apols inteligencia artificial aplicada

Prévia do material em texto

Questão 1/10 - Inteligência Artificial Aplicada
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 - Inteligência Artificial Aplicada
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 3/10 - Inteligência Artificial Aplicada
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 4/10 - Inteligência Artificial Aplicada
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 5/10 - Inteligência Artificial Aplicada
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: 10.0
	
	A
	alterar o tipo do classificador
	
	B
	aumentar a quantidade de camadas da rede
Você acertou!
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 6/10 - Inteligência Artificial Aplicada
“Criada nos anos 1960, a tecnologia que usa computadores e algoritmos para reconhecer rostos humanos ganhou escala há pelo menos uma década, muito graças ao avanço das redes sociais e da internet. Com milhares de pessoas disponibilizando voluntariamente suas fotos na internet, existe hoje um banco de dados com bilhões de imagens que servem para treinar redes de inteligência artificial a detectar e reconhecer rostos.”
Disponível em <https://revistagalileu.globo.com/>. Acesso em 19/04/2021
Apesar de ter sido criada na década de 60, a tecnologia de reconhecimento facial somente veio ser aplicada de fato e em larga escala nos tempos atuais. Dentre os motivos para que essa tecnologia não tenha sido melhor explorada na décadas passadas, podemos destacar como um fator de grande peso:
Nota: 10.0
	
	A
	a ausência de interesse em pesquisas
	
	B
	os erros contidos nos métodos de reconhecimento
	
	C
	não existir fotografia digital na época
	
	D
	a baixa capacidade de armazenamento e processamento
Você acertou!
Justificativa:
O processo de treinamento das redes neurais exige uma grande capacidade de processamento computacional por conta da quantidade de cálculos que devem ser executados para o correto ajuste dos pesos. Além disso, o processo de aprendizagem a partir dos dados necessita de um grande volume de dados, o que até algumas décadas atrás não era possível.
	
	E
	nenhuma das anteriores
Questão 7/10 - Inteligência Artificial Aplicada
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, milhares de imagens, contendo indicações erradas como a mostrada na imagem acima, foram fornecidas para uma rede neural, fazendo com que os resultados do modelo fossem muito ruins.
De acordo com os seus conhecimentos sobre treinamento de redes neurais para reconhecimento de imagens, há muitas possibilidades, mas não será de grande utilidade:
Nota: 10.0
	
	A
	correção das etiquetas incorretas e um novo treinamento
	
	B
	testar novos hiperparâmetros
	
	C
	testar novos hiperparâmetros
	
	D
	um treinamento somente com as etiquetas incorretas
Você acertou!
Justificativa:
Em situações como a descrita, corrigir as etiquetas e treinar um novo modelo é uma boa estratégia, assim como realizar um treinamento apenas com etiquetas corretas. Mudar a taxa de aprendizagem e testar com novos hiperparâmetros pode ajudar a corrigir algumas distorções do modelo. Já treinar somente com instância com etiquetas incorretas, não ajudaria na melhora do modelo.
	
	E
	mudar a taxa de aprendizagem
Questão 8/10 - Inteligência Artificial Aplicada
Você foi contratado para o posto de cientista de dados, para compor uma equipe, que atualmentejá trabalha com dados, mas não possui experiência em aprendizagem de máquina. Um das suas primeiras tarefas designadas, foi a tradução 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 ao seguinte código:
from sklearn.neural_network import MLPClassifier
X_treino_std, y_treino = carrega_dados_treino()
mlp_clf = MLPClassifier(warm_start=True, max_iter=500,                                                                                                       hidden_layer_sizes=(100,))
mlp_clf.fit(X_treino_std, y_treino)
De acordo com os seus conhecimentos de  aprendizagem de máquina, o código acima executa:
Nota: 10.0
	
	A
	um processo de treinamento dos dados
Você acertou!
Justificativa:
O código apresentado cria um modelo do tipo Multilayer Perceptron e execute o processo de treinamento do modelo por meio da chamada do método fit.
	
