permanece constante, 100 e 50+10, não há alteração da quantidade de nós. 
 
E irá aumentar 
 
• 
Questão 1/10 - Inteligência Artificial Aplicada 
Os modelos de aprendizagem de máquina, necessitam que os dados que lhe são 
fornecidos sejam convertidos para valores numéricos. Assim, quando temos dados que 
necessitam de conversão, pode-se utilizar um processo de categorizar uma variável. 
http://www.uninter.com/
Representando cada possível valor por um número distinto, e que, se possível 
represente uma relação de hierarquia ou precedência entre os possíveis valores. 
De acordo com os seus conhecimentos sobre dados categóricos e one-hot 
encoding, podemos dizer que uma grande diferença entre representar uma 
variável categórica por valores numéricos e one-hot encoding é: 
Nota: 0.0 
 
A que a primeira representa melhor que segunda 
 
B que a segunda representa melhor que a primeira 
 
C a primeira serve apenas determinados tipos de valores 
 
D a segunda serve apenas para determinados tipos de valores 
 
E a segunda cria variáveis derivadas, aumentando o número de atributos 
Justificativa: 
Quando convertemos um atributo para one-hot encode, passamos a ter novos atributos que indicam a presença ou não daquele valor. 
Por exemplo, se tivermos uma variável com dois valores possíveis, ela seria representada como atributoN = 1 ou atributoN = 2. Quando 
temos a codificação one-hot encode para a mesma variável, ela será feita da seguinte forma, atributoN_valor1 = 0 ou atributoN_valor1 = 
1, atributoN_valor2 = 0 ou atributoN_valor2 = 1. Assim temos novas variáveis derivadas a partir dos valores que a mesma pode assumir. 
 
Questão 2/10 - Inteligência Artificial Aplicada 
 
Durante o processo de treinamento supervisionado de uma rede neural para 
reconhecimento de imagens, os dados são preparados colocando uma indicação da 
categoria, a qual cada imagem pertence. Durante o processo de treinamento, milhares 
de imagens, contendo indicações erradas como a mostrada na imagem acima, foram 
fornecidas para uma rede neural, fazendo com que os resultados do modelo fossem 
muito ruins. 
De acordo com os seus conhecimentos sobre treinamento de redes neurais para 
reconhecimento de imagens, há muitas possibilidades, mas não será de grande 
utilidade: 
Nota: 10.0 
 
A correção das etiquetas incorretas e um novo treinamento 
 
B testar novos hiperparâmetros 
 
C testar novos hiperparâmetros 
 
D um treinamento somente com as etiquetas incorretas 
Você acertou! 
Justificativa: 
Em situações como a descrita, corrigir as etiquetas e treinar um novo modelo é uma boa estratégia, assim como realizar um treinamento 
apenas com etiquetas corretas. Mudar a taxa de aprendizagem e testar com novos hiperparâmetros pode ajudar a corrigir algumas 
distorções do modelo. Já treinar somente com instância com etiquetas incorretas, não ajudaria na melhora do modelo. 
 
E mudar a taxa de aprendizagem 
 
Questão 3/10 - 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 planejar um modelo de 
aprendizagem de máquina para buscar determinar o preço de produtos com os quais 
um cliente trabalha. 
Utilizando os seus conhecimentos de aprendizagem de máquina e sabendo que a 
sua equipe dispõe de capacidade de processamento e dados em abundância, 
você recomendaria a utilização de: 
Nota: 10.0 
 
A um classificador bayesiano 
 
B um modelo de regressão linear 
Você acertou! 
Justificativa: 
A predição de preços é uma tarefa de predição continua, sendo necessário utilizar um modelo regressivo e não um categórico ou uma 
rede neural. Assim, o mais adequado seria um modelo de regressão linear. 
 
