Apol 04

Prévia do material em texto

Questão 1/12 - Machine Learning
“Machine Learning atualmente é considerada como uma subárea da Inteligência Artificial, e nós devemos diferenciá-la dos métodos de Inteligência Artificial (IA) que lidam com problemas de busca, agentes inteligentes e resolução de problemas, como por exemplo fazer com que o computador consiga definir a melhor jogada em uma partida de xadrez ou encontrar a saída de um labirinto.” (Material impresso da Aula 1 – Tema 2).
Sobre ML é correto afirmar:
Nota: 0.0
	
	A
	 
Uma grande vantagem dos métodos de Machine Learning é que o processo de aprendizagem pode ser automatizado à medida que novos exemplos são identificados e apresentados ao algoritmo.
Conforme Aula 1 Tema 2.1.
	
	B
	 
Machine Learning pode ser compreendida como um conjunto de técnicas ou métodos que permitem às máquinas obter a capacidade de raciocínio líquido, utilizando o conhecimento armazenado, permitindo novas conclusões, durante a comunicação.
	
	C
	Uma grande vantagem dos métodos de Machine Learning é que o processo de aprendizagem não depende de visão computacional ligada as estruturas de busca mas sim buscas em sistemas especialistas.
	
	D
	Machine Learning não pode ser totalmente compreendida uma vez que técnicas ou métodos que permitem às máquinas obter a capacidade de raciocínio líquido, ainda não são conhecidas, nem mesmo durante a comunicação.
Questão 2/12 - 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 membros da equipe gostaria de retirar um parâmetro, que aparentemente não faz nada. O código em questão era:
mlp_clf = MLPClassifier(warm_start=True, max_iter=500,
                                                         hidden_layer_sizes=(50,50),
                                                         learning_rate = 'adaptive')
E o parâmetro a ser eliminado era: learning_rate = 'adaptive'
Contudo este membro não possui conhecimento de métodos de aprendizagem de máquina e recorreu a você para o explicasse da importância desse parâmetro.
De acordo com os seus conhecimentos de  aprendizagem de máquina e de treinamento de modelos do tipo perceptron de múltiplas camadas,  esse parâmetro:
Nota: 10.0
	
	A
	deve ser eliminado, pois atrapalha
	
	B
	deve ser mantido, pois determina como o modelo aprende
Você acertou!
Justificativa:
O parâmetro learning_rate diz respeito à velocidade com que o modelo aprende, por meio da determinar da forma como são feitos os incrementos nos pesos dos neurônios.
	
	C
	deve ser corrigido, pois está errado
	
	D
	pode ser mantido ou excluído, não faz diferença
	
	E
	não serve para esse tipo de modelo
Questão 3/12 - 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 4/12 - Machine Learning
“Após a extração e seleção de atributos, os vetores de atributos servem como entradas para os métodos de aprendizagem de máquina. Esses métodos utilizam as informações fornecidas para criar um conhecimento sobre como os dados fornecidos estão organizados e distribuídos. A escolha do método que será utilizado, assim como no caso dos atributos, depende do problema.” (Material impresso da Aula 1 – Tema 4).
Sobre tipos de aprendizagem é correto afirmar:
Nota: 0.0
	
	A
	Aprendizagem supervisionada é aquela que se assemelha a escolha de uma caminho em grafos. Sempre que fazemos uma busca em profundidade se obtém a completitude ótima
	
	B
	Machine Learning pode ser compreendida como um conjunto de técnicas ou métodos que permitem às máquinas aprender por meio da visão computacional.
	
	C
	A aprendizagem por reforço é um tipo de machine learning voltado a redes neureais naturais baseadas no Perceptron de Rosemblatt.
	
	D
	Os métodos de aprendizagem supervisionada são aqueles cujos dados fornecidos para o processo de aprendizagem e incluem exemplos com a identificação da solução desejada
Conforme Aula 1 Tema 4.1.
Questão 5/12 - Machine Learning
Já na década de 1950, o cientista Alan Turing, considerado um dos pais da IA, projetou um teste – Teste de Turing – que ainda permanece alvo de estudos e investigação nos dias atuais. Conhecer este teste é importante, pois por meio dele podemos ter uma noção mais clara do desenvolvimento da área e de subáreas que se estruturam dentro do campo da IA. (Material impresso da Aula 1 – Tema 1).
Como você descreveria o Teste de Touring?
Nota: 0.0
	
	A
	Uma entidade interage com um entrevistador e suas perguntas são passadas a um segundo entrevistador por um computador sem o conhecimento da entidade. Ao receber as respostas, se o entrevistador 1 conseguir distinguir se estas respostas foram produzidas por um humano, o computador passaria no teste.
 
	
	B
	Um entrevistador interage com uma entidade, sem visualizá-la e suas perguntas são passadas por escrito para esta entidade, um computador. Ao receber as respostas se o entrevistador não conseguir distinguir se estas respostas foram produzidas por um humano ou por um computador, o computador passaria no teste.
Conforme Aula 1 Tema 1.1.
	
