Baixe o app para aproveitar ainda mais
Prévia do material em texto
201) Inteligência Artificial para CAIXA - 2024 https://www.tecconcursos.com.br/s/Q3OzkJ Ordenação: Por Matéria e Assunto (data) www.tecconcursos.com.br/questoes/2329113 IADES - Prof (UnDF)/UnDF/Metodologias e Técnicas da Computação/2022 TI - Desenvolvimento de Sistemas - Métodos de Classificação (Machine Learning) Dado um dataset que possui duas possíveis classes e apenas duas features, mas que não são linearmente separáveis, qual abordagem deverá ser utilizada em um modelo SVM de classificação para encontrar o melhor equilíbrio entre margens largas e violações de margens? a) diferenciação temporal b) hard margin c) derivação d) soft margin e) convolução www.tecconcursos.com.br/questoes/2329116 IADES - Prof (UnDF)/UnDF/Metodologias e Técnicas da Computação/2022 TI - Desenvolvimento de Sistemas - Métodos de Classificação (Machine Learning) https://www.tecconcursos.com.br/s/Q3OzkJ https://www.tecconcursos.com.br/questoes/2329113 https://www.tecconcursos.com.br/questoes/2329116 202) 203) No treinamento de modelos de machine learning, qual método tem por objetivo minimizar underfitting e overfitting? a) regressão b) classificação c) regularização d) recorrência e) supervisão www.tecconcursos.com.br/questoes/2329118 IADES - Prof (UnDF)/UnDF/Metodologias e Técnicas da Computação/2022 TI - Desenvolvimento de Sistemas - Métodos de Classificação (Machine Learning) Considerando uma rede neural, a função de ativação que deverá ser utilizada para que a saída possa assumir qualquer valor de -1 até 1 é a (o) a) função logística. b) tangente hiperbólica. c) softmax. d) ReLU. e) Max Peak. www.tecconcursos.com.br/questoes/2329122 IADES - Prof (UnDF)/UnDF/Metodologias e Técnicas da Computação/2022 TI - Desenvolvimento de Sistemas - Métodos de Classificação (Machine Learning) https://www.tecconcursos.com.br/questoes/2329118 https://www.tecconcursos.com.br/questoes/2329122 204) 205) Um dos problemas mais conhecidos ao treinar redes neurais com muitas camadas ocorre quando os gradientes da função de cálculo de erros se aproximam de zero. Conforme os valores são propagados, podem ficar tão próximos de zero que o gradiente praticamente desaparece e a rede tem grandes dificuldades no respectivo treinamento. Qual é o nome dado a esse fenômeno? a) exploding gradiente b) backpropagation c) recorrência d) derivação multi-variada e) vanishing gradiente www.tecconcursos.com.br/questoes/2329128 IADES - Prof (UnDF)/UnDF/Metodologias e Técnicas da Computação/2022 TI - Desenvolvimento de Sistemas - Métodos de Classificação (Machine Learning) Qual métrica é mais adequada para avaliar os resultados de um modelo de regressão? a) Recall b) Acurácia balanceada c) R2 d) F1-score e) Jaccard www.tecconcursos.com.br/questoes/1628551 CEBRASPE (CESPE) - Ana (SERPRO)/SERPRO/Ciência de Dados/2021 TI - Desenvolvimento de Sistemas - Métodos de Classificação (Machine Learning) https://www.tecconcursos.com.br/questoes/2329128 https://www.tecconcursos.com.br/questoes/1628551 206) 207) 208) Sobre as técnicas de classificação em aprendizado de máquina, julgue o item a seguir. Devido ao fato de pressupor independência entre atributos, o algoritmo Naive Bayes é capaz de realizar, com precisão, o treinamento de um modelo com uma quantidade reduzida de amostras. Certo Errado www.tecconcursos.com.br/questoes/1718777 CEBRASPE (CESPE) - AF (SEFAZ CE)/SEFAZ CE/Tecnologia da Informação da Receita Estadual/2021 TI - Desenvolvimento de Sistemas - Métodos de Classificação (Machine Learning) A respeito de inteligência artificial, julgue o item seguinte. A classificação Naive Bayes parte da suposição de que as variáveis envolvidas em machine learning são independentes entre si. Certo Errado www.tecconcursos.com.br/questoes/1757747 CESGRANRIO - Esc BB/BB/Agente de Tecnologia/2021 TI - Desenvolvimento de Sistemas - Métodos de Classificação (Machine Learning) Ao tentar resolver um problema de aprendizado de máquina que separava um evento entre duas classes, um desenvolvedor encontrou uma acurácia de exatamente 90%. https://www.tecconcursos.com.br/questoes/1718777 https://www.tecconcursos.com.br/questoes/1757747 209) Analisando a matriz de confusão, o desenvolvedor constatou que os verdadeiros positivos eram 14169, que os verdadeiros negativos eram 15360, os falsos positivos eram 1501, e os falsos negativos eram a) 1778 b) 1779 c) 1780 d) 1781 e) 1782 www.tecconcursos.com.br/questoes/1821080 Tec - AUFC (TCU)/TCU/Controle Externo/Auditoria Governamental/2021 TI - Desenvolvimento de Sistemas - Métodos de Classificação (Machine Learning) Com relação ao classificador Naive Bayes marque a alternativa incorreta. a) O Naive Bayes parte do princípio de que as variáveis envolvidas no modelo são dependentes entre si. b) O Naive Bayes parte do princípio de que as variáveis envolvidas no modelo são independentes entre si. c) O Naive Bayes possibilita fazer o treinamento de um modelo a partir de um número pequeno de amostras. d) Uma das desvantagens do Naive Bayes é não conseguir captar interações entre os atributos. e) O Naive Bayes pode ser utilizado para classificação de textos. www.tecconcursos.com.br/questoes/1821083 Tec - AUFC (TCU)/TCU/Controle Externo/Auditoria Governamental/2021 https://www.tecconcursos.com.br/questoes/1821080 https://www.tecconcursos.com.br/questoes/1821083 210) 211) TI - Desenvolvimento de Sistemas - Métodos de Classificação (Machine Learning) O classificador Naive Bayes utiliza a biblioteca Scikit-Learn para fazer suas classificações. As classes utilizadas pelo modelo são: I - GaussianNB, que é utilizada para distribuição gaussiana. II - MultinomialNB, que é utilizada para contadores de ocorrência discreta. III - BernoulliNB, que é utilizada para atributos booleanos discretos. Está(ão) correta(s) a(s) afirmativa(s) a) II e III, apenas b) I e II, apenas c) I, II e III d) I e III, apenas e) III, apenas www.tecconcursos.com.br/questoes/1821089 Tec - AUFC (TCU)/TCU/Controle Externo/Auditoria Governamental/2021 TI - Desenvolvimento de Sistemas - Métodos de Classificação (Machine Learning) De acordo com o classificador Naive Bayes julgue os próximos itens. I - Mesmo que haja dependência das variáveis envolvidas no modelo, ele é incapaz de captar interações entre os atributos https://www.tecconcursos.com.br/questoes/1821089 212) II - Uma das formas de se utilizar o Naive Bayes é com classificação de textos, dentre as quais podemos citar a identificação de spams. III - O classificador Naive Bayes pode ser utilizado para Análise de Sentimento. Está(ão) correta(s) a(s) afirmativa(s) a) I e III b) II e III c) I, II e III d) I e II e) apenas II www.tecconcursos.com.br/questoes/789050 NC UFPR (FUNPAR) - Prof NU Jr (ITAIPU)/ITAIPU/Gestor de Informação/2019 TI - Desenvolvimento de Sistemas - Métodos de Classificação (Machine Learning) Classificação é uma tarefa que identifica a qual classe um objeto pertence. O desempenho do classificador depende da sua flexibilidade (bias) e da qualidade do treinamento (variância). No entanto, não existe um classificador que seja melhor que todos os outros para todos os problemas de classificação. As medidas de avaliação de desempenho de classificadores trazem informações sobre taxas de erro ou acerto para um ou mais conjuntos de dados. Nesse sentido, considere a matriz de confusão binária abaixo: Classe predita + - https://www.tecconcursos.com.br/questoes/789050 Classe original + 8 2 - 4 6 Realize os cálculos e identifique como verdadeiras (V) ou falsas (F) as seguintes afirmativas: ( ) TVP (Taxa de Verdadeiros Positivos) = 0,9. ( ) TFP (Taxa de Falsos Positivos) = 0,1. ( ) ACC (Acurácia) = 0,7. ( ) E (Erro) = 0,3. Assinale a alternativa que apresenta a sequência correta, de cima para baixo. a) V – F – V – F. b) F – F – F – V. c) V – V – F – V. d) F – F – V – V. e) V – V – F – F. www.tecconcursos.com.br/questoes/626757 FUNDEP - AnaAdm (CODEMIG)/CODEMIG/Analista de Geoprocessamento/2018 https://www.tecconcursos.com.br/questoes/626757 213) TI - Desenvolvimento de Sistemas - Métodos de Classificação (Machine Learning) O processo de atribuir um significado a um pixel de uma imagem digital em função de suas propriedades numéricas é denominado de classificação. Em decorrência do grau de participação do analista no processo de classificação, esse processo pode ser denominado de classificação supervisionada e classificação não supervisionada. Posto isso, analise as afirmativas a seguir e assinale com V as verdadeiras e com F as falsas. ( ) A classificação supervisionada é um passo importante a ser executado antes da classificação não supervisionada. ( ) Na classificação não supervisionada, os pixels de uma imagem são alocados automaticamente em classes criadas pelo sistema computacional. ( ) A matriz de confusão é um artifício utilizado para computar os erros do processo de