C uma classificador do tipo k-NN 
 
D uma rede neural do tipo LSTM 
 
E uma rede neura do tipo CNN 
 
Questão 4/10 - Inteligência Artificial Aplicada 
 
Você necessita desenvolver um classificador bayesiano para detecção de spam 
baseado nas palavras contidas nos e-mails recebidos. Para isso o classificador deverá 
utilizar o teorema de Bayes, considerando as classes como spam e não-spam e o vetor 
de características como a presença ou ausência de uma palavra, de acordo com a 
imagem acima. 
Considerando do texto acima e valendo-se do seu conhecimento sobre 
classificação bayesiana, o elemento P(?) será corretamente substituído por : 
Nota: 0.0 
 
A P(não-spam | spam) 
 
B P(spam) 
 
C P(palavra) 
 
D P(spam | não-spam) 
 
E P(palavra | spam) 
Justificativa: 
Como o classificador bayesiano utiliza conhecimento prévio para fazer a predição, nesse caso ele utilizará a informação da probabilidade 
de um documento conter uma palavra, dado que ele é um spam, ou seja P(palavra | spam). 
 
Questão 5/10 - Inteligência Artificial Aplicada 
Os modelos de regressão logística e regressão linear, apresentam semelhanças, além 
do nome. No entanto, utilizam funções diferentes para obtenção dos valores, 
apresentando outras diferenças entre si que determinam os diferentes uso para os quais 
os modelos podem ser aplicados. 
Considerando o texto acima e valendo-se do seu conhecimento sobre 
aprendizagem de máquina, de maneria simplificada podemos dizer que a 
principal diferença entre os modelos é: 
Nota: 10.0 
 
A o tipo treinamento 
 
B a predição de valores contínuos e discretos 
Você acertou! 
Justificativa: 
A regressão logística realiza a predição de valores discretos, em intervalos determinados. Enquanto a regressão linear realiza a predição 
de valores contínuos. 
 
C vetores de atributos com tamanhos distintos 
 
D as categorias utilizadas 
 
E o número de categorias 
 
Questão 6/10 - Inteligência Artificial Aplicada 
 
Durante o processo de treinamento supervisionado de uma rede neural para 
reconhecimento de imagens, os dados são preparados colocando uma indicação da 
categoria a qual cada imagem pertence. Durante o processo de treinamento, os dados 
da imagem acima foram fornecidos para uma rede neural, sendo a parte inferior da 
imagem a etiqueta de categoria. 
De acordo com os seus conhecimentos sobre treinamento de redes neurais para 
reconhecimento de imagens, a rede neural irá: 
Nota: 10.0 
 
A descartar as imagens que estão com etiqueta incorreta 
 
B irá corrigir as etiquetas erradas 
 
C será treinada e indicará que há dados incorretos 
 
D não será treinada, retornando um erro 
 
E será treinada com as etiquetas incorretas 
Você acertou! 
Justificativa: 
Durante o fornecimento dos dados de treino para um modelo, se houver instâncias identificadas com categorias erradas, o modelo não 
conseguirá fazer a distinção entre instâncias que foram identificadas corretamente e aquelas que não foram. Assim, o modelo é treinado 
com os dados identificados de forma incorreta. 
 
Questão 7/10 - Inteligência Artificial Aplicada 
Você necessita implementar um módulo de detecção de spam. Como o volume e a 
frequência de e-mails muito alta, você precisa de um algoritmo de classificação que 
permita obter de forma rápida a identificação se o e-mail recebida se trata ou não de um 
spam, ainda que alguns falsos positivos possam ocorrer. 
Usando os seus conhecimentos de aprendizagem de máquina, você optaria por 
um algoritmo de: 
Nota: 10.0 
 
A classificador bayesiano 
Você acertou! 
Justificativa: 
Modelos de agrupamento hierárquico e do tipo k-NN não são indicados, pois eles comparam uma instância com todos as outras instâncias,não respondendo de forma rápida. Métodos de redes neurais (MLP, CNN) tendem a necessitar de muita memória e processamento, o 
que faz com que demorem em dar uma resposta rápida. Já modelos do tipo classificador bayesiano tendem a ser mais rápidos que os 
demais, ainda que a sua precisão e taxa de erros seja maior que outros algoritmos. 
 