	B
	um processo de predição
	
	C
	um processo de normalização dos dados
	
	D
	um processo de expansão dos dados
	
	E
	não faz nada e pode ser comentado
Questão 9/10 - Inteligência Artificial Aplicada
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: 0.0
	
	A
	entre 6 e 8
	
	B
	acima de 10
	
	C
	abaixo de 2
	
	D
	entre 2 e 4
	
	E
	entre 4 e 6
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.
Questão 10/10 - Inteligência Artificial Aplicada
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: 10.0
	
	A
	alterar o tipo do classificador
	
	B
	aumentar a quantidade de camadas da rede
	
	C
	diminuir a quantidade de camadas da rede
Você acertou!
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 1/10 - Inteligência Artificial Aplicada
“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: 10.0
	
	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.
Você acertou!
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 2/10 - Inteligência Artificial Aplicada
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 trabalhar com textos, que serão fornecidos de forma sequencial ao modelo.
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 classificador do tipo k-Means
	
	C
	uma classificador do tipo k-NN
	
	D
	uma rede neural do tipo LSTM
Justificativa:
As redes meurais do tipo LSTM são recomendadas para trabalhar com dados fornecidos sequencialmente e que apresentem dependência dos elementos fornecidos anteriormente, como no caso de dados de texto.
	
	E
	uma rede neura do tipo CNN
Questão 3/10 - Inteligência Artificial Aplicada
 
“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: 10.0
	
	A
	Aprendizagem supervisionada é aquela que se assemelha a escolha de um 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
	Metodos supervisionados, não supervisionados e semissupervisionados são exemplos de tipos de aprendizagem.
Você acertou!
Conforme Aula 1 Tema 4.
	
	D
	A aprendizagem por reforço é um tipo de machine learning voltado a redes neureais naturais baseadas no Perceptron de Rosemblatt.
.
Questão 4/10 - Inteligência Artificial Aplicada
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: 10.0
	
	A
	utilizar uma estratégia de validação cruzada
Você acertou!
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 5/10 - Inteligência Artificial Aplicada
“Dado categórico é o tipo de dado estatístico que consiste em variáveis categóricas ou em dados que foram convertidos para esse formato, por exemplo, como dados agrupados. Mais especificamente, os dados categóricos podem derivar de observações feitas de dados qualitativos que são resumidos como contagens ou tabulaçõescruzadas, ou de observações de dados quantitativos agrupados em determinados intervalos.”
Disponível em <https://pt.wikipedia.org/>.
Como um profissional da área de ciência de dados você sabe que variáveis categóricas podem receber valores de 1 até o limite dos possíveis valores, ainda que a descrição ou valor real do campo seja diferente do número que a representa. Assim, podemos considerar como um exemplo de variável categórica :
Nota: 10.0
	
	A
	o preço de um produto
	
	B
	o tipo sanguíneo de uma pessoa
Você acertou!
Justificativa:
O tipo sanguíneo de uma pessoa pode assumir valores limitados, divididos em 8 tipos diferentes (A+,A-,B+,B-,AB+, AB-, O+, O-) se consideramos o fator Rh.
O preço de um produto é um valor contínuo.
A idade e o peso de uma pessoa é apesar de assumir valores limitados, não pode ser considerado como categórico. Assim como nome também não pode.
	
	C
	a idade de uma pessoa
	
	D
	o nome de uma pessoa
	
	E
	o peso de uma pessoa
Questão 6/10 - Inteligência Artificial Aplicada
A figura acima mostra um modelo de árvore de decisão aplicado a um conjunto de dados.
Valendo-se dos seus conhecimentos de aprendizagem de máquina e de modelos de árvores de decisão, podemos afirmar que o campo samples na raiz e nas folhas indicam respectivamente:
Nota: 10.0
	
	A
	o total de amostras do conjunto e o total de amostras de um agrupamento final
	
	B
	o total de amostras do conjunto e o total de amostras de uma classe
Você acertou!
Justificativa:
Na raiz da árvores de decisão se considera todo o conjunto de dados que vai sendo dividido e nas folhas aparecem todas as instâncias que se enquadram naquela categoria.
	