classificação e conhecer a qualidade desse processo, seja pelo método supervisionado ou pelo não supervisionado. ( ) O método de classificação pelas K-médias tem por essência fazer com que todas as classes tenham valor médio e variância similares. Assinale a sequência CORRETA. a) V F V V b) F V V F c) V F F V d) V F V F 214) 215) www.tecconcursos.com.br/questoes/632361 FGV - APPGG (CGM Niterói)/Pref Niterói/Gestão de Tecnologia/2018 TI - Desenvolvimento de Sistemas - Métodos de Classificação (Machine Learning) Rafael aplicou um teste de múltipla escolha de cem questões para um numeroso grupo de alunos e notou que houve uma variada distribuição de notas. Rafael resolveu trabalhar esses dados, e agrupar esses alunos de modo que cada um ficasse no grupo mais adequado para a sua nota. Assim, poderia preparar atividades específicas para cada grupo. Assinale a opção que indica o algoritmo mais adequado para essa tarefa. a) Bubble sort. b) K-means. c) Monte Carlo. d) Linear regression. e) Logistic regression. www.tecconcursos.com.br/questoes/654570 CESGRANRIO - Esc BB/BB/Agente Comercial/2018 TI - Desenvolvimento de Sistemas - Métodos de Classificação (Machine Learning) Um desenvolvedor de uma instituição bancária foi designado para tentar usar técnicas de aprendizado de máquina para, dado o saldo diário durante um ano de um cliente, classificá-lo como BOM ou MAU candidato a receber um cartão de crédito VIP. Para isso, a única informação que pode usar — e que ele recebeu — é um conjunto de treinamento com 50.000 clientes préclassificados pelos seus gerentes, contendo 365 campos com os saldos diários e um campo com o número 1, caso o cliente fosse https://www.tecconcursos.com.br/questoes/632361 https://www.tecconcursos.com.br/questoes/654570 216) um BOM candidato, ou o número 0 (zero), caso fosse um MAU candidato. Essas respostas são consideradas corretas. Considerando as práticas tradicionais de aprendizado de máquina, o desenvolvedor deve escolher um algoritmo a) supervisionado, porque humanos precisarão verificar a execução do algoritmo. b) supervisionado, porque o conjunto de treinamento possui dados e rótulo, sendo necessário aprender a função que prediz o rótulo correto. c) não supervisionado, porque humanos não precisarão verificar a execução do algoritmo. d) não supervisionado, porque o conjunto de treinamento possui dados e rótulo, sendo necessário aprender a função que prediz o rótulo correto. e) não supervisionado, porque, no futuro, os rótulos não estarão disponíveis. www.tecconcursos.com.br/questoes/726118 CEBRASPE (CESPE) - ACE (TCE-MG)/TCE MG/Ciência da Computação/2018 TI - Desenvolvimento de Sistemas - Métodos de Classificação (Machine Learning) Em machine learning, a categoria de aprendizagem por reforço identifica as tarefas em que a) um software interage com um ambiente dinâmico, como, por exemplo, veículos autônomos. b) as etiquetas de classificação não sejam fornecidas ao algoritmo, de modo a deixá-lo livre para entender as entradas recebidas. c) o aprendizado pode ser um objetivo em si mesmo ou um meio para se atingir um fim. https://www.tecconcursos.com.br/questoes/726118 217) 218) d) o objetivo seja aprender um conjunto de regras generalistas para converter as entradas em saídas predefinidas. e) são apresentados ao computador exemplos de entradas e saídas desejadas, fornecidas por um orientador. www.tecconcursos.com.br/questoes/2544691 CEBRASPE (CESPE) - Ana TI (DATAPREV)/DATAPREV/Inteligência da Informação/2006 TI - Desenvolvimento de Sistemas - Métodos de Classificação (Machine Learning) Julgue o seguinte item, relativos à tarefa de classificação, a qual consiste em aprender uma função (construir um modelo) que mapeie um item de dado para uma entre várias classes pré-definidas. A acurácia de um classificador, em um conjunto de teste, pode ser sumarizada por uma matriz de confusão, em que os valores nas diagonais representam as classificações corretas. Certo Errado www.tecconcursos.com.br/questoes/2779756 CESGRANRIO - TPP (IPEA)/IPEA/Ciência de Dados/2024 TI - Desenvolvimento de Sistemas - Métodos de Treinamento de Modelos (Machine Learning) Um pesquisador iniciante em aprendizado de máquina trabalhava com um modelo de classificação binário com as duas classes equilibradas. Inicialmente, ele fez a avaliação de seu modelo, separando 20% dos dados disponíveis para a avaliação, e o treinou com 80% dos dados, fazendo o processo apenas uma vez. Depois, a pedido de seu chefe, ele trocou a forma de avaliação, separando o conjunto https://www.tecconcursos.com.br/questoes/2544691 https://www.tecconcursos.com.br/questoes/2779756 219) de dados em 10 partes e escolhendo, em 10 rodadas, uma parte diferente para avaliação e as outras para treinamento. Essas duas formas de avaliar um modelo são conhecidas, respectivamente, como a) estratificação e hold-out b) hold-out e k-fold c) leave-one-out e estratificação d) leave-one-out e k-fold e) Monte Carlo e leave-p-out www.tecconcursos.com.br/questoes/2266836 FGV - AFRE MG/SEF MG/Tecnologia da Informação/2023 TI - Desenvolvimento de Sistemas - Métodos de Treinamento de Modelos (Machine Learning) Machine Learning é um subconjunto da Inteligência Artificial que utiliza dados e algoritmos para imitar o raciocínio humano. Em relação aos algoritmos de machine learning, assinale a afirmativa incorreta. a) Algoritmo de regressão: prevê valores de saída usando recursos de entrada dos dados fornecidos ao sistema. Os algoritmos mais populares são Linear Regression, Logistic Regression Multivariate Adaptive Regression Splines (MARS) e Locally Estimated Scatter plot Smoothing (LOESS). b) Algoritmo de agrupamento: agrupamento de pontos de dados com base em recursos semelhantes. Alguns algoritmos são KMeans, K-Medians e Hierárquical Clustering. https://www.tecconcursos.com.br/questoes/2266836 220) c) Algoritmo de regularização: é um processo de diminuir informações adicionais para evitar o overfitting ou resolver um problema mal definido. Os algoritmos mais comuns são Least Absolute Shrinkage and Selection Operator (LASSO), Least-Angle Regression (LARS) e Elastic Net and Ridge Regression. d) Algoritmos de redução de dimensionalidade: reduzem o número de características obtendo um conjunto de variáveis principais. Alguns algoritmos são Principal Component Analysis (PCA) e Principal Component Regression (PCR). e) Algoritmos de regras de associação: é usado para descobrir a relação entre os pontos de dados. Alguns algoritmos comuns são o algoritmo Apriori e o algoritmo Eclat. www.tecconcursos.com.br/questoes/2448088 FGV - FTE (SEFAZ MT)/SEFAZ MT/2023 TI - Desenvolvimento de Sistemas - Métodos de Treinamento de Modelos (Machine Learning) Maria treinou um classificador que distingue fotos de maçãs e laranjas. Após testar o classificador com uma amostra de 160 fotos, obteve a matriz de confusão a seguir. Classificação Atual Maçã Laranja Classificação Prevista Maçã 50 2 Laranja 10 98 Com base neste resultado,é correto afirmar que a acurácia deste classificador é https://www.tecconcursos.com.br/questoes/2448088 221) a) 0,075. b) 0,325. c) 0,675. d) 0,925. e) 0,982. www.tecconcursos.com.br/questoes/2589492 CEBRASPE (CESPE) - AFM (Pref Fortaleza)/Pref Fortaleza/Ciência da Computação, Informática, Processamento de Dados/2023 TI - Desenvolvimento de Sistemas - Métodos de Treinamento de Modelos (Machine Learning) Julgue os itens a seguir, a respeito de inteligência artificial (IA) e machine learning. K-means é um algoritmo de aprendizado não supervisionado, em que se calcula a distância entre os objetos da base e cada um dos centroides; em que se atribui cada objeto ao centroide mais próximo; e em que se classifica cada item para sua média mais próxima. Certo Errado www.tecconcursos.com.br/questoes/2589495 CEBRASPE (CESPE) - AFM (Pref Fortaleza)/Pref Fortaleza/Ciência da Computação, Informática, Processamento de Dados/2023 TI - Desenvolvimento de Sistemas - Métodos de Treinamento de Modelos (Machine Learning) https://www.tecconcursos.com.br/questoes/2589492 https://www.tecconcursos.com.br/questoes/2589495 222) 223) Julgue os itens a seguir, a respeito de inteligência artificial (IA) e machine learning. Nos algoritmos de aprendizado por reforço, o agente recebe uma recompensa atrasada na próxima etapa de tempo para avaliar sua ação anterior; seu objetivo, então, é maximizar a recompensa. Certo Errado www.tecconcursos.com.br/questoes/1921415 FADESP - FRE PA/SEFA PA/2022 TI - Desenvolvimento de Sistemas - Métodos de Treinamento de Modelos (Machine Learning) Considerando-se as estratégias para treinamento, validação e teste nas análises preditivas, a estratégia que pressupõe a criação de dois subconjuntos de dados disjuntos, a partir do conjunto de dados disponível para uso na indução do modelo, em que um dos subconjuntos será usado para treinamento (indução) do modelo preditivo e o