Prévia do material em texto
Questão 1/10 - Machine Learning Durante o processo de treinamento supervisionado de uma rede neural para reconhecimento de imagens, os dados são preparados colocando uma indicação da categoria a qual cada imagem pertence. Durante o processo de treinamento, os dados da imagem acima foram fornecidos para uma rede neural, sendo a parte inferior da imagem a etiqueta de categoria. De acordo com os seus conhecimentos sobre treinamento de redes neurais para reconhecimento de imagens, a rede neural irá: Nota: 10.0 A descartar as imagens que estão com etiqueta incorreta B irá corrigir as etiquetas erradas C será treinada e indicará que há dados incorretos D não será treinada, retornando um erro E será treinada com as etiquetas incorretas Você acertou! Justificativa: Durante o fornecimento dos dados de treino para um modelo, se houver instâncias identificadas com categorias erradas, o modelo não conseguirá fazer a distinção entre instâncias que foram identificadas corretamente e aquelas que não foram. Assim, o modelo é treinado com os dados identificados de forma incorreta. Questão 2/10 - Machine Learning Você foi contratado para o posto de cientista de dados, para compor uma equipe, que atualmente já trabalha com dados, mas não possui experiência em aprendizagem de máquina. Um das suas primeiras tarefas designadas, foi a explanação de trechos de códigos em linguagem relacionados ao treinamento de modelos de aprendizagem de máquina. Um dos trechos que a equipe gostaria de compreender se refere a uma troca de códigos, onde o código: mlp_clf = MLPClassifier(warm_start=True, max_iter=500, hidden_layer_sizes=(100,50,50)) Foi substituído por: mlp_clf = MLPClassifier(warm_start=True, max_iter=500, hidden_layer_sizes=(50,50)) De acordo com os seus conhecimentos de aprendizagem de máquina, a substituição de código foi feita para: Nota: 0.0 A alterar o tipo do classificador B aumentar a quantidade de camadas da rede C diminuir a quantidade de camadas da rede Justificativa: O parâmetro hidden_layer_sizes é uma tupla na qual cada elemento indica a quantidade de neurônios em cada camada. Como o código apresentado o número de elementos diminui, a quantidade de camadas da rede também. D estabilizar as camadas da rede E aumentar o número de nós da rede Questão 3/10 - Machine Learning Você necessita executar o treinamento de um modelo de aprendizagem. Sabendo que é preciso dividir os dados em treinamento e em testes, você resolve utilizar uma proporção que é bastante utilizada e recomendada, na qual se fornece mais dados para treino que para testes. Valendo-se dos seus conhecimento de aprendizagem de máquina, para conseguir executar o treinamento do modelo você deverá: Nota: 10.0 A utilizar uma estratégia de validação cruzada B utilizar os dados na proporção 80-20 Você acertou! Justificativa: A proporção 80% para treino e 20% para testes é comumente utilizada no processo de separação dos dados. Sendo inclusive recomendada, ainda que não seja a única forma de particionar os dados. C utilizar os dados na proporção 50-50 D treinar e testar com os mesmos dados E utilizar todos os dados para treino e não testar Questão 4/10 - Machine Learning O chefe de uma equipe de ciência de dados recebeu o resultado do treinamento de um modelo de aprendizagem de máquina, conforme a imagem acima. De acordo com os seus conhecimentos de aprendizagem de máquina, a acurácia deste modelo é de aproximadamente: Nota: 10.0 A 33% B 78% C 14% D 64% Você acertou! Justificativa: O valor da acurácia (AC) é obtido calculando (TP + TN)/(TP+TN+FP+FN), onde TP – True Positives (Verdadeiros Positivos) TN – True Negatives (Verdadeiros Negativos) FP – False Positives (Falsos Positivos) FN – False Negatives (Falsos Negativos) De acordo com a matriz de confusão dada: TP = 3301 TN = 1220 FP = 1403 FN = 1454 Logo, AC = (3301+1454)/(3301+1220+1403+1454) = 0,64 E 100% Questão 5/10 - Machine Learning Os modelos de aprendizagem de máquina, necessitam que os dados que lhe são fornecidos sejam convertidos para valores numéricos. Assim, quando temos dados que necessitam de conversão, pode-se utilizar um processo de categorizar uma variável. Representando cada possível valor por um número distinto, e que, se possível represente uma relação de hierarquia ou precedência entre os possíveis valores. De acordo com os seus conhecimentos sobre dados categóricos e one-hot encoding, podemos dizer que uma grande diferença entre representar uma variável categórica por valores numéricos e one-hot encoding é: Nota: 10.0 A que a primeira representa melhor que segunda B que a segunda representa melhor que a primeira C a primeira serve apenas determinados tipos de valores D a segunda serve apenas para determinados tipos de valores E a segunda cria variáveis derivadas, aumentando o número de atributos Você acertou! Justificativa: Quando convertemos um atributo para one-hot encode, passamos a ter novos atributos que indicam a presença ou não daquele valor. Por exemplo, se