Baixe o app para aproveitar ainda mais
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
Compartilhar