	C
	o total de amostras de treino e o total de amostras de uma classe
	
	D
	metade das amostras do conjunto e o total de amostras de uma classe
	
	E
	o total de amostras que o modelo suporta e o total de amostras de uma classe
Questão 7/10 - Inteligência Artificial Aplicada
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).
Quais seriam alguns requisitos e capacidades que a máquina que aprovada por este texte deveria possuir:
Nota: 0.0
	
	A
	Uma entidade interage com um entrevistador, então será necessário que a entidade se manifeste de maneira palpável e  suas perguntas devem distinguir se estas respostas foram produzidas por um humano que passaria no teste.
	
	B
	Um entrevistador interage com uma entidade, um computador. Assim este computador deve possuir visão tridimensional ajustada para conseguir distinguir se estas respostas foram produzidas por um humano ou por um computador, o computador passaria no teste.
	
	C
	Um computador interage com um entrevistador, desta forma, este computador deve ser capaz de processamento e comunicação em  linguagem binária , outra característica importante é capacidade de raciocínio líquido, utilizando o conhecimento armazenado, permitindo novas conclusões, durante a comunicação.
	
	D
	Um entrevistador interage com uma máquina, está máquina deve, então, demonstrar capacidade robótica para manipular objetos físicos e mover-se; mesmo que o entrevistador não a visualize, visão computacional para perceber objetos é também uma outra característica importante de um computador que passaria no teste.
Conforme Aula 1 Tema 1.1. segundo autores Russel e Norvig (2013), lá referenciados.
Questão 8/10 - Inteligência Artificial Aplicada
Você necessita executar o treinamento de um modelo de aprendizagem. Para isso você coletou uma quantidade considerável de dados, e os dividiu em duas partes: uma para treino e outra para testes. Ao consultar um colega mais experiente sobre o processo de treinamento, ele perguntou se você havia executado a etapa de preparação dos dados.
Valendo-se dos seus conhecimento de aprendizagem de máquina você ponderou sobre o conselho do seu colega e:
Nota: 0.0
	
	A
	não executou a fase de preparação pois ela não é necessária
	
	B
	resolveu executar uma fase de preparação, pois ela é importante
Justificativa:
Os dados utilizados no processo de treinamento e a sua preparação são de extrema importância em processos de aprendizagem supervisionada. Assim, sempre deve ser feita uma fase de preparação dos dados para uma obtenção de melhores resultados.
	
	C
	não executou uma fase de preparação, pois a quantidade de dados é suficiente
	
	D
	executou a fase de preparação apenas nos dados de treino
	
	E
	executou a fase de preparação apenas nos dados de teste
Questão 9/10 - Inteligência Artificial Aplicada
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 tradução de trechos de códigos em linguagem relacionados ao treinamento de modelos de aprendizagem de máquina.
Um dos trechos que a equipe gostaria de decifrar se refere ao seguinte código:
from sklearn.preprocessing import StandardScaler
X = carrega_dataset()
sc = StandardScaler()
sc.fit(X)
De acordo com os seus conhecimentos de  aprendizagem de máquina, o código acima executa:
Nota: 10.0
	
	A
	um processo de treinamento dos dados
	
	B
	um processo de predição
	
	C
	um processo de normalização dos dados
Você acertou!
Justificativa:
O uso do método fit da classe StandardScaler executa um processo de normalização de dados.
	
	D
	um processo de expansão dos dados
	
	E
	não faz nada e pode ser comentado
Questão 10/10 - Inteligência Artificial Aplicada
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 1/10 - Inteligência Artificial Aplicada
“Criada nos anos 1960, a tecnologia que usa computadores e algoritmos para reconhecer rostos humanos ganhou escala há pelo menos uma década, muito graças ao avanço das redes sociais e da internet. Com milhares de pessoas disponibilizando voluntariamente suas fotos na internet, existe hoje um banco de dados com bilhões de imagens que servem para treinar redes de inteligência artificial a detectar e reconhecer rostos.”
Disponível em <https://revistagalileu.globo.com/>. Acesso em 19/04/2021
Apesar de ter sido criada na década de 60, a tecnologia de reconhecimento facial somente veio ser aplicada de fato e em larga escala nos tempos atuais. Dentre os motivos para que essa tecnologia não tenha sido melhor explorada na décadas passadas, podemos destacar como um fator de grande peso:
Nota: 10.0
	
	A
	a ausência de interesse em pesquisas
	
	B
	os erros contidos nos métodos de reconhecimento
	
	C
	não existir fotografia digital na época
	
	D
	a baixa capacidade de armazenamento e processamento
Você acertou!
Justificativa:
O processo de treinamento das redes neurais exige uma grande capacidade de processamento computacional por conta da quantidade de cálculos que devem ser executados para o correto ajuste dos pesos. Além disso, o processo de aprendizagem a partir dos dados necessita de um grande volume de dados, o que até algumas décadas atrás não era possível.
	