segundo, para teste após o término de treinamento e, consequentemente, para aplicação das medidas de avaliação do modelo, é a) resubstituição. b) holdout. c) validação cruzada. d) bootstrap. e) validação cruzada leave-one-out. www.tecconcursos.com.br/questoes/1925037 FGV - AFFC (CGU)/CGU/Tecnologia da Informação/"Sem Especialidade"/2022 https://www.tecconcursos.com.br/questoes/1921415 https://www.tecconcursos.com.br/questoes/1925037 224) TI - Desenvolvimento de Sistemas - Métodos de Treinamento de Modelos (Machine Learning) Um time de ciência de dados utilizou um modelo linear para resolver uma tarefa de análise de dados financeiros provenientes de diferentes unidades de uma organização. Um membro do time, que não participou da modelagem, testa o modelo e verifica que ele apresenta um péssimo resultado. Preocupado, ele busca os resultados apresentados no treino e pode concluir que ocorreu: a) underfitting, se o resultado do treino foi ótimo. Uma possível solução é a utilização de um modelo mais complexo e a redução do tempo de treinamento; b) underfitting, se o resultado do treino também foi péssimo. Uma possível solução é a utilização de um modelo menos complexo e métodos de validação cruzada; c) overfitting, se o resultado do treino também foi péssimo. Uma possível solução é a utilização de técnicas de regularização e métodos de validação cruzada; d) overfitting, se o resultado do treino foi ótimo. Uma possível solução é a utilização de um modelo menos complexo e métodos de validação cruzada; e) overfitting, se o resultado do treino foi ótimo. Uma possível solução é a utilização de um modelo mais complexo e o aumento do tempo de treinamento. www.tecconcursos.com.br/questoes/1925051 FGV - AFFC (CGU)/CGU/Tecnologia da Informação/"Sem Especialidade"/2022 TI - Desenvolvimento de Sistemas - Métodos de Treinamento de Modelos (Machine Learning) https://www.tecconcursos.com.br/questoes/1925051 225) Como parte de um esforço para melhorar a produtividade, uma empresa vem medindo o tempo gasto em cada tarefa do seu principal processo produtivo. Uma das tarefas, que envolve carregar material em uma máquina, ocorre uma vez por dia e teve os seguintes tempos medidos na semana anterior, em minutos: Seg Ter Qua Qui Sex 80 76 85 68 56 Considerando um modelo de regressão linear ajustado para perda mínima, usando as medições da semana anterior, o valor residual com relação ao modelo, para o tempo de 70 minutos medido na quinta- feira da semana atual é, em minutos: a) -3; b) -2; c) 1; d) 2; e) 3. www.tecconcursos.com.br/questoes/1936916 CEBRASPE (CESPE) - PPNS (PETROBRAS)/PETROBRAS/Ciência de Dados/2022 TI - Desenvolvimento de Sistemas - Métodos de Treinamento de Modelos (Machine Learning) https://www.tecconcursos.com.br/questoes/1936916 226) Julgue o próximo item, considerando o gráfico precedente, que representa as regiões de overfitting e de underfitting, permitindo uma avaliação do relacionamento da complexidade do modelo de aprendizagem de máquina adotado, com o erro de predição. O Set de Treinamento é usado para qualificar o desempenho do modelo, enquanto o Set de Validação é utilizado para criar o modelo de aprendizado de máquina. Certo Errado www.tecconcursos.com.br/questoes/1936918 CEBRASPE (CESPE) - PPNS (PETROBRAS)/PETROBRAS/Ciência de Dados/2022 TI - Desenvolvimento de Sistemas - Métodos de Treinamento de Modelos (Machine Learning) https://www.tecconcursos.com.br/questoes/1936918 227) Julgue o próximo item, considerando o gráfico precedente, que representa as regiões de overfitting e de underfitting, permitindo uma avaliação do relacionamento da complexidade do modelo de aprendizagem de máquina adotado, com o erro de predição. Considerando que a variância é um erro de sensibilidade para pequenas flutuações no conjunto de treinamento, infere-se que um baixo nível de variância pode fazer que o algoritmo associado a um modelo de aprendizado de máquina perca as relações relevantes entre os atributos de entrada e a variável de saída, caracterizando o erro de overfitting, percebido na região à direita do ponto A. Certo Errado www.tecconcursos.com.br/questoes/1936919 CEBRASPE (CESPE) - PPNS (PETROBRAS)/PETROBRAS/Ciência de Dados/2022 TI - Desenvolvimento de Sistemas - Métodos de Treinamento de Modelos (Machine Learning) https://www.tecconcursos.com.br/questoes/1936919 228) 229) Julgue o próximo item, considerando o gráfico precedente, que representa as regiões de overfitting e de underfitting, permitindo uma avaliação do relacionamento da complexidade do modelo de aprendizagem de máquina adotado, com o erro de predição. Quando se verifica um alto erro no treinamento com valor próximo ao erro na validação, percebido na região à esquerda do ponto A, tem-se um clássico problema de underfitting, caracterizado pelo alto valor do bias. Certo Errado www.tecconcursos.com.br/questoes/2200232 Com. Org. (IFSP) - Ana TI (IF SP)/IF SP/Ciência de Dados/2022 TI - Desenvolvimento de Sistemas - Métodos de Treinamento de Modelos (Machine Learning) Nos modelos de aprendizado de máquina, existem dois problemas básicos que devem ser considerados. O primeiro problema é o sobreajuste (overfitting) que acontece quando se tem um modelo com bom desempenho com os dados treinados, mas que não trabalha bem com novos dados. Já o segundo problema, é o sub-ajuste (underfitting) que já sequer trabalhar com os dados de treino e, https://www.tecconcursos.com.br/questoes/2200232 230) consequentemente, na aplicação em si. Para isso, é necessário implementar modelos que sejam equilibrados para atender as demandas. Considerando essas afirmações e a figura a seguir, selecione a alternativa que melhor associa o problema com os dados dispostos no espaço com a solução equilibrada, com sub-ajuste e sobreajuste de acordo com sua indicação (I, II e III). a) (I) equilibrado, (II) sobreajustado e (III) sub-ajustado b) (I) equilibrado, (II) sub-ajustado e (III) sobreajustado c) (I) sobreajustado, (II) equilibrado e (III) sub-ajustado d) (I) sub-ajustado, (II) sobreajustado e (III) equilibradowww.tecconcursos.com.br/questoes/2200278 Com. Org. (IFSP) - Ana TI (IF SP)/IF SP/Ciência de Dados/2022 TI - Desenvolvimento de Sistemas - Métodos de Treinamento de Modelos (Machine Learning) Machine Learning, ou aprendizado de máquina, é um subcampo da inteligência artificial baseada na ideia de que os sistemas podem aprender a identificar padrões e tomar decisões, por meio da análise de dados. De acordo com o tipo de técnica utilizada no processo de aprendizagem, existem vários algoritmos que podem ser aplicados para gerar o modelo de aprendizado. Os parâmetros desse modelo https://www.tecconcursos.com.br/questoes/2200278 231) podem ser atualizados por meio de técnicas de otimização. Com base nessas informações, assinale a alternativa correta. a) O gradiente descendente é um algoritmo de otimização utilizado pelos cientistas de dados para encontrar um máximo local de uma função diferenciável, movendo-se iterativamente na direção da descida mais íngreme, conforme definido pelo negativo do gradiente. b) O método do gradiente descendente é utilizado pelos cientistas de dados para encontrar os valores de parâmetros de uma função, que reduzem ao máximo uma função de custo. c) O gradiente descendente é um algoritmo de otimização iterativa, que necessita do cálculo da segunda derivada para poder realizar atualizações dos parâmetros do modelo preditivo. d) No método do gradiente descendente, o tamanho do passo (também conhecido como taxa de aprendizado, ou learning rate) não exerce nenhuma influência no resultado. www.tecconcursos.com.br/questoes/2208921 CEBRASPE (CESPE) - PANS (ANP)/ANP/Atividades de Regulação/Novas Atribuições IV/2022 TI - Desenvolvimento de Sistemas - Métodos de Treinamento de Modelos (Machine Learning) Julgue o item a seguir, relativos a aprendizado supervisionado. As técnicas de regressão são utilizadas tanto para prever quando para entender como o sinal avaliado é afetado pela variação dos preditores, ou ainda, para identificar os preditores mais importantes na relação entre o sinal avaliado e cada um deles. Certo Errado https://www.tecconcursos.com.br/questoes/2208921 232) 233) www.tecconcursos.com.br/questoes/2208950 CEBRASPE (CESPE) - PANS (ANP)/ANP/Atividades de Regulação/Novas Atribuições IV/2022 TI - Desenvolvimento de Sistemas - Métodos de Treinamento de Modelos (Machine Learning) Em relação a aprendizado não supervisionado, julgue o item que se seguem. O modelo de mistura gaussiana (GMM) é um método que descreve um agrupamento de amostras para determinado espaço de características, em que o GMM é uma mistura de k distribuições gaussianas associadas à mudança de estado dos pixels. Certo Errado www.tecconcursos.com.br/questoes/2226899 FEPESE - Ana (CELESC)/CELESC/Sistemas/Negócios Transformação Digital/2022 TI - Desenvolvimento de Sistemas - Métodos de Treinamento de Modelos (Machine Learning) Análises preditivas usam dados, algoritmos estatísticos e técnicas de machine learning para identificar a probabilidade de resultados futuros, a partir de dados históricos. O objetivo é ir além de saber o que aconteceu para obter uma melhor avaliação do que poderá acontecer no futuro. Analise as afirmativas abaixo em relação ao assunto. 