B agrupamento hierárquico 
 
C rede neural profunda 
 
D k-NN 
 
E rede neural do tipo CNN 
 
Questão 8/10 - Inteligência Artificial Aplicada 
“Determinar o preço de venda torna-se tarefa extremamente importante e constitui-se 
uma das peças fundamentais do planejamento empresarial, pois proporcionará 
rentabilidade, competitividade, crescimento e retorno do capital investido. O preço é 
fator importante na decisão de compra, pois, em mercados competitivos, o cliente 
considera seu desembolso financeiro altamente relevante. ” 
SEBRAE, Como Elaborar o Preço de Venda, 2013. 
Considerando o texto acima e valendo-se do seu conhecimento sobre 
aprendizagem de máquina, caso você necessite de um modelo para determinar o 
preço de um determinado produto, em um ambiente de recursos limitados, sua 
escolha mais provável seria: 
Nota: 10.0 
 
A modelo de Regressão Linear 
Você acertou! 
Justificativa: 
Como o preço de um produto é um valor contínuo e considerando a limitação de recursos computacionais, um algoritmo de regressão 
linear será a melhor escolha. 
 
B rede do tipo LSTM 
 
C rede do tipo CNN 
 
D modelo k-Means 
 
E modelo HDBSCAN 
 
Questão 9/10 - 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. 
De acordo com os seus conhecimentos de aprendizagem de máquina, a acurácia 
deste modelo é de aproximadamente: 
Nota: 10.0 
 
A 33% 
 
B 78% 
 
C 14% 
 
D 64% 
Você acertou! 
Justificativa: 
O valor da acurácia (AC) é obtido calculando (TP + TN)/(TP+TN+FP+FN), onde 
TP – True Positives (Verdadeiros Positivos) 
TN – True Negatives (Verdadeiros Negativos) 
FP – False Positives (Falsos Positivos) 
FN – False Negatives (Falsos Negativos) 
De acordo com a matriz de confusão dada: 
TP = 3301 
TN = 1220 
FP = 1403 
FN = 1454 
Logo, AC = (3301+1454)/(3301+1220+1403+1454) = 0,64 
 
E 100% 
 
Questão 10/10 - Inteligência Artificial Aplicada 
 
O gráfico acima mostra o resultado da execução de um algoritmo k-means, indicando a 
soma das distâncias intra-clusters x nº de clusters. 
De acordo com o seu conhecimento do algoritmo k-means e do método do 
cotovelo para determinar o melhor número de clusters, o valor mais adequado se 
encontra no intervalo: 
Nota: 0.0 
 
A entre 6 e 8 
 
B acima de 10 
 
C abaixo de 2 
 
D entre 2 e 4 
 
E entre 4 e 6 
Justificativa: 
De acordo com o método do cotovelo deve escolher o valor onde ocorre a maior inflexão do gráfico. Neste caso, entre os valores 4 e 6. 
 
• 
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 planejar um modelo de 
aprendizagem de máquina que consiga agrupar os clientes de um site de venda online 
eu grupos de interesse. As informações de navegação dos clientes no site foram 
coletadas e partir dessas informações devem ser criados os agrupamentos de clientes. 
Utilizando os seus conhecimentos de aprendizagem de máquina e sabendo que a 
sua equipe dispõe de capacidade de processamento e dados em abundância, 
você recomendaria a utilização de: 
Nota: 10.0 
 
A um classificador bayesiano 
 
B um modelo do tipo k-Means 
Você acertou! 
Justificativa: 
O agrupamento de dados exige o uso de um método de aprendizagem não-supervisionado como o k-Means. As demais opções 
apresentadas, ou são métodos de aprendizagem supervisionada. 
 