	E
	nenhuma das anteriores
Questão 2/10 - Inteligência ArtificialAplicada
“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: 10.0
	
	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.
Você acertou!
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 3/10 - Inteligência Artificial Aplicada
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 4/10 - Inteligência Artificial Aplicada
“A inferência Bayesiana permite uma eficaz filtragem preditiva de mensagens através de palavras-chave com um número reduzido de falso positivos. Definindo um limiar conservador ainda assim mantêm-se grande parte das mensagens de spam fora da caixa de entrada, sendo bastante improvável que uma mensagem seja erroneamente enviada à caixa de spam; o que seria impossível com filtros simples.
Para que o filtro possa funcionar corretamente é necessário que se tenha um bom banco de dados para a inferência das probabilidades, com uma amostragem considerável de mensagens que sejam e que não sejam spam.”
Disponível em <https://pt.wikipedia.org/>. Acesso em 19/04/2021.
 
Muitos programas de e-mail eletrônico online, quando marcam um mensagem como spam solicitam ao usuário que confirme se a ação de marcação daquele e-mail como spam está correta ou não.
Considerando as informações acima e valendo-se do seu conhecimento de treinamento de modelos de aprendizagem, quando você confirma que a marcação do sistema anti-spam está correta, na verdade você está:
Nota: 10.0
	
	A
	apenas movendo um e-mail para o local correto
	
	B
	organizando melhor a caixa de e-mails
	
	C
	ajudando a melhorar o modelo de detecção de spam
Você acertou!
Justificativa:
O processo citado serve para validar o resultado do modelo. Assim, a informação da confirmação ou rejeição da marcação feita pelo sistema anti-spam é utilizada para novos treinamentos, permitindo a melhora do modelo.
	
	D
	dando uma nota para o modelo utilizado
	
	E
	permitindo que os spam sejam apagados
Questão 5/10 - Inteligência Artificial Aplicada
 
“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: 10.0
	
	A
	Aprendizagem supervisionada é aquela que se assemelha a escolha de um 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
	Metodos supervisionados, não supervisionados e semissupervisionados são exemplos de tipos de aprendizagem.
Você acertou!
Conforme Aula 1 Tema 4.
	
	D
	A aprendizagem por reforço é um tipo de machine learning voltado a redes neureais naturais baseadas no Perceptron de Rosemblatt.
.
Questão 6/10 - Inteligência Artificial Aplicada
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 7/10 - Inteligência Artificial Aplicada
A figura acima mostra um modelo de árvore de decisão aplicado a um conjunto de dados.
Valendo-se dos seus conhecimentos de aprendizagem de máquina e de modelos de árvores de decisão, podemos afirmar que o modelo foi treinado para classificar um total de :
Nota: 10.0
	
	A
	4 classes
	
	B
	5 classes
	
	C
	1 classe
	
	D
	3 classes
	
	E
	2 classes
Você acertou!
Justificativa:
Analisando visualmente as representações das folhas da árvore de decisão podemos ver que há duas classes distintas: gosta futebol e não gosta futebol.
Questão 8/10 - Inteligência Artificial Aplicada
Métodos como árvores de decisão apresentam vantagens quando comparados a métodos mais complexos como redes neurais ou, até mesmo, o k-NN.
Considerando o texto acima e valendo-se do seu conhecimento sobre aprendizagem de máquina,  pode-se afirmar que dentre essas vantagens está:
Nota: 10.0
	
	A
	a capacidade de lidar com dados em altas dimensões
	
	B
	o fato de fornecer resultados melhores
	
	C
	facilidade de interpretação dos resultados
Você acertou!
Justificativa:
Os algoritmos de árvores de decisão permitem uma avaliação de como a decisão foi tomada e pode ser interpretada por humanos.
	
