Exercícios 1 tentativa 3 machine learning

Prévia do material em texto

Questão 1/10 - 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: 10.0
	
	A
	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.
	
	B
	Machine Learning pode ser compreendida como um conjunto de técnicas ou métodos que permitem às máquinas aprender por meio de exemplos.
Você assinalou essa alternativa (B)
Você acertou!
 
Conforme Aula 1 Tema 2.1.
	
	C
	A vantagem dos métodos de Machine Learning se perde quando o processo de aprendizagem pode ser automatizado, neste caso devemos usar IA clássica
	
	D
	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.
Questão 2/10 - 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 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: 0.0Você não pontuou essa questão
	
	A
	a base de testes possui 1845 instâncias
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
Você assinalou essa alternativa (D)
	
	E
	não há informações suficientes
Questão 3/10 - Machine Learning
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 assinalou essa alternativa (B) 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 - 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: 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 assinalou essa alternativa (D)
Você acertou!
Conforme Aula 1 Tema 4.1.
Questão 5/10 - 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: 0.0Você não pontuou essa questão
	
	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.
Você assinalou essa alternativa (B)
	
	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 - Machine Learning
“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 assinalou essa alternativa (C)
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 7/10 - 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 alémda 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 assinalou essa alternativa (D)
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 8/10 - 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).
Quais seriam alguns requisitos e capacidades que a máquina que aprovada por este teste deveria possuir:
Nota: 0.0Você não pontuou essa questão
	
	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.
Você assinalou essa alternativa (B)
	
	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 9/10 - Machine Learning
“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 assinalou essa alternativa (D)
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 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 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 assinalou essa alternativa (B)
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