1. A análise preditiva é usada para determinar as respostas ou compras dos clientes, além de promover oportunidades de venda cruzada. Os modelos preditivos ajudam as empresas a atrair, reter e expandir seus clientes mais valiosos. https://www.tecconcursos.com.br/questoes/2208950 https://www.tecconcursos.com.br/questoes/2226899 234) 2. As pontuações de crédito são usadas para avaliar a probabilidade de padrões de compra de um consumidor e são um exemplo bem conhecido de análise preditiva. 3. Apesar da predominância de softwares interativos e fáceis de usar, a análise preditiva ainda é exclusividade de matemáticos e estatísticos. Assinale a alternativa que indica todas as afirmativas corretas. a) É correta apenas a afirmativa 2. b) É correta apenas a afirmativa 3. c) São corretas apenas as afirmativas 1 e 2. d) São corretas apenas as afirmativas 1 e 3. e) São corretas apenas as afirmativas 2 e 3. www.tecconcursos.com.br/questoes/2310653 IADES - Prof (UnDF)/UnDF/Análise de Dados em Saúde/2022 TI - Desenvolvimento de Sistemas - Métodos de Treinamento de Modelos (Machine Learning) Assinale a alternativa que corresponde ao fragmento de código fonte correto na linguagem Python que gera 50 valores aleatórios distribuídos normalmente com média nula e variância unitária na variável ; ∙ x https://www.tecconcursos.com.br/questoes/2310653 calcula a imagem dos pontos gerados pela função , sendo um erro aditivo que é também normalmente distribuído com média nula e variância unitária; faz a regressão linear para o modelo utilizando a função LinearRegression da biblioteca Scikit-Learn. a) b) c) d) ∙ y = 1 + 2x − + εx2 ε ∙ w(x) = a + bx + cx2 235) e) www.tecconcursos.com.br/questoes/2327260 IADES - Prof (UnDF)/UnDF/Matemática/Ciência de Dados/2022 TI - Desenvolvimento de Sistemas - Métodos de Treinamento de Modelos (Machine Learning) Ao utilizar algoritmos de machine learning para classificação, é comum que se avalie a qualidade do modelo por meio de métricas calculadas em uma matriz de confusão. As métricas são fornecidas a seguir. TP = verdadeiros positivos TN = verdadeiros negativos FP = falsos positivos FN = falsos negativos Assinale a alternativa que apresenta o cálculo da precisão do modelo. https://www.tecconcursos.com.br/questoes/2327260 236) a) (TP+TN)/(TP+FP+FN+TN) b) TP/(TP+FN) c) TP/(TP+FP) d) (TP+0.5)/FN e) 2(FP*TN)/(FP+TN) www.tecconcursos.com.br/questoes/2329109 IADES - Prof (UnDF)/UnDF/Metodologias e Técnicas da Computação/2022 TI - Desenvolvimento de Sistemas - Métodos de Treinamento de Modelos (Machine Learning) O processo de treinamento de uma rede neural artificial consiste em encontrar os valores ótimos para os parâmetros de cada neurônio (pesos e bias). O algoritmo utilizado para isso é o backpropagation, que, para definir se em dado momento cada parâmetro deve ter seu valor aumentado ou diminuído, usa um cálculo chamado a) função de ativação. b) gradiente. c) recorrência. d) épocas. e) seleção. www.tecconcursos.com.br/questoes/2329120 IADES - Prof (UnDF)/UnDF/Metodologias e Técnicas da Computação/2022 https://www.tecconcursos.com.br/questoes/2329109 https://www.tecconcursos.com.br/questoes/2329120 237) 238) TI - Desenvolvimento de Sistemas - Métodos de Treinamento de Modelos (Machine Learning) Em uma rede neural, o processo de treinamento consiste em duas grandes etapas, na primeira, os dados de entrada são apresentados à rede, que realizará uma predição. Na segunda, os erros cometidos na primeira etapa são apresentados ao algoritmo de otimização, que realizará os ajustes necessários. Qual nome é dado à primeira etapa? a) forward propagation b) backward propagation c) in-place correction d) gradient propagation e) thread www.tecconcursos.com.br/questoes/2329123 IADES - Prof (UnDF)/UnDF/Metodologias e Técnicas da Computação/2022 TI - Desenvolvimento de Sistemas - Métodos de Treinamento de Modelos (Machine Learning) Partindo de uma matriz de confusão, é possível extrair diversas métricas para um modelo de classificação. Assinale a alternativa que apresenta a quantidade de amostras com label positiva no dataset original. a) Recall b) Acurácia c) Precisão d) Prevalência e) Taxa de erro https://www.tecconcursos.com.br/questoes/2329123 239) 240) www.tecconcursos.com.br/questoes/1790644 CEBRASPE (CESPE) - AFCA (SEFAZ AL)/SEFAZ AL/2021 TI - Desenvolvimento de Sistemas - Métodos de Treinamento de Modelos (Machine Learning) Acerca de conceitos de modelagem preditiva e algoritmos de classificação, julgue o item a seguir. O dilema bias-variância é evitado quando o treinamento é feito de modo que o modelo capture todas as irregularidades estatísticas dos dados, com uma quantidade maior de rodadas de treinamento.Certo Errado www.tecconcursos.com.br/questoes/1821073 Tec - AUFC (TCU)/TCU/Controle Externo/Auditoria Governamental/2021 TI - Desenvolvimento de Sistemas - Métodos de Treinamento de Modelos (Machine Learning) Marque a opção correta com relação ao overfitting. a) Devido ao nível de generalização ser muito alto, o modelo de treinamento não funciona bem. b) Acontece quando o modelo utilizado é complexo. c) Acontece quando o modelo de dados treinado não possui uma alta complexidade e com isso não é possível prever as relações entre os recursos do conjunto e uma variável de destino. d) Acontece quando o modelo se ajusta bem aos dados treinados, porém o seu nível de generalização não é tão alto. https://www.tecconcursos.com.br/questoes/1790644 https://www.tecconcursos.com.br/questoes/1821073 241) 242) e) Acontece quando o modelo de dados treinado é muito simples e com isso se tem uma grande generalização dos dados. www.tecconcursos.com.br/questoes/1821076 Tec - AUFC (TCU)/TCU/Controle Externo/Auditoria Governamental/2021 TI - Desenvolvimento de Sistemas - Métodos de Treinamento de Modelos (Machine Learning) Marque a opção correta com relação ao underfitting. a) Devido ao nível de generalização ser muito alto, o modelo de treinamento não funciona bem. b) Acontece quando o modelo utilizado é complexo. c) Acontece quando o modelo de dados treinado não possui uma alta complexidade e com isso não é possível prever as relações entre os recursos do conjunto e uma variável de destino. d) Acontece quando o modelo se ajusta bem aos dados treinados, porém o seu nível de generalização não é tão alto. e) Acontece quando o modelo de dados treinado é muito simples e com isso se tem uma grande generalização dos dados. www.tecconcursos.com.br/questoes/1821078 Tec - AUFC (TCU)/TCU/Controle Externo/Auditoria Governamental/2021 TI - Desenvolvimento de Sistemas - Métodos de Treinamento de Modelos (Machine Learning) Uma das formas utilizadas para redução de overfitting é aumentar a quantidade de dados de treinamento no modelo. Porém, existem outras formas de atingir esse objetivo. Uma dessas formas pode ser encontrada em: https://www.tecconcursos.com.br/questoes/1821076 https://www.tecconcursos.com.br/questoes/1821078 243) a) Redução de dimensionalidade b) Técnicas de regularização c) Otimização de hiperparâmetros d) Árvores de decisão e) Regressão linear www.tecconcursos.com.br/questoes/1821084 Tec - AUFC (TCU)/TCU/Controle Externo/Auditoria Governamental/2021 TI - Desenvolvimento de Sistemas - Métodos de Treinamento de Modelos (Machine Learning) Sobre validação e avaliação de modelos preditivos marque a alternativa correta. a) A validação de um modelo preditivo pode ser utilizada para comparar o desempenho do modelo em diferentes processos de modelagem. b) A técnica de validação cruzada é utilizada para avaliar os erros em modelos preditivos. c) Uma forma de validação de um modelo consiste em separar um trecho dos dados utilizados no treinamento e fazer previsões sobre o restante dos dados. Essa técnica é conhecida como KNN. d) O holdout é uma função matemática que procura identificar padrões ocultos e prever o que poderá acontecer com o modelo. e) A validação de um modelo preditivo é utilizada quando é necessário descrever um conjunto de dados que se mostra ineficaz para prever novos resultados em um dado modelo. www.tecconcursos.com.br/questoes/1821086 Tec - AUFC (TCU)/TCU/Controle Externo/Auditoria Governamental/2021 https://www.tecconcursos.com.br/questoes/1821084 https://www.tecconcursos.com.br/questoes/1821086 244) 245) TI - Desenvolvimento de Sistemas - Métodos de Treinamento de Modelos (Machine Learning) O método holdout é uma técnica de validação cruzada utilizada para avaliar modelos preditivos. Sobre esse método marque a alternativa