	D
	a base de treino menor
	
	E
	a base de teste menor
Questão 9/10 - Inteligência Artificial Aplicada
Você necessita executar o treinamento de um modelo de aprendizagem. Para isso você coletou uma quantidade considerável de dados, e os dividiu em duas partes: uma para treino e outra para testes. Ao consultar um colega mais experiente sobre o processo de treinamento, ele perguntou se você havia executado a etapa de preparação dos dados.
Valendo-se dos seus conhecimento de aprendizagem de máquina você ponderou sobre o conselho do seu colega e:
Nota: 10.0
	
	A
	não executou a fase de preparação pois ela não é necessária
	
	B
	resolveu executar uma fase de preparação, pois ela é importante
Você acertou!
Justificativa:
Os dados utilizados no processo de treinamento e a sua preparação são de extrema importância em processos de aprendizagem supervisionada. Assim, sempre deve ser feitauma fase de preparação dos dados para uma obtenção de melhores resultados.
	
	C
	não executou uma fase de preparação, pois a quantidade de dados é suficiente
	
	D
	executou a fase de preparação apenas nos dados de treino
	
	E
	executou a fase de preparação apenas nos dados de teste
Questão 10/10 - Inteligência Artificial Aplicada
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 modelo de árvore de decisão estava apresentando resultados muito ruins, errando grande parte das predições. O modelo foi definido usando o seguinte código:
from sklearn import tree
    clf = tree.DecisionTreeClassifier(criterion = "gini",
                                                                                   splitter = "best", max_depth = 5)
Analisando melhor os nós e folhas gerados no processo, que o modelo não estava realizando divisões suficientes que permitissem separar bem as categorias.
Para obter melhores resultados com esse modelo você sugere que a definição dele seja feita da alterando o parâmetro:
Nota: 10.0
	
	A
	max_depth para 10
Você acertou!
Justificativa:
Para obter um número maior de divisões da árvore de decisões deve-se aumentar a sua profundidade através do parâmetro max_depth.
	
	B
	max_depth para 1
	
	C
	max_depth para 4
	
	D
	splitter para maximum
	
	E
	splitter para None
Questão 1/10 - Inteligência Artificial Aplicada
“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: 10.0
	
	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
Você acertou!
Conforme Aula 1 Tema 4.1.
Questão 2/10 - Inteligência Artificial Aplicada
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 3/10 - Inteligência Artificial Aplicada
Você necessita executar o treinamento de um modelo de aprendizagem. Para isso você coletou uma quantidade considerável de dados, e os dividiu em duas partes: uma para treino e outra para testes. Ao consultar um colega mais experiente sobre o processo de treinamento, ele perguntou se você havia executado a etapa de preparação dos dados.
Valendo-se dos seus conhecimento de aprendizagem de máquina você ponderou sobre o conselho do seu colega e:
Nota: 10.0
	
	A
	não executou a fase de preparação pois ela não é necessária
	
	B
	resolveu executar uma fase de preparação, pois ela é importante
Você acertou!
Justificativa:
Os dados utilizados no processo de treinamento e a sua preparação são de extrema importância em processos de aprendizagem supervisionada. Assim, sempre deve ser feita uma fase de preparação dos dados para uma obtenção de melhores resultados.
	
	C
	não executou uma fase de preparação, pois a quantidade de dados é suficiente
	
	D
	executou a fase de preparação apenas nos dados de treino
	
	E
	executou a fase de preparação apenas nos dados de teste
Questão 4/10 - Inteligência Artificial Aplicada
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 modelo de árvore de decisão estava apresentando resultados muito ruins, errando grande parte das predições. O modelo foi definido usando o seguinte código:
from sklearn import tree
    clf = tree.DecisionTreeClassifier(criterion = "gini",
                                                                                   splitter = "best", max_depth = 5)
Analisando melhor os nós e folhas gerados no processo, que o modelo não estava realizando divisões suficientes que permitissem separar bem as categorias.
Para obter melhores resultados com esse modelo você sugere que a definição dele seja feita da alterando o parâmetro:
Nota: 10.0
	
	A
	max_depth para 10
Você acertou!
Justificativa:
Para obter um número maior de divisões da árvore de decisões deve-se aumentar a sua profundidade através do parâmetro max_depth.
	