	C
	Um computador interage com um entrevistador e suas perguntas são passadas por escrito para este entrevistador. Ao receber as respostas se o computador conseguir interpreta-las, o computador passaria no teste.
	
	D
	Um entrevistador interage com outro entrevistador, sem visualizá-lo e suas perguntas são passadas ao segundo entrevistador por um computador dito entidade. Ao receber as respostas, se o entrevistador 1 conseguir distinguir se estas respostas foram produzidas por um humano, o computador passaria no teste.
 
Questão 6/12 - Machine Learning
O termo one-hot descreve um grupo de bits onde apenas um dos bits é 1 (um) e todos os demais 0 (zero). Em aprendizagem de máquina, existe um método chamado one-hot enconding que é utilizada para lidar com dados categóricos.”
Considere que você possui um conjunto de dados onde já um campo Idiomas que podem assumir 3 valores: português, espanhol e inglês. Valendo dos seus conhecimentos sobre dados categóricos, uma possível codificação one-hot para este campo seria:
Nota: 10.0
	
	A
	português (1), espanhol (2), francês (3)
	
	B
	português (00), espanhol (10), francês (11)
	
	C
	português (000), espanhol (001), francês (010)
	
	D
	português (001), espanhol (002), francês (003)
	
	E
	português (001), espanhol (010), francês (100)
Você acertou!
Justificativa:
Como se trata de 3 valores possíveis e a codificação one-hot exige que somente uma posição do valor seja igual a 1, logo a opção 001,010,100 seria a escolha correta.
Questão 7/12 - 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 absolutosde 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 8/12 - Machine Learning
Após executarmos o processo de treinamento de um modelo de aprendizagem é preciso avaliar o seu desempenho eu um conjunto de dados, do qual temos a informação das categorias das instâncias, permitindo avaliar se o modelo necessita de modificações.
Considerando o texto acima e valendo-se do seu conhecimento sobre aprendizagem de máquina,  pode-se afirmar que além da medida de acurácia, também podem ser utilizadas as medidas de :
Nota: 10.0
	
	A
	recall e taxa de acertos
	
	B
	recall e taxa de erros
	
	C
	taxa de erros e acertos
	
	D
	recall e precisão
Você acertou!
Justificativa:
Das opções de resposta apresentadas, apenas recall e precisão se referem à medidas que permitem avaliar a qualidade preditiva de um modelo.
	
	E
	taxa de falsos positivos
Questão 9/12 - Machine Learning
Você necessita executar o treinamento de um modelo de aprendizagem, porém a quantidade de dados disponíveis é muito pequena e não há como obter novos dados.
Valendo-se dos seus conhecimento de aprendizagem de máquina, para conseguir executar o treinamento do modelo você deverá:
Nota: 0.0
	
	A
	utilizar uma estratégia de validação cruzada
Justificativa:
Quando a quantidade de dados é muito pequena é aconselhável utilizar um processo de validação cruzada, onde se divide o conjunto de treino em n partes, e n-1 partes são utilizadas para treino e 1 parte é utilizada para testes. Esse processo deve ser repetido de forma que todas as partes, possam pelo menos uma vez serem utilizadas como teste e o processo de aprendizagem utilizando as n partes seja cumulativo.
	
	B
	utilizar os dados na proporção 80-20
	
	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 10/12 - 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 e gostaria de obter mais informações sobre os dados de treinamento.
De acordo com os seus conhecimentos de  aprendizagem de máquina e utilizando apenas as informações fornecidas pelo gráfico podemos concluir que:
Nota: 10.0
	
	A
	a base de testes possui 1845 instâncias
Você acertou!
Justificativa:
Não se pode fazer inferências sobre a divisão da base de treino ou o seu uso. Contudo, podemos somar o quantitativo de todas as instâncias preditas o que nos dá o total de 1845 instâncias.
	
	B
	a base de testes possui 1720 instâncias
	
	C
	a base de testes está dividida proporcionalmente
	
	D
	não foi usada uma base de treino
	
	E
	não há informações suficientes
Questão 11/12 - Machine Learning (questão opcional)
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,))
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
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 aumenta, a quantidade de camadas da rede também.
	
	C
	diminuir a quantidade de camadas da rede
	
	D
	estabilizar as camadas da rede
	
	E
	aumentar o número de nós da rede
Questão 12/12 - Machine Learning (questão opcional)
O gráfico acima mostra o resultado da execução de um algoritmo k-means, indicando a soma das distâncias intra-clusters x nº de clusters.
De acordo com o seu conhecimento do algoritmo k-means e do método do cotovelo para determinar o melhor número de clusters, o valor mais adequado se encontra no intervalo:
Nota: 10.0
	
	A
	entre 6 e 8
	
	B
	acima de 10
	
	C
	abaixo de 2
	
	D
	entre 2 e 4
	
	E
	entre 4 e 6
Você acertou!
Justificativa:
De acordo com o método do cotovelo deve escolher o valor onde ocorre a maior inflexão do gráfico. Neste caso, entre os valores 4 e 6.