Teste_ AO2 antes da correção

Prévia do material em texto

19/06/2022 17:05 Teste: AO2
https://famonline.instructure.com/courses/20486/quizzes/91084/take 1/12
AO2
Iniciado: 19 jun em 15:47
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
Considere a seguinte distribuição conjunta de probabilidade:
 
 
Fonte: LORENA, A. C., FARIA, F. A. Representação do Conhecimento –
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: 
A+
A
A-
19/06/2022 17:05 Teste: AO2
https://famonline.instructure.com/courses/20486/quizzes/91084/take 2/12
II e III, apenas.
III e IV, apenas.
II e IV, apenas.
I e II, apenas.
I e III, apenas.
0,6 ptsPergunta 2
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
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
A+
A
A-
19/06/2022 17:05 Teste: AO2
https://famonline.instructure.com/courses/20486/quizzes/91084/take 3/12
I e II, apenas.
I e III, apenas.
I e IV, apenas.
II e III, apenas.
III e IV, apenas.
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 3
a transformação, a mineração e a avaliação dos dados.
a análise descritiva, a associação e a detecção de anomalias nos 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-
19/06/2022 17:05 Teste: AO2
https://famonline.instructure.com/courses/20486/quizzes/91084/take 4/12
o agrupamento e a associação dos dados.
a limpeza, a integração, a seleção ou redução e a transformação dos dados.
a análise descritiva, o agrupamento e a predição dos dados.
0,6 ptsPergunta 4
Avalie o diagrama a seguir:
 
 
Fonte: JANOS, M. 3 Dimensões Inteligência Artificial nas Empresas, 2020.
Disponível em: https://www.3dimensoes.com.br/post/overfitting-e-underfitting.
Acesso em: 07 out. 2020.
 
Sobre a tarefa de regressão linear, o diagrama descreve exemplos de funções
aprendidas a partir da análise de dados. Nesse contexto, selecione a alternativa
A+
A
A-
19/06/2022 17:05 Teste: AO2
https://famonline.instructure.com/courses/20486/quizzes/91084/take 5/12
Overfitting é o nome que se dá quando há muitas variáveis independentes no
conjunto de dados.
Interfitting é o nome que se dá quando há uma correlação forte entre os valores das
variáveis independentes e as dependentes.
Subfitting é o nome que se dá quando há poucas variáveis independentes no
conjunto de dados.
Superfitting é o nome que se dá quando há muito ajuste dos dados pela curva da
função aprendida.
Underfitting é o nome que se dá quando há pouco ajuste dos dados pela curva da
função aprendida.
correta, dentre as disponíveis abaixo, sobre o ajustamento de funções lineares
aos dados. 
0,6 ptsPergunta 5
Leia o texto a seguir:
 
“Essas funções são baseadas em critérios que avaliam o quão bom cada atributo
é no papel de dividir o conjunto de dados, considerando a distribuição de classes
presentes no conjunto. [...] O índice Gini usa um critério baseado em impureza
para analisar as diferenças entre as distribuições de probabilidade dos valores
dos atributos de classe.”
 
Fonte: DA SILVA, L. A.; PERES, S. M.; BOSCARIOLI, C. Introdução à
Mineração de Dados Com aplicações em R. Rio de Janeiro: Elsevier, 2016. p.
104.
 
Avalie as seguintes asserções e a relação proposta entre elas.
 
I. A escolha de um atributo para dividir um conjunto de dados pode ser feita com
a utilização do índice Gini, quanto menor for o valor calculado mais puras serão
as partições;
A+
A
A-
19/06/2022 17:05 Teste: AO2
https://famonline.instructure.com/courses/20486/quizzes/91084/take 6/12
As asserções I e II são proposições verdadeiras, mas a II não é uma justificativa da I.
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 falsa, e a II é uma proposição verdadeira.
A asserção I é uma proposição verdadeira, e a II é uma proposição falsa.
 
PORQUE
 
II. O índice Gini calcula a proporção de classes diferentes em uma partição e
quanto maior for a heterogeneidade da partição, tanto maior será o valor do
índice.
 
A respeito dessas asserções, assinale a opção correta:
0,6 ptsPergunta 6
Leia o texto a seguir:
 
“As funcionalidades da mineração de dados são usadas para especificar os tipos
de informações a serem obtidas nas tarefas de mineração. [...] Em muitos casos,
o usuário não tem ideia do tipo de conhecimento contido nos dados ou como usá-
lo para gerar modelos preditivos, [...]”
 
Fonte: CASTRO, L. N.; FERRARI, D. G. Introdução à mineração de dados:
conceitos básicos, algoritmos e aplicações. São Paulo: Saraiva, 2016. p. 7.
 
Considere as seguintes descrições a respeito das tarefas de Mineração de
Dados:
 
A+
A
A-
19/06/2022 17:05 Teste: AO2
https://famonline.instructure.com/courses/20486/quizzes/91084/take 7/12
I e II, apenas.
III e IV, apenas.
I e IV, apenas.
II e III, apenas.
I e III, apenas.
I. A análise descritiva tem por objetivo medir, explorar e descrever
características intrínsecas aos dados.
II. A predição tem por objetivo produzir modelos para avaliar a classe ou valor de
um objeto rotulado.
III. A análise de grupos tem por objetivo separar um conjunto de objetos em
grupos, a partir da aprendizagem supervisionada.
IV. A associação tem por objetivo encontrar relações entre os atributos em uma
base de dados transacional.
 
É correto o que se afirma apenas em: 
0,6 ptsPergunta 7
Leia o texto abaixo:
 
O processo de mineração corresponde à extração de minerais valiosos, como
ouro e pedraspreciosas, 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.
 
A+
A
A-
19/06/2022 17:05 Teste: AO2
https://famonline.instructure.com/courses/20486/quizzes/91084/take 8/12
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).
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).
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 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).
Considerando as informações apresentadas, assinale a opção correta.
0,6 ptsPergunta 8
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
A+
A
A-
19/06/2022 17:05 Teste: AO2
https://famonline.instructure.com/courses/20486/quizzes/91084/take 9/12
As asserções I e II são proposições verdadeiras, e a II é uma justificativa da I.
As asserções I e II são ambas proposições falsas.
A asserção I é uma proposição falsa, e a II é uma proposição verdadeira.
A asserção I é uma proposição verdadeira, e a II é uma proposição falsa.
As asserções I e II são proposições verdadeiras, mas a II não é uma justificativa da I.
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 respeito dessas asserções, assinale a opção correta:
0,6 ptsPergunta 9
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:
 conceitos básicos, algoritmos e aplicações. São Paulo: Saraiva, 2016. p. 34.
 
A+
A
A-
19/06/2022 17:05 Teste: AO2
https://famonline.instructure.com/courses/20486/quizzes/91084/take 10/12
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 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 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 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 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 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.
Qual alternativa descreve corretamente as principais tarefas de pré-
processamento?
0,6 ptsPergunta 10
Leia o texto abaixo:
 
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
A+
A
A-
19/06/2022 17:05 Teste: AO2
https://famonline.instructure.com/courses/20486/quizzes/91084/take 11/12
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.
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.
Cada nó folha (temperatura) representa uma decisão sugerida pelo modelo
classificador para a ocasião, sugestão esta, presente no atributo rótulo do conjunto
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.
Segundo o modelo representado pela árvore, se a ocasião se refere à temperatura
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-
19/06/2022 17:05 Teste: AO2
https://famonline.instructure.com/courses/20486/quizzes/91084/take 12/12
Salvo em 17:04 
alta e à hora do jantar, deve-se optar por um prato frio.
Enviar teste
A+
A
A-