C uma classificador do tipo k-NN 
 
D uma rede neural do tipo LSTM 
http://www.uninter.com/
 
E uma rede neura do tipo CNN 
 
Questão 2/10 - 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. 
De acordo com os seus conhecimentos de aprendizagem de máquina, a acurácia 
deste modelo é de aproximadamente: 
Nota: 10.0 
 
A 33% 
 
B 78% 
 
C 14% 
 
D 64% 
Você acertou! 
Justificativa: 
O valor da acurácia (AC) é obtido calculando (TP + TN)/(TP+TN+FP+FN), onde 
TP – True Positives (Verdadeiros Positivos) 
TN – True Negatives (Verdadeiros Negativos) 
FP – False Positives (Falsos Positivos) 
FN – False Negatives (Falsos Negativos) 
De acordo com a matriz de confusão dada: 
TP = 3301 
TN = 1220 
FP = 1403 
FN = 1454 
Logo, AC = (3301+1454)/(3301+1220+1403+1454) = 0,64 
 
E 100% 
 
Questão 3/10 - 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 compreender se refere ao seguinte código: 
from sklearn.neural_network import MLPClassifier 
X_treino_std, y_treino = carrega_dados_treino() 
mlp_clf = MLPClassifier(warm_start=True, 
max_iter=500, hidden_
layer_sizes=(100,)) 
mlp_clf.fit(X_treino_std, y_treino) 
De acordo com os seus conhecimentos de aprendizagem de máquina, o código 
acima executa: 
Nota: 0.0 
 
A um processo de treinamento dos dados 
Justificativa: 
O código apresentado cria um modelo do tipo Multilayer Perceptron e execute o processo de treinamento do modelo por meio da chamada 
do método fit. 
 
B um processo de predição 
 
C um processo de normalização dos dados 
 
D um processo de expansão dos dados 
 
E não faz nada e pode ser comentado 
 
Questão 4/10 - Inteligência Artificial Aplicada 
 
Durante o processo de treinamento supervisionado de uma rede neural para 
reconhecimento de imagens, os dados são preparados colocando uma indicação da 
categoria, a qual cada imagem pertence. Durante o processo de treinamento, milhares 
de imagens, contendo indicações erradas como a mostrada na imagem acima, foram 
fornecidas para uma rede neural, fazendo com que os resultados do modelo fossem 
muito ruins. 
De acordo com os seus conhecimentos sobre treinamento de redes neurais para 
reconhecimento de imagens, há muitas possibilidades, mas não será de grande 
utilidade: 
Nota: 10.0 
 
A correção das etiquetas incorretas e um novo treinamento 
 
B testar novos hiperparâmetros 
 
C testar novos hiperparâmetros 
 
D um treinamento somente com as etiquetas incorretas 
Você acertou! 
Justificativa: 
Em situações como a descrita, corrigir as etiquetas e treinar um novo modelo é uma boa estratégia, assim como realizar um treinamento 
apenas com etiquetas corretas. Mudar a taxa de aprendizagem e testar com novos hiperparâmetros pode ajudar a corrigir algumas 
distorções do modelo. Já treinar somente com instância com etiquetas incorretas, não ajudaria na melhora do modelo. 
 
E mudar a taxa de aprendizagem 
 
Questão 5/10 - Inteligência Artificial Aplicada 
Você recebeu um grande conjunto de dados para realizar o treinamento de um modelo 
de aprendizagem, porém durante o processo de exploração dos dados, você percebeu 
que havia uma enorme discrepância entre os valores absolutos de alguns atributos. 
Valendo-se dos seus conhecimento de aprendizagem de máquina, para evitar que 
essas discrepâncias prejudiquem o desempenho do seu modelo, você deverá 
executar nos dados um processo de : 
Nota: 10.0 
 
A separação 
 
B identificação 
 
C normalização 
Vocêacertou! 
Justificativa: 
Quando os valores absolutos os atributos apresentam grandes discrepâncias é necessário fazer um processo de normalização, para 
assim evitar que essas diferenças de magnitude prejudiquem o processo de aprendizagem. 
 
