Trabalho Prático do Módulo 4_ 2022-8A - Bootcamp Arquiteto(a) de Machine Learning

Prévia do material em texto

Trabalho Prático do Módulo 4
Entrega 13 out em 21:00 Pontos 25 Perguntas 15
Disponível até 13 out em 21:00 Limite de tempo Nenhum
Instruções
Histórico de tentativas
Tentativa Tempo Pontuação
MAIS RECENTE Tentativa 1 449 minutos 25 de 25
 As respostas corretas estarão disponíveis em 14 out em 23:59.
Pontuação deste teste: 25 de 25
Enviado 13 out em 17:04
Esta tentativa levou 449 minutos.
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 a partir de sexta-feira, 14/10/2022, às 23h59.
Bons estudos!
2. O arquivo abaixo contém o enunciado do trabalho prático
Enunciado do Trabalho Prático – Módulo 4 – Bootcamp Arquiteto(a) de Machine Learning.pdf
1,67 / 1,67 ptsPergunta 1
https://online.igti.com.br/courses/4867/quizzes/65810/history?version=1
https://online.igti.com.br/courses/4867/files/349377/download
Quantos tipos de dados distintos existem? 
 5. 
 2. 
 4. 
 1. 
1,67 / 1,67 ptsPergunta 2
Quantos valores nulos existem no dataset IOT-temp.csv ? 
 10%. 
 0%. 
 3%. 
 5%. 
1,67 / 1,67 ptsPergunta 3
Qual é a mediana das temperaturas (temp) presente no dataset? 
 35,05. 
 35,00. 
 5,69. 
 4,15. 
1,67 / 1,67 ptsPergunta 4
Qual é o percentual dos dados de temperaturas coletados no ambiente
externo (out)? 
 21%. 
 35%. 
 79%. 
 29%. 
1,67 / 1,67 ptsPergunta 5
Sobre o boxplot dos dados de temperatura interna (in) e externa (out), o
que podemos dizer sobre os possíveis outliers? 
 
Podemos afirmar que existem outliers para as temperaturas internas e,
com certeza, não existem outliers para as temperaturas externas.
 
Temos possíveis outliers para as temperaturas externas e não
identificamos possíveis outliers para as temperaturas internas.
 
Podemos afirmar que existem outliers para as temperaturas externas e,
com certeza, não existem outliers para as temperaturas internas.
 
Temos possíveis outliers para as temperaturas internas e não identificamos
possíveis outliers para as temperaturas externas.
1,67 / 1,67 ptsPergunta 6
Analisando o histograma e o resultado do teste para a amostra retirada, o
que podemos falar sobre a normalidade dos dados? 
 
O teste de D’Agostino não pode ser utilizado para verificar normalidade. 
 Indicam a existência de normalidade para os dados da amostra. 
 Nada pode ser dito sobre a amostra. 
 Não existe normalidade nos dados. 
1,67 / 1,67 ptsPergunta 7
Após aplicar a
transformação df_in['noted_date']= pd.to_datetime(df_in['noted_date'],errors='coerce') para
os dados presentes na coluna ‘'noted_date'’, quantos valores nulos
passaram a existir nos dados? 
 0. 
 5. 
 26. 
 4. 
1,67 / 1,67 ptsPergunta 8
Após aplicar a
transformação df_in['noted_date']= pd.to_datetime(df_in['noted_date'],errors='coerce') para
os dados presentes na coluna ‘'noted_date'’, quantos tipos de dados
passaram a existir? 
 4. 
 8. 
 2. 
 3. 
1,67 / 1,67 ptsPergunta 9
Analisando o boxplot da temp_in e temp_out, o que é possível afirmar? 
 Não existem possíveis outliers para a temperatura interna. 
 Existe a mesma quantidade de dados para os dois boxplot. 
 Existe uma maior dispersão nos dados de temperatura externa. 
 Ambos os boxpot apresentam possíveis outliers. 
1,67 / 1,67 ptsPergunta 10
Após a construção da rede neural recorrente (RNR), utilizando o modelo
LSTM e o código presente na célula [34], o que é INCORRETO dizer? 
 A camada de saída apresenta apenas 1 neurônio. 
 Para essa rede, a autocorrelação utilizada possui passo 3. 
 Para a camada LSTM, existem 96 parâmetros a serem ajustados. 
 A rede possui quatro camadas escondidas. 
1,67 / 1,67 ptsPergunta 11
Analisando o gráfico da função perda, o que é INCORRETO afirmar? 
 Após a 4ª época de treinamento, os erros tendem a ficar constantes. 
 
O algoritmo reduziu os erros de previsão tanto para os dados de
treinamento quanto para os dados de teste.
 É uma evidência clara de Overfitting. 
 
Ao final da execução, o erro para o treinamento é inferior ao obtido para o
teste.
1,67 / 1,67 ptsPergunta 12
Analisando o MSE mostrado para o treinamento e teste do algoritmo, o
que é INCORRETO afirmar? 
 Eles mostram o overfitting do algoritmo. 
 
A ordem de grandeza dos erros (treinamento e teste), indicam que o
algoritmo apresenta uma pequena relação entre o erro na previsão e o
valor real da variável.
 O erro para o treinamento é superior ao obtido para o teste. 
 Poderia ser utilizado, por exemplo, o RMSE para calcular o erro. 
1,67 / 1,67 ptsPergunta 13
Analisando o gráfico comparativo entre os valores reais e previstos, o que
é CORRETO afirmar? 
 
Não é possível treinar uma rede neural recorrente para realizar previsões. 
 
Os erros de treinamento são superiores aos da etapa de teste/previsão. 
 Boa parte das previsões/testes apresentam valores superiores ao real. 
 
As previsões não podem ser melhoradas com a sintonia dos
hiperparâmetros.
1,67 / 1,67 ptsPergunta 14
Qual dos algoritmos abaixo NÃO representa uma boa indicação para
resolver o problema de previsão supervisionada de temperatura? 
 Autoencoders. 
 Multilayer Perceptron. 
 Random Forest. 
 Redes Neurais Convolucionais. 
1,62 / 1,62 ptsPergunta 15
Assinale a alternativa que contém uma afirmativa INCORRETA sobre a
rede neural utilizada para solução do problema presente neste trabalho
prático.
 
A identificação e sintonia da autocorrelação entre os valores de
temperatura, pode ser modificada a fim de melhorar o desempenho do
algoritmo.
 
Modificar o número de épocas representa um exemplo de sintonia de
hiperparâmetros.
 
Hiperparâmetros e parâmetros representam dois conceitos distintos e o
ajuste dos hiperparâmetros pode levar à “sintonia fina” do algoritmo.
 
Para essa rede, é possível realizar a sintonia dos parâmetros a fim de
melhorar o desempenho do algoritmo.
Pontuação do teste: 25 de 25