correta. a) Esse modelo é uma exceção entre as técnicas de validação cruzada, pois avalia o conjunto de dados como único. b) Divide um conjunto de dados em exatamente dois conjuntos e testa o melhor desempenho entre eles. c) Divide uma parte de um conjunto com a intenção de avaliar vários modelos concorrentes e seleciona o melhor deles d) É utilizado quando a intenção é aproximar a variância de um conjunto e o seu viés. e) Divide um conjunto de dados em exatamente três conjuntos e testa o melhor desempenho entre eles. www.tecconcursos.com.br/questoes/1821090 Tec - AUFC (TCU)/TCU/Controle Externo/Auditoria Governamental/2021 TI - Desenvolvimento de Sistemas - Métodos de Treinamento de Modelos (Machine Learning) Sobre as fontes de erros em modelos preditivos marque a alternativa correta. a) O erro de Bias (Viés) é considerado o produto entre a previsão esperada do modelo e o valor real que se quer prever. https://www.tecconcursos.com.br/questoes/1821090 246) b) O erro de Variância é considerado a diferença entre a previsão esperada no modelo e o valor real que se quer prever. c) O erro de Bias (Viés) é a capacidade de variação de um modelo para um ponto de dados. d) O erro de Variância é considerado o produto entre a previsão esperada do modelo e o valor real que se quer prever. e) O erro de Bias (Viés) é considerado a diferença entre a previsão esperada no modelo e o valor real que se quer prever. www.tecconcursos.com.br/questoes/1821091 Tec - AUFC (TCU)/TCU/Controle Externo/Auditoria Governamental/2021 TI - Desenvolvimento de Sistemas - Métodos de Treinamento de Modelos (Machine Learning) Sobre as fontes de erros em modelos preditivos marque a alternativa correta. Independentemente do tipo de algoritmo que for utilizado, esse erro não pode ser eliminado, ou reduzido. Esse tipo de erro é também conhecido como ruído. A afirmativa acima é a definição de: a) Erro variável b) Erro irredutível c) Erro não reconhecido d) Erros de bias e) Erro de variância www.tecconcursos.com.br/questoes/1821094 https://www.tecconcursos.com.br/questoes/1821091 https://www.tecconcursos.com.br/questoes/1821094 247) 248) Tec - AUFC (TCU)/TCU/Controle Externo/Auditoria Governamental/2021 TI - Desenvolvimento de Sistemas - Métodos de Treinamento de Modelos (Machine Learning) Um dos modelos lineares utilizados em Machine Learning é a regressão linear. Sobre esse tema marque a opção correta. a) A regressão linear simples se dá pelo fato de termos uma ou mais variáveis independentes para se fazer a predição. b) Regressão linear é um tipo de algoritmo não supervisionado. c) A regressão linear múltipla se dá pelo fato de termos duas ou mais varáveis independentes para se fazer a predição. d) A regressão linear somente pode ser utilizada quando os valores de entrada e saída não são contínuos. e) Uma função que representa uma regressão linear é f(x) = w0 + w1 * x1, em que o w0 é utilizado para representar a inclinação da reta, w1 é o atributo de entrada e x1, o ponto inicial da reta. www.tecconcursos.com.br/questoes/1953774 Marinha - QT (Marinha)/Marinha/Informática/2021 TI - Desenvolvimento de Sistemas - Métodos de Treinamento de Modelos (Machine Learning) Segundo GRUS (2016), sobre o procedimento de utilização de Gradiente Descendente para encontrar mínimas e máximas de funções, é correto afirmar que: a) Se uma função possui uma mínima global única, é provável que esse procedimento a encontre. b) Se uma função possui mínimas múltiplas (locais), esse procedimento encontrará a melhor mínima. https://www.tecconcursos.com.br/questoes/1953774 249) c) Se uma função possui mínimas múltiplas (locais}, esse procedimento talvez encontre a errada e, nesse caso, você talvez tenha que reiniciar o procedimento a partir do mesmo ponto inicial. d) Se uma função não possui mínima, então ao final do procedimento será encontrada a máxima. e) Gradiente é o vetor das integrais parciais. www.tecconcursos.com.br/questoes/1727246 Marinha - QT (Marinha)/Marinha/Informática/2020 TI - Desenvolvimento de Sistemas - Métodos de Treinamento de Modelos (Machine Learning) Analise as afirmativas abaixo, em relação à técnica deotimização gradiente descendente. I - Se uma função possui um ponto de mínimo global único, pode ser encontrado pela técnica. II - É utilizada para minimizar o erro de um modelo. IlI - Se uma função possui pontos mínimos múltiplos (locais), o procedimento talvez não encontre o mínimo global. Assinale a opção correta. a) Apenas a afirmativa I é verdadeira. b) Apenas a afirmativa II é verdadeira. c) Apenas a afirmativa IlI é verdadeira. d) Apenas as afirmativas I e lI são verdadeiras. e) Todas as afirmativas são verdadeiras. https://www.tecconcursos.com.br/questoes/1727246 250) 251) www.tecconcursos.com.br/questoes/2598879 Marinha - QT (Marinha)/Marinha/Informática/2023 TI - Desenvolvimento de Sistemas - Máquinas de Vetores de Suporte (SVM) Segundo Faceli (2021), assinale a opção correta referente às máquinas de vetor de suporte (SVM). a) SVM lineares com margens rígidas definem fronteiras lineares a partir de dados linearmente inseparáveis. b) SVM lineares com margens suaves introduzem variáveis de folga que relaxam as restrições impostas ao problema de otimização das SVM com margens rígidas. c) As funções de kernel para SVM não lineares recebem três ou mais pontos no espaço de entradas e calculam o produto vetorial no espaço de características. d) Entre as vantagens das SVM destaca-se a facilidade para interpretação dos modelos gerados por essa técnica. e) Entre as desvantagens das SVM destaca-se a pouca robustez diante de objetos de grande dimensão. www.tecconcursos.com.br/questoes/2650547 FUVEST - Ana Sis (USP)/USP/Ciência de Dados/2023 TI - Desenvolvimento de Sistemas - Máquinas de Vetores de Suporte (SVM) Sobre o algoritmo SVM (máquinas de vetores de suporte), pode-se afirmar que são classificadores a) não-lineares multiclasse que usam funções kernel para mapear um espaço de características separado para cada classe presente na amostra de treinamento. b) de texto que usam a representação vetorial de palavras e que usam diferentes funções kernel para identificar o tópico central do texto. https://www.tecconcursos.com.br/questoes/2598879 https://www.tecconcursos.com.br/questoes/2650547 252) c) que não necessitam de uma etapa de treinamento, pois usam funções kernel para identificar a classe mais próxima da entrada. d) lineares binários que usam funções kernel para manipular os dados em um espaço que pode ou não ser diferente do espaço de características original. e) não supervisionados para criação de agrupamentos que usam funções kernel para identificar k centroides, um de cada classe, sendo k informado inicialmente. www.tecconcursos.com.br/questoes/1936924 CEBRASPE (CESPE) - PPNS (PETROBRAS)/PETROBRAS/Ciência de Dados/2022 TI - Desenvolvimento de Sistemas - Máquinas de Vetores de Suporte (SVM) As máquinas de vetores de suporte (SVMs) são originalmente utilizadas para a classificação de dados em duas classes, ou seja, na geração de dicotomias. Nas SVMs com margens rígidas, conjuntos de treinamento linearmente separáveis podem ser classificados. Acerca das características das SVMs com margens rígidas, julgue o item a seguir. Um conjunto linearmente separável é composto por exemplos que podem ser separados por pelo menos um hiperplano. As SVMs lineares buscam o hiperplano ótimo segundo a teoria do aprendizado estatístico, definido como aquele em que a margem de separação entre as classes presentes nos dados é minimizada. Certo Errado www.tecconcursos.com.br/questoes/1628554 CEBRASPE (CESPE) - Ana (SERPRO)/SERPRO/Ciência de Dados/2021 TI - Desenvolvimento de Sistemas - Máquinas de Vetores de Suporte (SVM) https://www.tecconcursos.com.br/questoes/1936924 https://www.tecconcursos.com.br/questoes/1628554 253) 254) 255) Sobre as técnicas de classificação em aprendizado de máquina, julgue o item a seguir. Em razão de seu bom desempenho, o algoritmo SVM (support vector machines) é invariante à escala dimensional dos conjuntos de dados, o que torna dispensável a padronização e o pré-processamento dos dados. Certo Errado www.tecconcursos.com.br/questoes/1821088 Tec - AUFC (TCU)/TCU/Controle Externo/Auditoria Governamental/2021 TI - Desenvolvimento de Sistemas - Máquinas de Vetores de Suporte (SVM) São técnicas de validação e avaliação de modelos preditivos, exceto a) Holdout b) Cross-Validation c) Support Vector Machine d) K-Fold e) Leave-one-out www.tecconcursos.com.br/questoes/1727243 Marinha - QT (Marinha)/Marinha/Informática/2020 TI - Desenvolvimento de Sistemas - Máquinas de Vetores de Suporte (SVM) No contexto de classificação de padrões, uma abordagem possível é a busca de um hiperplano que melhor separe as classes nos dados de treinamento. A ideia de maximizar a distância desse hiperplano para o ponto mais próximo em cada classe pertence a qual