Humanas / Sociais

Brasil

Engenharia Ambiental

pt-br

Bases de Dados

Bases de Dados é uma disciplina que estuda a organização, armazenamento e recuperação de informações em sistemas computacionais. Durante as aulas, os alunos aprendem sobre modelos de dados, linguagens de consulta, técnicas de indexação e estratégias de otimização de consultas. A disciplina é importante para profissionais da área de tecnologia da informação, que precisam projetar, implementar e gerenciar sistemas de banco de dados em empresas e organizações. O conhecimento em Bases de Dados é fundamental para desenvolvedores de software, administradores de banco de dados e outros profissionais da área, que devem garantir a integridade, segurança e disponibilidade dos dados armazenados.

Exam

Text

Big Data: Recomendações e Gerenciamento

RESTRICTED

Exatas

Ciência da Computação

Graduate

Universidade Federal do Paraná

Karla Kososki Barth

Other

Questão 1/10 - Big Data
Recomendações se baseiam nas previsões de preenchimento das avaliações desconhecidas. Existem duas principais abordagens pa...

Colégio Objetivo

Questão 1/10 - Big Data Recomendações se baseiam nas previsões de preenchimento das avaliações desconhecidas. Existem duas principais abordagens para isso: recomendações baseadas em conteúdo (content-based recommendations) e filtragem colaborativa (collaborative filtering). Avalie as seguintes avaliações sobre as duas principais abordagens de recomendações: I – O sistema de recomendações baseadas em conteúdo possuem como estratégia a recomendação de itens mais parecidos aos que o usuário avaliou. II – Antes de recomendar um novo item, o sistema de recomendações baseadas em conteúdo precisa que algum usuário avalie o novo item. III – O cálculo de similaridade entre os usuários é utilizado por sistemas de filtragem colaborativa para medir a chance de um par de usuários avaliar determinado item de forma parecida. IV – Métodos de filtragem colaborativa pode ser aplicado apenas para medir a semelhança entre usuários. V – É possível utilizar métodos de diferentes abordagens de recomendação de uma forma híbrida para tentar melhorar a qualidade das predições. Dentre essas afirmacoes estão INCORRETAS: I – O sistema de recomendações baseadas em conteúdo possuem como estratégia a recomendação de itens mais parecidos aos que o usuário avaliou. II – Antes de recomendar um novo item, o sistema de recomendações baseadas em conteúdo precisa que algum usuário avalie o novo item. III – O cálculo de similaridade entre os usuários é utilizado por sistemas de filtragem colaborativa para medir a chance de um par de usuários avaliar determinado item de forma parecida. IV – Métodos de filtragem colaborativa pode ser aplicado apenas para medir a semelhança entre usuários. V – É possível utilizar métodos de diferentes abordagens de recomendação de uma forma híbrida para tentar melhorar a qualidade das predições. A Todas, exceto V B I e III C Nenhuma D II e IV E II e V

High School

Estudando com Questões

Questão 2/10 - Big Data
Para que o valor dos dados contidos em um Data Lake não seja perdido, se faz necessário criar uma solução de Data Lake que ...

Questão 2/10 - Big Data Para que o valor dos dados contidos em um Data Lake não seja perdido, se faz necessário criar uma solução de Data Lake que inclua as noções de gerenciamento, acessibilidade e governança. Avalie as seguintes afirmações a respeito do gerenciamento de Data Lake: I – Um Data Lake oferece o mesmo nível de complexidade que outras estratégias de armazenamento como Data Mart e Data Warehouse. II – Uma das características que podem ser agregadas aos dados armazenados em uma estratégia de Data Lake utilizando bons esquemas de governança é a transparência no uso dos dados. III – Entre as informações que se podem obter dos dados em um Data Lake podemos destacar os metadados técnicos que fornecem informações sobre a qualidade, perfil, origem, e a sua linhagem. IV – Os metadados técnicos de um Data Lake podem fornecer informações a respeito da forma ou estrutura dos dados tais como tamanho, tipo de dado ou esquema. V – Os metadados de um Data Lake permitem buscar, localizar e aprender sobre os dados armazenados. Dentre essas afirmações estão CORRETAS: I – Um Data Lake oferece o mesmo nível de complexidade que outras estratégias de armazenamento como Data Mart e Data Warehouse. II – Uma das características que podem ser agregadas aos dados armazenados em uma estratégia de Data Lake utilizando bons esquemas de governança é a transparência no uso dos dados. III – Entre as informações que se podem obter dos dados em um Data Lake podemos destacar os metadados técnicos que fornecem informações sobre a qualidade, perfil, origem, e a sua linhagem. IV – Os metadados técnicos de um Data Lake podem fornecer informações a respeito da forma ou estrutura dos dados tais como tamanho, tipo de dado ou esquema. V – Os metadados de um Data Lake permitem buscar, localizar e aprender sobre os dados armazenados. A II, IV e V B Todas, exceto IV C I, II e V D III, IV e V E Todas

Questão 4/10 - Big Data
Flume é um sistema distribuído, confiável e de alta disponibilidade para coletar, agregar e mover eficientemente grandes qu...