D limpeza 
 
E redução 
 
Questão 6/10 - Inteligência Artificial Aplicada 
“Determinar o preço de venda torna-se tarefa extremamente importante e constitui-se 
uma das peças fundamentais do planejamento empresarial, pois proporcionará 
rentabilidade, competitividade, crescimento e retorno do capital investido. O preço é 
fator importante na decisão de compra, pois, em mercados competitivos, o cliente 
considera seu desembolso financeiro altamente relevante. ” 
SEBRAE, Como Elaborar o Preço de Venda, 2013. 
Considerando o texto acima e valendo-se do seu conhecimento sobre 
aprendizagem de máquina, caso você necessite de um modelo para determinar o 
preço de um determinado produto, em um ambiente de recursos limitados, sua 
escolha mais provável seria: 
Nota: 10.0 
 
A modelo de Regressão Linear 
Você acertou! 
Justificativa: 
Como o preço de um produto é um valor contínuo e considerando a limitação de recursos computacionais, um algoritmo de regressão 
linear será a melhor escolha. 
 
B rede do tipo LSTM 
 
C rede do tipo CNN 
 
D modelo k-Means 
 
E modelo HDBSCAN 
 
Questão 7/10 - 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 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 trechos que a equipe gostaria de compreender se refere a uma troca de códigos, 
onde o código: 
mlp_clf = MLPClassifier(warm_start=True, 
max_iter=500, hidden
_layer_sizes=(100,50,50)) 
Foi substituído por: 
 mlp_clf = MLPClassifier(warm_start=True, max_iter=500, 
 hidden_layer_sizes=(50,50)) 
De acordo com os seus conhecimentos de aprendizagem de máquina, a 
substituição de código foi feita para: 
Nota: 0.0 
 
A alterar o tipo do classificador 
 
B aumentar a quantidade de camadas da rede 
 
C diminuir a quantidade de camadas da rede 
Justificativa: 
O parâmetro hidden_layer_sizes é uma tupla na qual cada elemento indica a quantidade de neurônios em cada camada. Como o código 
apresentado o número de elementos diminui, a quantidade de camadas da rede também. 
 
D estabilizar as camadas da rede 
 
E aumentar o número de nós da rede 
 
Questão 9/10 - 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 planejar um modelo de 
aprendizagem de máquina para buscar determinar o preço de produtos com os quais 
um cliente trabalha. 
Utilizando os seus conhecimentos de aprendizagem de máquina e sabendo que a 
sua equipe dispõe de capacidade de processamento e dados em abundância, 
você recomendaria a utilização de: 
Nota: 10.0 
 
A um classificador bayesiano 
 
B um modelo de regressão linear 
Você acertou! 
Justificativa: 
A predição de preços é uma tarefa de predição continua, sendo necessário utilizar um modelo regressivo e não um categórico ou uma 
rede neural. Assim, o mais adequado seria um modelo de regressão linear. 
 
C uma classificador do tipo k-NN 
 
D uma rede neural do tipo LSTM 
 
E uma rede neura do tipo CNN 
 
Questão 10/10 - 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 avaliação de modelos 
treinados. 
A imagem abaixo foi enviada junto com as informações do primeiro modelo que você 
deveria avaliar. 
 
 
Utilizando os seus conhecimentos de aprendizagem de máquina e as informações 
fornecidas pelo gráfico, você informou que o modelo treinado: 
Nota: 10.0 
 
A deveria ser retreinado para predizer corretamente das as instâncias de treino 
 
B não tinha dados suficientes para treino 
 
C deveria ser substituído por um kNN 
 
D estava pronto para ser colocado em produção 
Você acertou! 
Justificativa: 
Quando analisamos visualmente o desempenho de um modelo como descrito no texto base, quanto mais alinhados com a reta diagonal, 
melhor pode ser considerado o desempenho do modelo. 
 
E apresentava um desempenho ruim e deveria ser retreinado 
 
• 
 
http://www.uninter.com/