AVS MACHINE LEARNING

Prévia do material em texto

CAROLINA SALVADE
202002168579
 
Disciplina: MACHINE LEARNING AVS
Aluno: CAROLINA SALVADE 202002168579
Professor: SIMONE KELLER FUCHTER
 
Turma: 9001
CCT1017_AVS_202002168579 (AG) 18/06/2022 06:55:51 (F) 
Avaliação:
7,0
Nota SIA:
9,0 pts
 
EM2120031 - SISTEMAS DE APRENDIZADO DE MÁQUINA 
 
 1.1. Ref.: 4329334 Pontos: 1,00 / 1,00
Sobre os modelos analíticos de aprendizado de máquina, considere que um big data é alimentado com dados
de um site de comércio eletrônico que armazena informações sobre navegação de usuários, produtos
comprados e preferências. Sendo assim os dados coletados de redes sociais podem ser correlacionados e
expostos pelo modelo de aprendizado de máquina:
Montessoriano
Estatístico
Tradicional
 Preditivo
Descritivo
 2.2. Ref.: 4332290 Pontos: 1,00 / 1,00
Acerca dos conceitos de aprendizado de máquina, julgue os itens seguintes:
I. Em aprendizado de máquina, as árvores de decisão podem ser usadas com sistemas de classificação, para
atribuir informação de tipo.
II. As aglomerações, tipos de informação obtidos por meio do aprendizado de máquina, caracterizam-se por
se ligarem a um único e específico evento, em torno do qual ocorrem várias ações, com produção sistêmica
de informações gerenciais que apoiarão uma nova ocorrência do mesmo tipo de evento.
III. Para a realização de prognósticos por meio de técnicas de aprendizado de máquina, parte-se de uma série
de valores existentes obtidos de dados históricos, bem como de suposições controladas a respeito das
condições futuras, para prever outros valores e situações que ocorrerão e, assim, planejar e preparar as ações
organizacionais.
Assinale a alternativa correta:
Apenas I está correta.
I e II estão corretas.
 I e III estão corretas.
Apenas III está correta.
Apenas II está correta.
 
EM2120032 - TREINAMENTO DE MODELOS DE APRENDIZADO DE MÁQUINA 
 
 3.3. Ref.: 4392321 Pontos: 0,00 / 1,00
Um SVM Não Linear deve ser usado somente se:
 Os dados forem separáveis linearmente no espaço.
O número de características for maior do que 10.
O dataset tiver mais outliers do que o normal.
 O conjunto de observações no espaço amostral não puder ser delineado por uma reta.
For uma regressão.
 4.4. Ref.: 4482258 Pontos: 1,00 / 1,00
Felipe é aluno de mestrado, e sua pesquisa trata da detecção automática de espécies na Floresta Amazônica.
Após seguir o método científico de revisar o estado da arte, de levantar as técnicas mais utilizadas, bem como
as características mais importantes utilizadas para modelar seus dados, é chegada a hora de implementar o
modelo de Aprendizado de Máquina para realização dos experimentos em questão. Dado que o problema de
pesquisa de Felipe é um problema de classificação de espécies, qual é o modelo mais indicado para ele
implementar?
 Classificador de Árvore de Decisão.
Classificador DBScan.
SVM Regressor.
Agrupador Kmeans.
Classificador Dendograma.
 
EM2120072 - REDES NEURAIS E APRENDIZADO PROFUNDO 
 
 5.5. Ref.: 4275264 Pontos: 0,00 / 1,00
O aprendizado por reforço é muito importante para os modelos de aprendizado de máquina. Trata-se de um
conjunto de elementos que se conectam por meio de responsabilidades bem delimitadas para atingir seu
objetivo. Em relação ao aprendizado por reforço, selecione a opção que não corresponde a uma característica
do modelo.
O agente é uma entidade que executa ações para ganhar alguma recompensa em um ambiente.
 O valor corresponde aos elementos do gradiente em determinada iteração.
A função valor calcula o valor total da recompensa.
 Valor Q trata do valor da recompensa de um agente em relação aos pares de estado-ação para
determinada política.
O estado corresponde a uma situação em que o agente se encontra em determinado momento.
 6.6. 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.
 
 
EM2120177 - NOÇÕES GERAIS DE MINERAÇÃO DE DADOS 
 
 7.7. Ref.: 6106467 Pontos: 1,00 / 1,00
(TCE-SP/FCC-2010) Considere uma dada população de eventos ou novos itens que podem ser particionados
(segmentados) em conjuntos de elementos similares, tal como, por exemplo, uma população de dados sobre
uma doença que pode ser dividida em grupos baseados na similaridade dos efeitos colaterais produzidos. Um
dos modos de descrever o conhecimento descoberto durante a Data Mining é chamado de:
Associação.
Classificação.
 Clustering.
Otimização.
Temporização.
 8.8. Ref.: 4665269 Pontos: 1,00 / 1,00
No âmbito da descoberta do conhecimento (KDD), a visão geral das etapas que constituem o processo KDD
(Fayyad) e que são executadas de forma interativa e iterativa apresenta a seguinte sequência de etapas:
Data warehousing, star modeling, ETL, OLAP e data mining.
ETL, data warehousing, pré-processamento, transformação e star modeling.
Seleção, transformação, pré-processamento, interpretação/avaliação e data mining.
 Seleção, pré-processamento, transformação, data mining e interpretação/avaliação.
OLAP, ETL, star modeling, data mining e interpretação/avaliação.
e!z
!(z) = z1+ez
!(z) = 1
z+e!z
!(z) = 1
1+e!z
!(z) = 11!ez
 
EM2120178 - PROJETO DE SISTEMAS DE APRENDIZADO DE MÁQUINA 
 
 9.9. Ref.: 5429478 Pontos: 0,00 / 1,00
Filipe é cientista de dados e seu projeto trata da detecção automática de bons pagadores. Após seguir o
método científico de revisar o estado da arte, de levantar as técnicas mais utilizadas, bem como as
características mais importantes usadas para modelar seus dados, qual a próxima a etapa a ser seguida?
 Deployment do modelo.
Criação de modelos.
 Avaliação de resultados.
Adaptação dos modelos.
 Entendimento dos dados.
 10.10. Ref.: 5429402 Pontos: 1,00 / 1,00
Gráficos de linha na análise exploratória expressam o quê?
 Crescimento
 Correlação
Unicidade
 Variação
 Relação de temporalidade
Educational Performace Solution EPS ® - Alunos