Questão 4/10 - Big Data Flume é um sistema distribuído, confiável e de alta disponibilidade para coletar, agregar e mover eficientemente grandes quantidades de dados de log de muitas fontes diferentes para um armazenamento centralizado. Avalie as seguintes afirmações a respeito do Flume: I – O Flume possui um plugin para atuar como um sistema de agregação de log para o Hadoop. II – O Flume pode ser utilizado para coletar dados de diversas fontes, como logs de servidores, feeds RSS, e-mails, entre outros. III – O Flume é um sistema de processamento em tempo real que permite a análise de dados em tempo real. IV – O Flume é um sistema de processamento em batch que permite a análise de grandes volumes de dados. V – O Flume é um sistema de processamento de fluxo de dados que permite a análise de dados em movimento. Dentre essas afirmações estão CORRETAS: I – O Flume possui um plugin para atuar como um sistema de agregação de log para o Hadoop. II – O Flume pode ser utilizado para coletar dados de diversas fontes, como logs de servidores, feeds RSS, e-mails, entre outros. III – O Flume é um sistema de processamento em tempo real que permite a análise de dados em tempo real. IV – O Flume é um sistema de processamento em batch que permite a análise de grandes volumes de dados. V – O Flume é um sistema de processamento de fluxo de dados que permite a análise de dados em movimento. A I, II e V B II, III e IV C III, IV e V D I, III e V E Todas

Dentre essas afirmacoes estão CORRETAS:

I – O Flume é uma ferramenta de ingestão de dados que permite a coleta, agregação e movimentação de grande...

Dentre essas afirmacoes estão CORRETAS: I – O Flume é uma ferramenta de ingestão de dados que permite a coleta, agregação e movimentação de grandes quantidades de dados em tempo real. II – O canal do Flume é utilizado como um tipo de buffer quando a taxa de dados recebidos supera a capacidade de escrita do destino. III – O roteamento contextual de dados é uma das possibilidades de uso do Flume. IV – Os eventos são removidos de um canal apenas ao serem recebidos pelo repositório final. V – Os dados nos canais do Flume podem ser armazenados tanto no sistema de arquivos local quanto em memória. Independente da opção de armazenamento, os eventos armazenados podem ser recuperados de falhas. A Todos, exceto IV B I, II e III C II e IV D II e III E I e V

Avalie as seguintes afirmações sobre os Datasets e DataFrames:

I – Algumas das características dos Datasets incluem tipagem forte e a implementaçã...

Avalie as seguintes afirmações sobre os Datasets e DataFrames: I – Algumas das características dos Datasets incluem tipagem forte e a implementação de funções lambda. II – Datasets podem ser manipulados através de transformações funcionais como map, flatmap, filter, entre outros. III – A API Dataset está disponível nas linguagens Java, Scala, Python e R. IV – Um DataFrame é um Dataset estruturado em uma família de colunas. V – DataFrame podem ser considerados uma extensão dos conceitos RDD e Dataset a partir da aplicação de uma estrutura de dados. A Nenhuma B Apenas V C III e IV D I, III e V E I e II

Avalie as seguintes afirmações a respeito das operações suportadas pelo Spark:

I – map é uma ação que passa cada elemento de um conjunto de dados ...

Avalie as seguintes afirmações a respeito das operações suportadas pelo Spark: I – map é uma ação que passa cada elemento de um conjunto de dados por uma função e retorna um novo RDD representando os resultados. II – reduce é uma ação que agrega todos os elementos de um RDD utilizando alguma função e retorna o resultado final ao DriverProgram. III – Todas as transformações em Spark são preguiçosas, ou seja, são computadas apenas quando uma ação requisita um resultado para ser retornado para o Driver Program. IV – É possível garantir a ordenação entre as execuções de cada tarefa utilizando a ação sort. V – O método persist é utilizado para tornar-se um RDD persistente, esse método é importante para otimizar acessos futuros. A II e IV B Nenhuma C Todas, exceto II D I, III e V E I e IV

Avalie as seguintes afirmações a respeito do desenvolvimento e design de soluções Big Data:

I – O desenvolvimento de aplicações Big Data possui gr...