	B
	max_depth para 1
	
	C
	max_depth para 4
	
	D
	splitter para maximum
	
	E
	splitter para None
Questão 5/10 - Inteligência Artificial Aplicada
“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: 10.0
	
	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.
Você acertou!
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 6/10 - Inteligência Artificial Aplicada
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 parteé 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 7/10 - Inteligência Artificial Aplicada
“Criada nos anos 1960, a tecnologia que usa computadores e algoritmos para reconhecer rostos humanos ganhou escala há pelo menos uma década, muito graças ao avanço das redes sociais e da internet. Com milhares de pessoas disponibilizando voluntariamente suas fotos na internet, existe hoje um banco de dados com bilhões de imagens que servem para treinar redes de inteligência artificial a detectar e reconhecer rostos.”
Disponível em <https://revistagalileu.globo.com/>. Acesso em 19/04/2021
Apesar de ter sido criada na década de 60, a tecnologia de reconhecimento facial somente veio ser aplicada de fato e em larga escala nos tempos atuais. Dentre os motivos para que essa tecnologia não tenha sido melhor explorada na décadas passadas, podemos destacar como um fator de grande peso:
Nota: 10.0
	
	A
	a ausência de interesse em pesquisas
	
	B
	os erros contidos nos métodos de reconhecimento
	
	C
	não existir fotografia digital na época
	
	D
	a baixa capacidade de armazenamento e processamento
Você acertou!
Justificativa:
O processo de treinamento das redes neurais exige uma grande capacidade de processamento computacional por conta da quantidade de cálculos que devem ser executados para o correto ajuste dos pesos. Além disso, o processo de aprendizagem a partir dos dados necessita de um grande volume de dados, o que até algumas décadas atrás não era possível.
	
	E
	nenhuma das anteriores
Questão 8/10 - Inteligência Artificial Aplicada
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 tradução de trechos de códigos em linguagem relacionados ao treinamento de modelos de aprendizagem de máquina.
Um dos trechos que a equipe gostaria de decifrar se refere ao seguinte código:
from sklearn.preprocessing import StandardScaler
X = carrega_dataset()
sc = StandardScaler()
sc.fit(X)
De acordo com os seus conhecimentos de  aprendizagem de máquina, o código acima executa:
Nota: 10.0
	
	A
	um processo de treinamento dos dados
	
	B
	um processo de predição
	
	C
	um processo de normalização dos dados
Você acertou!
Justificativa:
O uso do método fit da classe StandardScaler executa um processo de normalização de dados.
	
	D
	um processo de expansão dos dados
	
	E
	não faz nada e pode ser comentado
Questão 9/10 - Inteligência Artificial Aplicada
A figura acima mostra um modelo de árvore de decisão aplicado a um conjunto de dados.
Valendo-se dos seus conhecimentos de aprendizagem de máquina e de modelos de árvores de decisão, podemos afirmar que o modelo foi treinado para classificar um total de :
Nota: 10.0
	
	A
	4 classes
	
	B
	5 classes
	
	C
	1 classe
	
	D
	3 classes
	
	E
	2 classes
Você acertou!
Justificativa:
Analisando visualmente as representações das folhas da árvore de decisão podemos ver que há duas classes distintas: gosta futebol e não gosta futebol.
Questão 10/10 - Inteligência Artificial Aplicada
Métodos como árvores de decisão apresentam vantagens quando comparados a métodos mais complexos como redes neurais ou, até mesmo, o k-NN.
Considerando o texto acima e valendo-se do seu conhecimento sobre aprendizagem de máquina,  pode-se afirmar que dentre essas vantagens está:
Nota: 10.0
	
	A
	a capacidade de lidar com dados em altas dimensões
	
	B
	o fato de fornecer resultados melhores
	
	C
	facilidade de interpretação dos resultados
Você acertou!
Justificativa:
Os algoritmos de árvores de decisão permitem uma avaliação de como a decisão foi tomada e pode ser interpretada por humanos.
	
	D
	a base de treino menor
	
	E
	a base de teste menor