algoritmo? https://www.tecconcursos.com.br/questoes/1821088 https://www.tecconcursos.com.br/questoes/1727243 256) a) Arvore de decisão. b) Regressão Múltipla. c) k-Vizinhos mais próximos. d) Máquina de Vetor de Suporte. e) Redes Neurais. www.tecconcursos.com.br/questoes/2779835 CESGRANRIO - TPP (IPEA)/IPEA/Ciência de Dados/2024 TI - Desenvolvimento de Sistemas - Árvores de Decisão A biblioteca Scikit-Learn emprega o algoritmo Classification And Regression Tree (CART) para treinar Árvores de Decisão. O algoritmo CART baseia-se na recursividade e na estratégia de divisão binária para construir uma árvore de decisão. Inicialmente, a árvore é representada por um único nó, que contém todos os dados de treinamento. A cada passo, o algoritmo busca a melhor maneira de dividir o conjunto de dados. A recursividade continua até que uma condição de parada seja atendida, como atingir uma profundidade máxima da árvore. Uma vez construída a árvore, a fase de predição ocorre ao percorrer a estrutura da árvore de acordo com as condições estabelecidas nos nós, levando a uma predição (inferência) para uma determinada entrada. Considerando-se que n corresponde ao número de features e m ao número de instâncias, qual é a complexidade computacional assintótica de predição para árvores de decisão treinadas com o algoritmo CART? a) O(m) b) O(m2) c) d) O(n × mlog(m)) O( (m))log2 https://www.tecconcursos.com.br/questoes/2779835 257) 258) e) O(log2(m)) www.tecconcursos.com.br/questoes/2555127 FUNDATEC - ANC (PROCERGS)/PROCERGS/Ciência de Dados/2023 TI - Desenvolvimento de Sistemas - Árvores de Decisão __________ é uma classe de métodos ensemble que utiliza classificadores de árvore de decisão. É uma combinação de preditores de árvores tal que cada árvore depende dos valores de um vetor aleatório amostrado independentemente e com a mesma distribuição para todas as árvores. Assinale a alternativa que preenche corretamente a lacuna do trecho acima. a) Árvore de decisão b) Random Forest c) k-Nearest Neighbors d) Regressão logística e) Support Vector Machine (SVM) www.tecconcursos.com.br/questoes/2555130 FUNDATEC - ANC (PROCERGS)/PROCERGS/Ciência de Dados/2023 TI - Desenvolvimento de Sistemas - Árvores de Decisão Assinale a alternativa correta sobre os critérios de seleção de atributos aplicáveis na construção de árvores de decisão. a) Ganho de informação normaliza o critério de ganho de informação e deve ser usado para selecionar atributos que obtiveram um ganho de informação médio. https://www.tecconcursos.com.br/questoes/2555127 https://www.tecconcursos.com.br/questoes/2555130 259) b) Índice Gini usa um critério baseado em impureza para analisar as diferenças entre as distribuições de probabilidade dos valores dos atributos da classe (rótulos). c) DKM é um critério baseado no cálculo do ângulo entre vetores que representam a distribuição de classes nas partições geradas. d) Raio de ganho usa a medida de entropia como meio para análise do grau de impureza das partições geradas a partir da análise dos valores de um atributo descritivo. e) ORT é critério baseado em impureza para atributos de classes binárias. www.tecconcursos.com.br/questoes/2598875 Marinha- QT (Marinha)/Marinha/Informática/2023 TI - Desenvolvimento de Sistemas - Árvores de Decisão Examine a árvore de decisão abaixo. Considerando a Arvore de Decisão acima, assinale a opção correta que apresenta uma expressão lógica entre as variáveis booleanas A, B, C e D. a) (A V B) /\ (C /\ D) b) (A /\ B) /\ (C /\ D) c) (A /\B) V (C /\ D) https://www.tecconcursos.com.br/questoes/2598875 260) 261) d) (A VB) /\(CV D) e) (A /\B) V (CV D) www.tecconcursos.com.br/questoes/1921416 FADESP - FRE PA/SEFA PA/2022 TI - Desenvolvimento de Sistemas - Árvores de Decisão A estratégia de agrupamento hierárquico em que a construção da árvore é iniciada pelo nó raiz, onde todos os exemplares são alocados, inicialmente, a um único grupo e, interativamente, os grupos são divididos de acordo com algum critério de dissimilaridade, aplicado aos exemplares que os constituem e, além disso, enquanto houver grupos formados por mais de um exemplar, dois grupos distintos são criados a cada divisão, dando origem aos demais nós internos da árvore, é conhecida como a) método AGNES. b) método DIANA. c) método de k-médias. d) método DBSCAN. e) mapa auto organizáveis. www.tecconcursos.com.br/questoes/1936922 CEBRASPE (CESPE) - PPNS (PETROBRAS)/PETROBRAS/Ciência de Dados/2022 TI - Desenvolvimento de Sistemas - Árvores de Decisão Uma árvore de decisão representa um determinado número de caminhos possíveis de decisão e os resultados de cada um deles, apresentando muitos pontos positivos, ou seja, são fáceis de entender e interpretar. Elas têm processo de previsão completamente transparente e lidam facilmente com diversos https://www.tecconcursos.com.br/questoes/1921416 https://www.tecconcursos.com.br/questoes/1936922 262) atributos numéricos, assim como atributos categóricos, podendo até mesmo classificar dados sem atributos definidos. De acordo com os aspectos construtivos de uma árvore de decisão, julgue o item a seguir. Se o processo adotado para a construção de árvores de decisão for determinístico, uma forma de obtenção de árvores aleatórias, que compõem as florestas aleatórias, pode ser realizada por meio do bootstrap dos dados, em que cada árvore é treinada com base no resultado de bootstrap_sample (inputs). Certo Errado www.tecconcursos.com.br/questoes/1936923 CEBRASPE (CESPE) - PPNS (PETROBRAS)/PETROBRAS/Ciência de Dados/2022 TI - Desenvolvimento de Sistemas - Árvores de Decisão Uma árvore de decisão representa um determinado número de caminhos possíveis de decisão e os resultados de cada um deles, apresentando muitos pontos positivos, ou seja, são fáceis de entender e interpretar. Elas têm processo de previsão completamente transparente e lidam facilmente com diversos atributos numéricos, assim como atributos categóricos, podendo até mesmo classificar dados sem atributos definidos. De acordo com os aspectos construtivos de uma árvore de decisão, julgue o item a seguir. A entropia de uma árvore de decisão aborda o aspecto da quantidade de informações que está associada às respostas que podem ser obtidas às perguntas formuladas, representando o grau de incerteza associado aos dados. https://www.tecconcursos.com.br/questoes/1936923 263) 264) Certo Errado www.tecconcursos.com.br/questoes/2013225 CEBRASPE (CESPE) - Ag Inv (PC PB)/PC PB/2022 TI - Desenvolvimento de Sistemas - Árvores de Decisão A árvore de decisão é uma técnica utilizada em mineração de dados cuja abordagem para a criação de regras para utilização nos próximos eventos é a a) estratificação. b) identificação de interações. c) predição. d) segmentação. e) combinação de categorias. www.tecconcursos.com.br/questoes/2220957 Marinha - QT (Marinha)/Marinha/Informática/2022 TI - Desenvolvimento de Sistemas - Árvores de Decisão Dentro das técnicas estatísticas empregadas no processo de data mining, sobre o emprego da técnica de árvore de decisão, segundo Barbieri (2011), a abordagem de: a) segmentação é responsável pela divisão dos dados em duas partes, a partir de um elemento inicial, permitindo balancear os dados, dentre as várias categorias existentes. b) segmentação utiliza algoritmos de agrupamento para determinação de regras, com base em eventos passados, utilizando suas características em comum, dentre as várias categorias existentes. https://www.tecconcursos.com.br/questoes/2013225 https://www.tecconcursos.com.br/questoes/2220957 265) 266) c) estratificação é responsável pela determinação de regras para que se possa designar cada caso a uma dentre várias categorias existentes, como, por exemplo, classificar um cliente tomador de crédito em grupo de risco elevado, risco médio, risco baixo. d) ampliação de dados realiza o preenchimento de lacunas, quando há falta de variáveis em um processo. É passivei a utilização de técnicas avançadas para identificar quais nós têm mais influência sobre a resposta, preenchendo por similaridade, de forma a melhorar o volume de variáveis em estudo e, consequentemente, sua análise. e) predição é responsável pela prevenção de falhas com base nos eventos ocorridos anteriormente, permitindo, assim, a configuração da árvore de decisão com maior segurança dos dados. www.tecconcursos.com.br/questoes/1628550 CEBRASPE (CESPE) - Ana (SERPRO)/SERPRO/Ciência de Dados/2021 TI - Desenvolvimento de Sistemas - Árvores de Decisão Sobre as técnicas de classificação em aprendizado de máquina, julgue o item a seguir. As árvores de decisão apresentam significativa independência dos dados de treinamento, o que garante forte estabilidade dos caminhos em caso de mudanças nos dados. Certo Errado www.tecconcursos.com.br/questoes/1718779 CEBRASPE (CESPE) - AF (SEFAZ CE)/SEFAZ CE/Tecnologia da Informação da Receita Estadual/2021 TI - Desenvolvimento