Baixe o app para aproveitar ainda mais
Prévia do material em texto
AO2 Iniciado: 9 jun em 4:43 Instruções do teste 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. 0,6 ptsPergunta 1 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 Avalie a representação a seguir sobre o processo KDD: 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+ A A- e padrões úteis para a obtenção de conhecimento. 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. A primeira 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. 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. 0,6 ptsPergunta 2 Uma árvore de decisão particionará um conjunto em duas partições por nível, produzindo uma árvore binária. A escolha do atributo que dividirá o conjunto de dados é feita a partir de medidas 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.” 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+ A A- de pureza. O objetivo principal para cada divisão feita na árvore de decisão é a obtenção partições heterogêneas. A divisão das partições na árvore de decisão deve ser realizada até que haja nós folha unitários. O algoritmo que induz uma árvore de decisão produzirá o mesmo resultado a partir do mesmo conjunto de dados. 0,6 ptsPergunta 3 Leia o texto abaixo: Muitos problemas práticos possuem registros históricos relacionando situações específicas com determinados resultados. Por exemplo, administradoras de cartões de crédito possuem registros de transações passadas e a informação de se foram fraudulentas ou não; financeiras possuem cadastros de clientes que pediram empréstimo associados às formas e condições de pagamento (e até inadimplências); empresas possuem registros de funcionários com seu perfil e desempenho no trabalho; entre muitos outros exemplos. Quando cada registro possui um rótulo de classe ou um valor de saída associado que representa o resultado histórico de registros passados, o objetivo da análise é, quase invariavelmente, construir um modelo que possa ser usado para predizer qual seria essa saída para novos registros, ou seja, registros cuja classe ou valor de saída são desconhecidos. Para os mesmos exemplos citados anteriormente, a operadora de cartões de crédito precisa de um modelo que seja capaz de identificar se uma transação corrente é fraudulenta ou não; as financeiras querem saber se devem ou não conceder um empréstimo solicitado e qual o valor do empréstimo a ser concedido; e as empresas desejam saber de antemão o desempenho de um funcionário que será contratado, de acordo com seu perfil. Fonte: DE CASTRO, L. N. Introdução à mineração de dados: conceitos básicos, algoritmos e aplicações. São Paulo: Saraiva, 2016. Qual das técnicas a seguir deve ser utilizada se uma operadora de cartões de A+ A A- Classificação. Detecção de desvio. Agrupamento. Estimativa. Associação. crédito precisa identificar se uma transação corrente é fraudulenta ou não? 0,6 ptsPergunta 4 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 A+ A A- I e IV, apenas. I e II, apenas. II e III, apenas. III e IV, apenas. I e III, apenas. processo de treinamento que utiliza todo o conjunto de dados 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: 0,6 ptsPergunta 5 Considere a seguinte distribuição conjunta de probabilidade: Fonte: LORENA, A. C., FARIA, F. A. Representação do Conhecimento – A+ A A- II e IV, apenas. III e IV, apenas. II e III, apenas. I e III, apenas. I e II, apenas. 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: 0,6 ptsPergunta 6 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: A+ A A- 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. 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 transformaçãocuida 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 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. 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 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. conceitos básicos, algoritmos e aplicações. São Paulo: Saraiva, 2016. p. 34. Qual alternativa descreve corretamente as principais tarefas de pré- processamento? 