Avalie as seguintes afirmações a respeito do desenvolvimento e design de soluções Big Data: I – O desenvolvimento de aplicações Big Data possui grandes desafios em como combinar todas as suas tecnologias e ideias para desenvolver novos produtos. Porém a integração com tecnologias tradicionais é uma questão trivial atualmente. II – Em muitos casos as soluções de Big Data têm como objetivo otimizar processos de negócios, adquirir vantagens competitivas ou otimizar operações. Dessa forma podem representar muitas vantagens para uma empresa. III – O entendimento das necessidades que nossa aplicação busca atender é uma das maneiras mais importantes de se obter as informações necessárias para guiar o desenvolvimento IV – A documentação de requisitos é capaz de evitar desperdícios e garantir que a implementação está alinhada com as necessidades do usuário. V – Working Backwards é uma abordagem de desenvolvimento de produtos que prioriza o entendimento dos requisitos e o feedback do usuário antes mesmo do início do desenvolvimento. A II, III e IV B I, II e III C III e IV D I, III e V E I e V

Dentre essas afirmacoes estão INCORRETAS:

A IV e V
B I e III
C Todas
D I, II e III
E II, IV e V
A
B
C
D
E

A respeito da arquitetura e APIs do Kafka avalie as seguintes afirmações:

I – A API Kafka responsável por consumir um ou mais fluxos de um ou mais...

A respeito da arquitetura e APIs do Kafka avalie as seguintes afirmações: I – A API Kafka responsável por consumir um ou mais fluxos de um ou mais tópicos e produzir fluxos de um ou mais tópicos é conhecida como Topic API. II – O Kafka permite a criação de produtores e consumidores reutilizáveis para conectar tópicos Kafka a aplicações externas através da Connector API III – As APIs que permitem que uma aplicação publique um fluxo de eventos em um ou mais tópicos e se inscreva em um ou mais tópicos são: Publish API e Subscribe API respectivamente. IV – Cada evento em uma partição possui um identificador único e sequencial conhecido por offset. Dessa forma o único metadado que é necessário armazenar por consumidor é a sua posição de offset. V – Consumidores são agrupados em grupos onde cada evento publicado a um tópico é entregue a uma instância consumidora dentro da inscrição de dado grupo consumidor. A IV e V B I e III C Todas D I, II e III E II, IV e V

A respeito da API do GraphX avalie as seguintes afirmações:

I – Um grafo de propriedades em GraphX é uma abstração capaz de def inir um multigrafo...

A respeito da API do GraphX avalie as seguintes afirmações: I – Um grafo de propriedades em GraphX é uma abstração capaz de def inir um multigrafo dirigido com objetos definidos para cada vértice e aresta. II – Um grafo de propriedade pode ser definido como um par de conjuntos de RDDs que codificam as características de vértices e arestas. III – Grafos de propriedades são distribuídos, tolerantes a falhas e seus valores e estruturas podem ser modificados facilmente. IV – O construtor da classe Edge recebe os parâmetros que correspondem aos identificadores dos vértices de origem e destino. V – O membro vertices da classe Graph retorna um VertexRDD[(String,String)] que é uma extensão do objeto RDD[(VertexId,(String,String)]. Por outro lado, o membro edge retorna um EdgeRDD que contém um objeto Edge[String]. A I, II e III B I, III e IV C Apenas III D Todas E II, IV e V

Sobre as diferentes categorias de aprendizado de máquina avalie as seguintes afirmações:

I – Os algoritmos de classificação e de regressão fazem p...

Sobre as diferentes categorias de aprendizado de máquina avalie as seguintes afirmações: I – Os algoritmos de classificação e de regressão fazem parte da categoria de algoritmos de aprendizado supervisionado. II – Os algoritmos de aprendizado supervisionado buscam identificar estruturas inerentes ao conjunto de dados. III – O que diferencia os algoritmos de aprendizado por reforço dos algoritmos de aprendizado não-supervisionado é que no aprendizado por reforço os dados nunca são explicitamente relacionados com os seus rótulos. IV – Os algoritmos de aprendizado por reforço se baseiam nos conceitos de reforço e punição para maximizar parâmetros através da tomada de ações. V – Os algoritmos de clustering fazem parte da categoria de aprendizagem não-supervisionados. A I, II, e III B Todas C I, III e IV D I, IV e V E Todas, exceto III

MaterialAggregator/Subjects/Materials/Recent

MaterialAggregator/Subjects/Questions/New

Big Data: Recomendações e Gerenciamento

Conteudo restrito apenas para assinantes