Respostas Trabalho Prático do Módulo 4_ 2022-5A - Bootcamp - Engenheiro(a) de Machine Learning

Prévia do material em texto

Trabalho Prático do Módulo 4
Entrega 12 jul em 21:00 Pontos 25 Perguntas 15
Disponível até 12 jul em 21:00 Limite de tempo Nenhum
Instruções
Histórico de tentativas
Tentativa Tempo Pontuação
MAIS RECENTE Tentativa 1 1.671 minutos 25 de 25
 As respostas corretas estarão disponíveis em 15 jul em 23:59.
Pontuação deste teste: 25 de 25
Enviado 11 jul em 20:41
O Trabalho Prático do Módulo 4 está disponível!
1. Instruções para realizar o trabalho prático
Consulte a data de entrega no teste e em seu calendário.
Reserve um tempo para realizar a atividade, leia as orientações e enunciados com atenção. Em
caso de dúvidas utilize o "Fórum de dúvidas do Trabalho Prático do Módulo 4".
Para iniciá-lo clique em "Fazer teste". Você tem somente uma tentativa e não há limite de tempo
definido para realizá-lo. Caso precise interromper a atividade, apenas deixe a página e, ao retornar,
clique em "Retomar teste".
Clique em "Enviar teste" somente quando você concluí-lo. Antes de enviar confira todas as
questões.
Caso o teste seja iniciado e não enviado até o final do prazo de entrega, a plataforma enviará a
tentativa não finalizada automaticamente, independente do progresso no teste. Fique atento ao seu
teste e ao prazo final, pois novas tentativas só serão concedidas em casos de questões médicas.
O gabarito será disponibilizado partir de sexta-feira, 15/07/2022, às 23h59.
Bons estudos!
2. O arquivo abaixo contém o enunciado do trabalho prático
Enunciado do Trabalho Prático – Módulo 4 – Bootcamp Engenheiro(a) de Machine
Learning.pdf
https://online.igti.com.br/courses/4755/quizzes/57828/history?version=1
https://online.igti.com.br/courses/4755/files/310852/download
Esta tentativa levou 1.671 minutos.
1,66 / 1,66 ptsPergunta 1
Qual é o tipo de aprendizado de máquina no caso apresentado?
 Regressão. 
 Agrupamento. 
 Associação. 
 Classificação. 
1,66 / 1,66 ptsPergunta 2
Qual a quantidade de registros havia no dataset original?
 100. 
 21613. 
 21. 
 10. 
1,66 / 1,66 ptsPergunta 3
Qual a quantidade de atributos que cada registro possuía
originalmente?
 1. 
 21. 
 10. 
 21613. 
1,66 / 1,66 ptsPergunta 4
Qual comando exibe um resumo estatístico do dataframe?
 house_df.info() 
 house_df.describe() 
 house_df.describe 
 house_df.info 
1,66 / 1,66 ptsPergunta 5
Nos dados importados, qual o ano de construção da casa mais antiga?
 2000. 
 2014. 
 1900. 
 2015. 
1,66 / 1,66 ptsPergunta 6
Nos dados importados, qual o tamanho do maior imóvel?
 500 m2. 
 13540 m2. 
 20900 m2. 
 930 m2. 
1,66 / 1,66 ptsPergunta 7
Qual comando exibe um gráfico de dispersão entre todos os tributos?
 sns.pairplot(house_df); 
 house_df.hist(bins = 20, figsize = (20,20), color = 'g'); 
 sns.heatmap(house_df.corr(), annot = True, cmap="YlGnBu"); 
 sns.scatterplot(x = 'sqft_living', y = 'price', data = house_df); 
1,66 / 1,66 ptsPergunta 8
Entre as opções abaixo, selecione o atributo que possui a maior
relação com o preço:
 grade. 
 bedrooms. 
 condition. 
 bathrooms. 
1,66 / 1,66 ptsPergunta 9
Qual a correlação entre a quantidade de banheiros (bathrooms) e o
tamanho da casa (sqft_living), de acordo com os dados?
 Forte correlação, visto que o valor é de 0.75. 
 Forte correlação, visto que o valor é de 0.70. 
 Fraca correlação, visto que o valor é de 0.75. 
 Fraca correlação, visto que o valor é de 0.70. 
1,66 / 1,66 ptsPergunta 10
De acordo com o comando:
epochs_hist = model.fit(X_train, y_train, epochs = 100, batch_size =
50, validation_split = 0.2)
Qual a proporção de dados utilizados para treinar o modelo?
 100%. 
 80%. 
 20%. 
 50%. 
1,66 / 1,66 ptsPergunta 11
Sabendo que “sqft_living” apresenta uma correlação com o “price” do
imóvel, o que se espera ao adicionar o atributo “bathrooms” à
estimativa do modelo?
 
Que a eficiência do modelo piore, visto que este atributo possui baixa
correlação com o preço do imóvel.
 
Que a eficiência do modelo melhore, visto que este atributo pode
agregar menos informação ao preço do imóvel.
 
Que a eficiência do modelo melhore, visto que este atributo pode
agregar mais informação ao preço do imóvel.
 
Que a eficiência do modelo piore, visto que este atributo possui alta
correlação com o preço do imóvel.
1,66 / 1,66 ptsPergunta 12
No gráfico de histograma dos dados originais, quantos imóveis
possuem dois andares?
 Aproximadamente 2000 imóveis. 
 Aproximadamente 8000 imóveis. 
 Aproximadamente 10000 imóveis. 
 Aproximadamente 1000 imóveis. 
1,66 / 1,66 ptsPergunta 13
No comando “train_test_split”, o parâmetro “random_state=0” permite:
 Gerar zero aleatoriedade entre os dados de train e test. 
 Gerar máxima aleatoriedade entre os dados de train e test. 
 
Gerar os mesmos dados de train e test, caso o experimento seja
reproduzido.
 Gerar mínima aleatoriedade entre os dados de train e test. 
1,66 / 1,66 ptsPergunta 14
Para o caso apresentado, se a medida MAE (Mean Absolute Error),
resultar em 1000, significa que:
 Os valores previstos possuem 1000 registros errados. 
 Os valores previstos possuem 10% de registros errados. 
 Os valores previstos possuem uma margem de 1000% de erro. 
 
Os valores previstos possuem uma margem de 1000 dólares de erro. 
1,76 / 1,76 ptsPergunta 15
Qual das opções NÃO pode ser considerado um Ambiente de
Desenvolvimento Integrado?
 PyCharm. 
 IDE. 
 Visual Studio Code. 
 Google Colab. 
Pontuação do teste: 25 de 25