0,6 ptsPergunta 7 Leia o texto abaixo: A+ A A- A construção da árvore é realizada por meio de um algoritmo que não precisa analisar os atributos descritivos do conjunto de dados previamente rotulado, consistindo apenas no processo de aprendizado do modelo classificador. Cada nó folha (temperatura) representa uma decisão sugerida pelo modelo classificador para a ocasião, sugestão esta, presente no atributo rótulo do conjunto Árvore de decisão é uma das técnicas mais populares de mineração de dados. Mais comumente usada para resolver a tarefa de classificação de dados, a árvore de decisão consiste em uma coleção de nós internos e nós folhas, organizados em um modelo hierárquico (da mesma forma que se organizam as estruturas de dados do tipo árvore). No contexto da resolução da tarefa de classificação, uma árvore de decisão representa o modelo capaz de guiar a tomada de decisão sobre a determinação da classe à qual um exemplar pertence. A figura abaixo traz um exemplo de um modelo classificador hipotético, na forma de uma árvore de decisão, para escolha de pratos em um restaurante. Fonte: SILVA, L. A. Introdução à mineração de dados: com aplicações em R. Rio de Janeiro: Elsevier, 2016. Considerando as informações apresentadas, assinale a opção correta. A+ A A- de dados usado para induzir o modelo. A árvore de decisão está classificando as ocasiões em: apropriadas para consumo de pratos no jantar ou inapropriadas para consumo de pratos no jantar. Os nós internos da árvore (tipo de prato) dizem respeito a atributos prescritivos de uma ocasião em que alguém está no restaurante para realizar uma refeição. Segundo o modelo representado pela árvore, se a ocasião se refere à temperatura alta e à hora do jantar, deve-se optar por um prato frio. 0,6 ptsPergunta 8 O termo mineração de dados é uma alusão ao processo de extração de minerais, uma vez que se explora o conhecimento (mina) usando banco de dados (ferramentas) adequados para obter ferramentas (minerais preciosos). O termo mineração de dados é uma alusão ao processo de extração de minerais, uma vez que se explora uma base de dados (mina) usando algoritmos (minerais preciosos) adequados para obter conhecimento (ferramentas). O termo mineração de dados é uma alusão ao processo de extração de minerais, uma vez que se explora uma base de dados (mina) usando algoritmos (ferramentas) adequados para obter conhecimento (minerais preciosos). Leia o texto abaixo: O processo de mineração corresponde à extração de minerais valiosos, como ouro e pedras preciosas, a partir de uma mina. Uma característica importante desses materiais é que, embora não possam ser cultivados ou produzidos artificialmente, existem de maneira implícita e muitas vezes desconhecida em alguma fonte, podendo ser extraídos. Esse processo requer acesso à mina, o uso de ferramentas adequadas de mineração, a extração dos minérios propriamente dita e o seu posterior preparo para comercialização. Fonte: DE CASTRO, L. N. Introdução à mineração de dados: conceitos básicos, algoritmos e aplicações. São Paulo: Saraiva, 2016. Considerando as informações apresentadas, assinale a opção correta. A+ A A- O termo mineração de dados é uma alusão ao processo de extração de minerais, uma vez que se explora um conhecimento(mina) usando algoritmos (minerais preciosos) adequados para obter base de dados (ferramentas). O termo mineração de dados é uma alusão ao processo de extração de minerais, uma vez que se explora um algoritmo (mina) usando banco de dados (ferramentas) adequados para obter conhecimento (minerais preciosos). 0,6 ptsPergunta 9 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. 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+ A A- As asserções I e II são proposições verdadeiras, mas a II não é uma justificativa da I. A asserção I é uma proposição falsa, e a II é uma proposição verdadeira. 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. A asserção I é uma proposição verdadeira, e a II é uma proposição falsa. A respeito dessas asserções, assinale a opção correta: 0,6 ptsPergunta 10 a limpeza, a integração, a seleção ou redução e a transformação dos dados. a análise descritiva, a associação e a detecção de anomalias nos dados. a análise descritiva, o agrupamento e a predição dos dados. Leia o texto abaixo: A mineração de dados é parte integrante de um processo mais amplo, conhecido como descoberta de conhecimento em bases de dados (knowledge discovery in databases, ou KDD) [...] A preparação ou pré-processamento de dados é uma das partes principais do KKD, e correspondem as etapas anteriores à mineração que visam preparar os dados para uma análise eficiente e eficaz. (Fonte: DE CASTRO, L. N. Introdução à mineração de dados: conceitos básicos, algoritmos e aplicações. São Paulo: Saraiva, 2016.) A preparação ou pré-processamento de dados inclui A+ A A- Salvo em 4:12 a transformação, a mineração e a avaliação dos dados. o agrupamento e a associação dos dados. Enviar teste A+ A A-
Compartilhar