Baixe o app para aproveitar ainda mais
Prévia do material em texto
Carolina salvade 202002168579 Disciplina: MACHINE LEARNING AV Aluno: CAROLINA SALVADE 202002168579 Professor: SIMONE KELLER FUCHTER Turma: 9001 CCT1017_AV_202002168579 (AG) 30/05/2022 22:17:45 (F) Avaliação: 5,0 Nota Partic.: Nota SIA: 7,0 pts EM2120031 - SISTEMAS DE APRENDIZADO DE MÁQUINA 1.1. Ref.: 4332289 Pontos: 1,00 / 1,00 Uma das técnicas bastante utilizadas em sistemas de apoio à decisão é o aprendizado de máquina, que se constitui em uma técnica: Que visa sua distribuição e replicação em um cluster de servidores, visando aprimorar a disponibilidade de dados. De transmissão e recepção de dados, permitindo a comunicação entre servidores, em tempo real. Para se realizar a criptografia inteligente de dados, objetivando a proteção da informação. Para a exploração e análise de dados, visando descobrir padrões e regras, a princípio ocultos, importantes à aplicação. De compactação de dados, normalmente bastante eficiente, permitindo grande desempenho no armazenamento de dados. 2.2. Ref.: 4329328 Pontos: 0,00 / 1,00 Com o objetivo de obter informações por meio do aprendizado de máquina, verificou-se que o processo que estava sendo realizado consistia em examinar as características dos objetos e agrupá-los de acordo com suas semelhanças; verificou-se também o uso de algoritmos de aprendizado não supervisionados. Identifique que ação está sendo realizada: Redução dimensional Clustering Classificação Estimativa de densidade Regressão EM2120032 - TREINAMENTO DE MODELOS DE APRENDIZADO DE MÁQUINA 3.3. Ref.: 4416314 Pontos: 0,00 / 1,00 O PCA é uma forma eficiente de reduzir a dimensionalidade do conjunto de dados. Qual a operação básica da Álgebra Linear que seu algoritmo mais executa nos dados? Transposição. Cinzelamento. Decomposição. Rotação. Transfiguração. 4.4. Ref.: 4392320 Pontos: 0,00 / 1,00 Qual a função dos vetores de suporte no SVM? Definir margens de classificação para o cálculo do vetor de decisão. Maximizar a métrica de avaliação do modelo. Minimizar a distância entre a função de decisão e as amostras. Servem para a tomada de decisão. Maximizar a distância intra cluster e minimizar a distância inter cluster. EM2120072 - REDES NEURAIS E APRENDIZADO PROFUNDO 5.5. Ref.: 4254304 Pontos: 0,00 / 1,00 Os métodos de aprendizado por diferença temporal são usados para estimar essas funções valor. Em relação aos métodos de aprendizado por diferença temporal, selecione a opção correta. Faz o rastreio de cada valor atualizado de acordo com os pares (ação, estado). É sempre a melhor opção de algoritmo para modelos de aprendizado por reforço. O aprendizado é obtido a partir da experiência. Necessita de um mapeamento exato para avaliar a qualidade das respostas obtidas. Usam as políticas de aprendizado adaptadas para executarem dependendo da resposta do modelo ao final de cada iteração. 6.6. Ref.: 4254302 Pontos: 1,00 / 1,00 (Ano: 2018 Banca: FGV Prova: Prefeitura de Niterói - RJ - Analista de Políticas Públicas e Gestão Governamental - Gestão de Tecnologia) Analise a rede neural exibida a seguir. Sobre essa rede, analise as afirmativas a seguir. 1. Não possui camadas intermediárias (hidden layers). 2. Admite três sinais de entrada (input units) além do intercept term. 3. É apropriada para aplicações de deep learning. Está correto o que se afirma em II, apenas. I, apenas. III, apenas. I, II e III. I e II, apenas. EM2120177 - NOÇÕES GERAIS DE MINERAÇÃO DE DADOS 7.7. Ref.: 4653384 Pontos: 1,00 / 1,00 Em relação às ferramentas e os fundamentos de Data Mining, é correto afirmar: Data Mining é o processo de descobrir conhecimento em banco de dados, que envolve várias etapas. O KDD - Knowledge Discovery in Database é uma destas etapas, portanto, a mineração de dados é um conceito que abrange o KDD. Os dados podem ser não estruturados (bancos de dados, CRM, ERP), estruturados (texto, documentos, arquivos, mídias sociais, cloud) ou uma mistura de ambos (e-mails, SOA/web services, RSS). As ferramentas de Data Discovery mais completas possuem conectividade para todas essas origens de dados de forma segura e controlada. Estima-se que, atualmente, em média, 80% de todos os dados disponíveis são do tipo estruturado. Existem diversas ferramentas open source e comerciais de Data Discovery. Dentre as open source está a InfoSphere Data Explorer, e entre as comerciais está a Vivisimo, da IBM. A etapa de KDD do Data Mining consiste em aplicar técnicas que auxiliem na busca de relações entre os dados. De forma geral, existem três tipos de técnicas: Estatísticas, Exploratórias e Intuitivas. Todas são devidamente experimentadas e validadas para o processo de mineração. As ferramentas de Data Mining permitem ao usuário avaliar tendências e padrões não conhecidos entre os dados. Esses tipos de ferramentas podem utilizar técnicas avançadas de computação como redes neurais, algoritmos genéticos e lógica nebulosa, entre outras. 8.8. Ref.: 6106468 Pontos: 1,00 / 1,00 (TCM-PA/FCC-2010) Especificamente, um Data Mining no qual as tendências são modeladas conforme o tempo, usando dados conhecidos, e as tendências futuras são obtidas com base no modelo possui a forma de mining: Preditivo. Espacial. Textual. Estrela. Flocos de neve. EM2120178 - PROJETO DE SISTEMAS DE APRENDIZADO DE MÁQUINA 9.9. Ref.: 5429450 Pontos: 1,00 / 1,00 Bases de dados com registros cujos atributos nem sempre têm valores sofrem do problema de dados: faltantes fora da curva flutuantes repetidos aleatórios 10.10. Ref.: 5429426 Pontos: 0,00 / 1,00 Qual a primeira coisa a se fazer logo após validar o problema com os stakeholders? Regressão e agrupamento. Validar resultados. Classificação. Entender os dados. Calcular a medida F. Educational Performace Solution EPS ® - Alunos
Compartilhar