tivermos uma variável com dois valores possíveis, ela seria representada como atributoN = 1 ou atributoN = 2. Quando temos a codificação one-hot encode para a mesma variável, ela será feita da seguinte forma, atributoN_valor1 = 0 ou atributoN_valor1 = 1, atributoN_valor2 = 0 ou atributoN_valor2 = 1. Assim temos novas variáveis derivadas a partir dos valores que a mesma pode assumir. Questão 6/10 - Machine Learning Você foi contratado para o posto de cientista de dados, para compor uma equipe, que atualmente já trabalha com dados, mas não possui experiência em aprendizagem de máquina. Um das suas primeiras tarefas designadas foi a avaliação de modelos treinados. A imagem abaixo foi enviada junto com as informações do primeiro modelo que você deveria avaliar. Utilizando os seus conhecimentos de aprendizagem de máquina e as informações fornecidas pelo gráfico, você informou que o modelo treinado: Nota: 10.0 A deveria ser retreinado para predizer corretamente das as instâncias de treino B não tinha dados suficientes para treino C deveria ser substituído por um kNN D estava pronto para ser colocado em produção Você acertou! Justificativa: Quando analisamos visualmente o desempenho de um modelo como descrito no texto base, quanto mais alinhados com a reta diagonal, melhor pode ser considerado o desempenho do modelo. E apresentava um desempenho ruim e deveria ser retreinado Questão 7/10 - Machine Learning Você necessita implementar um módulo de detecção de spam. Como o volume e a frequência de e-mails muito alta, você precisa de um algoritmo de classificação que permita obter de forma rápida a identificação se o e-mail recebida se trata ou não de um spam, ainda que alguns falsos positivos possam ocorrer. Usando os seus conhecimentos de aprendizagem de máquina, você optaria por um algoritmo de: Nota: 10.0 A classificador bayesiano Você acertou! Justificativa: Modelos de agrupamento hierárquico e do tipo k-NN não são indicados, pois eles comparam uma instância com todos as outras instâncias, não respondendo de forma rápida. Métodos de redes neurais (MLP, CNN) tendem a necessitar de muita memória e processamento, o que faz com que demorem em dar uma resposta rápida. Já modelos do tipo classificador bayesiano tendem a ser mais rápidos que os demais, ainda que a sua precisão e taxa de erros seja maior que outros algoritmos. B agrupamento hierárquico C rede neural profunda D k-NN E rede neural do tipo CNN Questão 8/10 - Machine Learning Os modelos de regressão logística e regressão linear, apresentam semelhanças, além do nome. No entanto, utilizam funções diferentes para obtenção dos valores, apresentando outras diferenças entre si que determinam os diferentes usopara os quais os modelos podem ser aplicados. Considerando o texto acima e valendo-se do seu conhecimento sobre aprendizagem de máquina, de maneria simplificada podemos dizer que a principal diferença entre os modelos é: Nota: 10.0 A o tipo treinamento B a predição de valores contínuos e discretos Você acertou! Justificativa: A regressão logística realiza a predição de valores discretos, em intervalos determinados. Enquanto a regressão linear realiza a predição de valores contínuos. C vetores de atributos com tamanhos distintos D as categorias utilizadas E o número de categorias Questão 9/10 - Machine Learning Você recebeu um grande conjunto de dados para realizar o treinamento de um modelo de aprendizagem, porém durante o processo de exploração dos dados, você percebeu que havia uma enorme discrepância entre os valores absolutos de alguns atributos. Valendo-se dos seus conhecimento de aprendizagem de máquina, para evitar que essas discrepâncias prejudiquem o desempenho do seu modelo, você deverá executar nos dados um processo de : Nota: 10.0 A separação B identificação C normalização Você acertou! Justificativa: Quando os valores absolutos os atributos apresentam grandes discrepâncias é necessário fazer um processo de normalização, para assim evitar que essas diferenças de magnitude prejudiquem o processo de aprendizagem. D limpeza E redução Questão 10/10 - Machine Learning Você foi contratado para o posto de cientista de dados, para compor uma equipe, que atualmente já trabalha com dados, mas não possui experiência em aprendizagem de máquina. Um das suas primeiras tarefas designadas, foi planejar um modelo de aprendizagem de máquina para buscar determinar o preço de produtos com os quais um cliente trabalha. Utilizando os seus conhecimentos de aprendizagem de máquina e sabendo que a sua equipe dispõe de capacidade de processamento e dados em abundância, você recomendaria a utilização de: Nota: 0.0 A um classificador bayesiano B um modelo de regressão linear Justificativa: A predição de preços é uma tarefa de predição continua, sendo necessário utilizar um modelo regressivo e não um categórico ou uma rede neural. Assim, o mais adequado seria um modelo de regressão linear. C uma classificador do tipo k-NN D uma rede neural do tipo LSTM E uma rede neura do tipo CNN