de Sistemas - Árvores de Decisão A respeito de inteligência artificial, julgue o item seguinte. https://www.tecconcursos.com.br/questoes/1628550 https://www.tecconcursos.com.br/questoes/1718779 267) 268) Uma das vantagens da técnica de árvore de decisão para regressão é evitar a propagação de erros, mesmo que uma divisão ocorra indevidamente. Certo Errado www.tecconcursos.com.br/questoes/1821050 Tec - AUFC (TCU)/TCU/Controle Externo/Auditoria Governamental/2021 TI - Desenvolvimento de Sistemas - Árvores de Decisão Sobre árvores de decisão marque a opção correta. a) É um algoritmo de aprendizagem de máquina que possibilita executar tarefas de classificação e regressão e possui capacidade de se adaptar a conjuntos de dados complexos. b) É um modelo muito robusto e versátil de aprendizado de máquina, capaz de fazer classificações lineares, não lineares, de regressão e até mesmo detecção de outliers. c) É um modelo que, dada uma instância de teste, encontra o termo mais próximo do teste no conjunto de treinamento. d) É um classificador probabilístico com independência entre os recursos. e) É utilizado para estimar a probabilidade de uma instância pertencer a uma classe específica. www.tecconcursos.com.br/questoes/1821051 Tec - AUFC (TCU)/TCU/Controle Externo/Auditoria Governamental/2021 TI - Desenvolvimento de Sistemas - Árvores de Decisão Para responder a questão, considere o conjunto de dados íris. Considere também o código a seguir, que gera uma árvore de decisão. https://www.tecconcursos.com.br/questoes/1821050 https://www.tecconcursos.com.br/questoes/1821051 from sklearn.datasets import load_iris from sklearn.tree import DecisionTreeClassifier iris = load_iris() X = iris.data[:, 2:] y = iris.target tree_clf = DecisionTreeClassifier(max_depth=2, random_state=42) tree_clf.fit(X, y) DecisionTreeClassifier(class_weight=None, criterion='gini', max_depth=2, max_features=None, max_leaf_nodes=None, min_impurity_decrease=0.0, min_impurity_split=None, min_samples_leaf=1, min_samples_split=2, min_weight_fraction_leaf=0.0, presort=False, random_state=42, splitter='best') from sklearn.tree import export_graphviz export_graphviz( tree_clf, out_file=image_path("iris_tree.dot"), feature_names=iris.feature_names[2:],class_names=iris.target_names, rounded=True, filled=True ) $dot -Tpng iris_tree.dot -o iris_tree.png A árvore gerada pode ser vista na imagem abaixo. Da árvore acima podemos concluir que a) Caso uma pétala possua um comprimento maior que 2.45 ela é do tipo Setosa. b) Caso uma pétala possua comprimento maior que 2.45 e largura menor que 1.75 ela é do tipo Versicolor. c) Caso uma pétala possua uma largura menor que 1.75 é do tipo Virginica. d) Caso uma pétala possua comprimento menor que 2.45 é do tipo Versicolor e) Caso uma pétala possua comprimento maior que 2.45 e largura maior que 1.75 é do tipo Setosa. 269) www.tecconcursos.com.br/questoes/1821052 Tec - AUFC (TCU)/TCU/Controle Externo/Auditoria Governamental/2021 TI - Desenvolvimento de Sistemas - Árvores de Decisão Para responder a questão, considere o conjunto de dados íris. Considere também o código a seguir, que gera uma árvore de decisão. from sklearn.datasets import load_iris from sklearn.tree import DecisionTreeClassifier iris = load_iris() X = iris.data[:, 2:] y = iris.target tree_clf = DecisionTreeClassifier(max_depth=2, random_state=42) tree_clf.fit(X, y) DecisionTreeClassifier(class_weight=None, criterion='gini', max_depth=2, max_features=None, max_leaf_nodes=None, min_impurity_decrease=0.0, min_impurity_split=None, min_samples_leaf=1, min_samples_split=2, min_weight_fraction_leaf=0.0, presort=False, random_state=42, splitter='best') from sklearn.tree import export_graphviz export_graphviz( tree_clf, out_file=image_path("iris_tree.dot"), https://www.tecconcursos.com.br/questoes/1821052 feature_names=iris.feature_names[2:], class_names=iris.target_names, rounded=True, filled=True ) $dot -Tpng iris_tree.dot -o iris_tree.png A árvore gerada pode ser vista na imagem abaixo. Os atributos (1) Gini 270) (2) Sample (3) Value são utilizados para ( ) calcular a quantidade de instâncias às quais se aplica. ( ) informar a quantidade de instâncias de treinamento de cada classe às quais o nó se aplica. ( ) calcular a impureza de um nó. A correta associação entre o atributo e sua utilização é dada em: a) 1 - 2 - 3 b) 3 - 1 - 2 c) 3 - 2 - 1 d) 1 - 2 - 3 e) 2 - 3 - 1 www.tecconcursos.com.br/questoes/1821053 Tec - AUFC (TCU)/TCU/Controle Externo/Auditoria Governamental/2021 TI - Desenvolvimento de Sistemas - Árvores de Decisão Para responder a questão, considere o conjunto de dados íris. Considere também o código a seguir, que gera uma árvore de decisão. from sklearn.datasets import load_iris from sklearn.tree import DecisionTreeClassifier iris = load_iris() X = iris.data[:, 2:] https://www.tecconcursos.com.br/questoes/1821053 y = iris.target tree_clf = DecisionTreeClassifier(max_depth=2, random_state=42) tree_clf.fit(X, y) DecisionTreeClassifier(class_weight=None, criterion='gini', max_depth=2, max_features=None, max_leaf_nodes=None, min_impurity_decrease=0.0, min_impurity_split=None, min_samples_leaf=1, min_samples_split=2, min_weight_fraction_leaf=0.0, presort=False, random_state=42, splitter='best') from sklearn.tree import export_graphviz export_graphviz( tree_clf, out_file=image_path("iris_tree.dot"), feature_names=iris.feature_names[2:], class_names=iris.target_names, rounded=True, filled=True ) $dot -Tpng iris_tree.dot -o iris_tree.png A árvore gerada pode ser vista na imagem abaixo. O algoritmo CART, utilizado pela biblioteca Scikit-Learn, a) pode gerar apenas árvore binárias. b) pode gerar tanto árvores binárias, quanto árvores que possuem mais de dois filhos. c) não permite dividir um conjunto de treinamento. d) não pode percorrer um conjunto de dados de forma recursiva. e) não pode ser utilizado para treinar árvores de decisão. www.tecconcursos.com.br/questoes/1821054 Tec - AUFC (TCU)/TCU/Controle Externo/Auditoria Governamental/2021 TI - Desenvolvimento de Sistemas - Árvores de Decisão https://www.tecconcursos.com.br/questoes/1821054 271) 272) Os hiperparâmetros são parâmetros que podem ser ajustados e com isso permitir que o processo de treinamento de um modelo seja mais bem controlado. O processo de localizar e configurar os hiperparâmetros, que resultará no melhor desempenho do modelo, é chamado de a) Validação de modelo b) Separabilidade de dados c) Redução de dimensionalidade d) Otimização de hiperparâmetros e) Underfitting www.tecconcursos.com.br/questoes/2346690 FGV - ATRFB/SRFB/Geral/2023 TI - Desenvolvimento de Sistemas - Redução de Dimensionalidade A Análise de Componentes Principais (PCA) é uma técnica de transformação de dados que tem como objetivo encontrar as direções de maior variação nos dados, geralmente representadas pelos chamados componentes principais, e gerar novas representações dos dados. Assinale o objetivo principal dessa técnica. a) Discretização dos dados. b) Redução da dimensionalidade dos dados. c) Normalização dos dados. d) Padronização dos dados. https://www.tecconcursos.com.br/questoes/2346690 273) 274) e) Cálculo de distâncias entre os dados. www.tecconcursos.com.br/questoes/2543968 FGV - Ana (BBTS)/BBTS/Perfil Tecnológico/2023 TI - Desenvolvimento de Sistemas - Redução de Dimensionalidade Assinale a opção que apresenta a classe da biblioteca scikit-learn, versão 1.2.2, utilizada em scripts python para a implementação de análises incrementais de componentes principais. a) sklearn.position.PCAIncrement. b) sklearn.composition.PCAIncrement. c) sklearn.recomposition.PCAIncrement. d) sklearn.decomposition.IncrementalPCA. e) sklearn.recomposition.IncrementingPCA. www.tecconcursos.com.br/questoes/1990123 FGV - ATIFE (Sefaz AM)/SEFAZ AM/2022 TI - Desenvolvimento de Sistemas - Redução de Dimensionalidade Certo conjunto de dados contém 10000 observações, em que cada observação possui 10 variáveis. A análise de componentes principais (PCA) sobre estes dados apontou que a primeira componente principal é dada pelo vetor w. A esse respeito, assinale a afirmativa correta. a) A variância dos dados é a mesma nas direções dadas por w ou pelas demais componentes principais. https://www.tecconcursos.com.br/questoes/2543968 https://www.tecconcursos.com.br/questoes/1990123 275) 276) b) A variância dos dados é a menor na direção de w e aumenta na direção das demais componentes principais. c) A variância ao longo da direção dada por w é igual a 1. d) A variância ao longo da direção dada por w é menor do que 1. e) A variância dos dados é máxima na direção dada por w. www.tecconcursos.com.br/questoes/1821068 Tec - AUFC (TCU)/TCU/Controle Externo/Auditoria Governamental/2021 TI - Desenvolvimento de Sistemas - Redução de Dimensionalidade As duas principais abordagens presentes na redução de dimensionalidade são a) Projeção e aprendizado