AV - MACHINE LEARNING

Prévia do material em texto

Disciplina: MACHINE LEARNING 
	AV
	Aluno: xpto
	xpto
	Professor: xpto
 
	Turma: 9001
	CCT1017_AV_xpto (AG) 
	 10/06/2022 12:00:35 (F) 
			Avaliação:
6,0
	Nota Partic.:
	Av. Parcial.:
1,5
	Nota SIA:
8,0 pts
	 
		
	EM2120031 - SISTEMAS DE APRENDIZADO DE MÁQUINA
	 
	 
	 1.
	Ref.: 4332286
	Pontos: 1,00  / 1,00
	
	Considere que a Sanasa busca realizar a gestão de recursos hídricos subterrâneos com base em parâmetros conhecidos que determinam a poluição das águas subterrâneas. Um desses parâmetros, para exemplificar, seria o nitrato, um indicador de poluição difusa de água subterrânea. Criando-se regras para realizar o aprendizado supervisionado do sistema de Data Mining utilizando-se uma certa técnica, chegar-se-á a um resultado que considera os diversos parâmetros para se descobrir se um certo aquífero tem água potável ou não, comparando-se com uma definição conhecida. Assinale a opção que identifica essa técnica:
		
	
	Clustering
	 
	Classificação
	
	Prediction
	
	Regressão
	
	Associação
	
	
	 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
	
	Estimativa de densidade
	 
	Clustering
	 
	Regressão
	
	Classificação
	
	
	 
		
	EM2120032 - TREINAMENTO DE MODELOS DE APRENDIZADO DE MÁQUINA
	 
	 
	 3.
	Ref.: 4392321
	Pontos: 1,00  / 1,00
	
	Um SVM Não Linear deve ser usado somente se:
		
	
	Os dados forem separáveis linearmente no espaço.
	
	O dataset tiver mais outliers do que o normal.
	
	O número de características for maior do que 10.
	
	For uma regressão.
	 
	O conjunto de observações no espaço amostral não puder ser delineado por uma reta.
	
	
	 4.
	Ref.: 4392325
	Pontos: 0,00  / 1,00
	
	A floresta aleatória é um dos modelos mais famosos da classe dos modelos incorporados. Qual seria o seu tipo de incorporação?
		
	
	Stacking somente.
	
	Stacking e Voting.
	
	Voting somente.
	 
	Bagging somente.
	 
	Bagging e Voting.
	
	
	 
		
	EM2120072 - REDES NEURAIS E APRENDIZADO PROFUNDO
	 
	 
	 5.
	Ref.: 4275261
	Pontos: 1,00  / 1,00
	
	(Ano: 2018 Banca: FGV Prova: Prefeitura de Niterói - RJ - Analista de Políticas Públicas e Gestão Governamental - Gestão de Tecnologia) No contexto das redes neurais, é comum o uso da função sigmoide no papel de função de ativação. Assinale a definição correta dessa função na referida aplicação.
		
	 
	σ(z)=11+e−zσ(z)=11+e−z
	
	σ(z)=z1+ezσ(z)=z1+ez
	
	σ(z)=1z+e−zσ(z)=1z+e−z
	
	e−ze−z
	
	σ(z)=11−ezσ(z)=11−ez
	
	
	 6.
	Ref.: 4254312
	Pontos: 0,00  / 1,00
	
	O desenvolvimento de um projeto de aprendizado profundo envolve diversas etapas que precisam ser bem planejadas e executadas, para que o projeto funcione corretamente. Em relação ao ciclo de vida de um projeto de aprendizado profundo, selecione a opção com a sequência correta de etapas.
		
	 
	Preparar os dados -> Construir modelos -> Treinar e ajustar modelos -> Fazer o Deploy do projeto.
	
	Construir modelos -> Treinar e ajustar modelos -> Preparar os dados -> Fazer o Deploy do projeto.
	
	Preparar os dados -> Treinar e ajustar modelos -> Construir modelos -> Fazer o Deploy do projeto.
	
	Construir modelos -> Preparar os dados -> Treinar e ajustar modelos -> Fazer o Deploy do projeto.
	 
	Preparar os dados -> Construir modelos -> Fazer o Deploy do projeto -> Treinar e ajustar modelos.
	
	
	 
		
	EM2120177 - NOÇÕES GERAIS DE MINERAÇÃO DE DADOS
	 
	 
	 7.
	Ref.: 4653389
	Pontos: 1,00  / 1,00
	
	A mineração de dados é uma solução cada vez mais buscada pelas empresas. Isso porque, desde que associada a bases de dados ou data warehouses, ela se torna uma poderosa ferramenta para a tomada de decisão empresarial, porque pode descobrir e descrever um conhecimento. Assinale a alternativa que apresenta somente duas das formas para descobrir conhecimento em mineração de dados.
		
	
	Fechamento para baixo e Atimonotonicidade.
	
	Agrupamentos e Algoritmo de buscas.
	 
	Hierarquias de classificação e Padrões sequenciais.
	
	Padrões dentro de série temporal e Agrupamentos.
	
	Regras de associação e Regras de dissociação.
	
	
	 8.
	Ref.: 4653384
	Pontos: 1,00  / 1,00
	
	Em relação às ferramentas e os fundamentos de Data Mining, é correto afirmar:
		
	 
	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.
	
	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.
	
	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.
	
	
	 
		
	EM2120178 - PROJETO DE SISTEMAS DE APRENDIZADO DE MÁQUINA
	 
	 
	 9.
	Ref.: 5429488
	Pontos: 0,00  / 1,00
	
	No treinamento de modelos de aprendizado de máquina, qual é a medida que indica, dentre todas as classificações de classe Positivo que o modelo fez, quantas estão corretas?
		
	
	 Risco
	 
	Acurácia
	
	 Eficácia
	
	 Eficiência
	 
	 Precisão
	
	
	 10.
	Ref.: 5429434
	Pontos: 1,00  / 1,00
	
	O erro do tipo 1 é um dos erros mais comuns nos experimentos científicos, inclusive no aprendizado de máquina. Qual seria ele?
		
	
	Verdadeiro Positivo
	
	Falso Falso
	
	 Falso Negativo
	 
	 Falso Positivo
	
	 Verdadeiro Negativo