manifold b) Teste e validação c) Aprendizado supervisionado e não supervisionado d) Matriz de confusão e análise de erro e) Regressão Linear e regressão logística www.tecconcursos.com.br/questoes/1821069 Tec - AUFC (TCU)/TCU/Controle Externo/Auditoria Governamental/2021 TI - Desenvolvimento de Sistemas - Redução de Dimensionalidade São técnicas de redução de dimensionalidade, exceto a) Projeções Randomizadas https://www.tecconcursos.com.br/questoes/1821068 https://www.tecconcursos.com.br/questoes/1821069 277) b) Isomap c) Escalonamento Multidimensional d) Gradiente Descendente e) Distributed Stochastic Neighbor Embedding www.tecconcursos.com.br/questoes/1821071 Tec - AUFC (TCU)/TCU/Controle Externo/Auditoria Governamental/2021 TI - Desenvolvimento de Sistemas - Redução de Dimensionalidade Uma das principais abordagens quando se trata de redução de dimensionalidade é a Análise de Componente Principal (PCA). Sobre essa abordagem marque a alternativa correta. a) É utilizada para decompor um conjunto de componentes ortogonais em um conjunto de dados multivalorados. b) É possível projetar os dados em um espaço único enquanto dimensiona cada componente para a variação da unidade utilizando o parâmetro opcional whiten = True. c) Centralizae dimensiona os dados de entrada para cada recurso antes de aplicar a decomposição de valores singular (SVD). d) Uma das limitações dessa abordagem é não suportar o processamento em batch, pois esse tipo de processamento requer que todos os dados a serem processados estejam na memória principal. e) O objeto PCA não fornece uma interpretação probabilística do PCA que pode dar uma probabilidade de dados com base na quantidade de variação que ele explica. www.tecconcursos.com.br/questoes/1821258 Tec - AUFC (TCU)/TCU/Controle Externo/Auditoria Governamental/2021 TI - Desenvolvimento de Sistemas - Redução de Dimensionalidade https://www.tecconcursos.com.br/questoes/1821071 https://www.tecconcursos.com.br/questoes/1821258 278) 279) O processo utilizado para diminuir a quantidade de dimensões de um conjunto de dados para que se tenha uma visão mais encorpada de um conjunto de treinamento de alta dimensão é denominado de: a) Técnicas de regularização b) Otimização de hiperparâmetros c) Redução de Dimensionalidade d) Análise de sentimentos e) Separabilidade de dados www.tecconcursos.com.br/questoes/1821260 Tec - AUFC (TCU)/TCU/Controle Externo/Auditoria Governamental/2021 TI - Desenvolvimento de Sistemas - Redução de Dimensionalidade Sobre a redução de dimensionalidade julgue as afirmativas a seguir. I - Mesmo que se aplique a redução de dimensionalidade em um conjunto, os dados sempre permanecem intactos, ou seja, mesmo reduzindo a quantidade de dimensões não haverá perda de informações. II - Reduzir a dimensão de um conjunto de dados pode acelerar o seu treinamento, porém o seu desempenho pode não ser tão eficiente. III - A redução de dimensionalidade permite uma melhor visualização dos dados. Está(ão) correta(s) a(s) afirmativa(s) a) II e III b) I e III https://www.tecconcursos.com.br/questoes/1821260 280) c) I e II d) II apenas e) III apenas www.tecconcursos.com.br/questoes/1821264 Tec - AUFC (TCU)/TCU/Controle Externo/Auditoria Governamental/2021 TI - Desenvolvimento de Sistemas - Redução de Dimensionalidade Com relação às técnicas de redução de dimensionalidade, relacione as colunas. (1) PCA (2) Kernel PCA (3) LLE ( ) É uma técnica para redução de dimensionalidade não linear e que não depende de projeções. ( ) Permite aplicar projeções não lineares complexas para redução de dimensionalidade. ( ) Sua característica principal é identificar qual o hiperplano está mais próximo dos dados e, em seguida, projetar os dados nele. A correta relação se dá em a) 1 - 2 - 3 b) 2 - 3 - 1 c) 2 - 1 - 3 d) 3 - 2 - 1 e) 3 - 1 - 2 https://www.tecconcursos.com.br/questoes/1821264 281) 282) www.tecconcursos.com.br/questoes/1821266 Tec - AUFC (TCU)/TCU/Controle Externo/Auditoria Governamental/2021 TI - Desenvolvimento de Sistemas - Redução de Dimensionalidade A redução da dimensionalidade pode ser definida como a) processo de aprendizado de máquina que permite executar tarefas de classificação e regressão de dados. b) processo utilizado para trazer uma melhor visualização dos dados diminuindo a quantidade de dimensões de um conjunto. c) processo em que não permite que haja perdas de dados mantendo sempre o conjunto com o mesmo tamanho do original. d) processo em que aumenta o rendimento do conjunto, porém faz o treinamento dos dados ficar mais lento. e) processo de remoção de dados considerados impróprios. www.tecconcursos.com.br/questoes/338898 ESAF - AA (ANAC)/ANAC/Qualquer Área de Formação/2016 TI - Desenvolvimento de Sistemas - Redução de Dimensionalidade A redução da dimensionalidade de uma base de dados altamente correlacionados é objetivo da Análise a) de Componentes Principais. b) de Campos de Prioridades. c) de Componentes de Regressão. d) Dimensional de Covariância. https://www.tecconcursos.com.br/questoes/1821266 https://www.tecconcursos.com.br/questoes/338898 283) 284) e) Interativa de Componentes. www.tecconcursos.com.br/questoes/2779790 CESGRANRIO - TPP (IPEA)/IPEA/Ciência de Dados/2024 TI - Desenvolvimento de Sistemas - Redes Neurais Na arquitetura de redes neurais, diferentes funções de ativação são utilizadas nas camadas de neurônios para aplicar transformações não lineares aos dados. Uma dessas funções é a ReLU, conhecida por sua eficácia em diversos modelos de aprendizado profundo. Ao implementar a função ReLU, um pesquisador deve seguir a fórmula: a) b) c) d) e) www.tecconcursos.com.br/questoes/2295381 FGV - Aud Est (CGE SC)/CGE SC/Ciências da Computação/2023 TI - Desenvolvimento de Sistemas - Redes Neurais Sobre modelos de otimização de redes neurais, assinale a afirmativa incorreta. a) O gradiente descendente é um algoritmo de otimização de redes neurais em que a derivada da função de otimização leva a direção mais baixa do gráfico da função de custo. f(x) = 1 1+e−3 f(x) = {x, se x > 0 0, se x ≤ 0 f(x) = tanh(x) f(x) = max(0, x) − max(0, −x) f(x) = − 1+ 1x2− −−−−√ https://www.tecconcursos.com.br/questoes/2779790 https://www.tecconcursos.com.br/questoes/2295381 285) b) A ideia da Regularização é adicionar um termo extra à função de custo. Intuitivamente, o efeito da regularização é fazer com que a rede prefira aprender pesos pequenos, minimizando a função de custo. c) O momento acumula pesos anteriores para estabilizar a convergência da rede; o objetivo é ajudar a desviar de mínimos locais e pode acelerar treinamento em regiões muito planas da superfície de erro. d) O algoritmo de otimização ADAM guarda, além dos valores dos pesos passados, o decaimento exponencial da média de gradientes passados e possui o mesmo objetivo do momento. e) A regularização L1 transforma valores pequenos em zeros e, consequentemente, permite reduzir o número de pesos, enquanto a regularização L2 procura manter todos os pesos pequenos de forma que maximiza a função de custo. www.tecconcursos.com.br/questoes/2295403 FGV - Aud Est (CGE SC)/CGE SC/Ciências da Computação/2023 TI - Desenvolvimento de Sistemas - Redes Neurais Sobre as redes neurais convolucionais (CNNs) é correto afirmar que a) ao treinar CNNs utilizando transferência de aprendizado, começamos com um modelo pré-treinado e executamos numa nova tarefa qualquer, sem precisar se preocupar com o formato e o tipo de dados. b) ao treinar CNNs utilizando transferência de aprendizado para ajuste fino, começamos com um modelo pré-treinado e atualizamos todos os parâmetros do modelo para nossa nova tarefa, basicamente retreinando todo o modelo. https://www.tecconcursos.com.br/questoes/2295403 286) c) uma rede neural convolucional pode ser utilizada para reconhecer os mais variados tipos de dados. Por exemplo, textos, imagens e dados de clientes. Para isso, basta que os dados de entrada sejam transformados por alguma técnica de extração de características em simples vetores de características. d) as últimas camadas convolucionais de uma rede neural CNN são capazes de extrair características mais baixo nível dos dados, como linhas, círculos e pontos, enquanto as primeiras camadas extraem características mais alto nível, detalhes mais específicos dos objetos reconhecidos. e) as camadas de pooling das CNNS são capazes de extrair características de médio nível, reconhecendo características que são mais detalhadas que as primeiras camadas convolucionais. www.tecconcursos.com.br/questoes/2337614 FGV - ACE (TCE ES)/TCE ES/Tecnologia da Informação/2023 TI - Desenvolvimento de Sistemas - Redes Neurais Uma Rede Neural Artificial (RNA) feed-forward sem nenhum bias possui uma camada oculta composta de três neurônios e uma camada de saída composta por dois neurônios. A função de ativação da camada oculta e da camada de saída é a Rectified Linear Unit (ReLU), onde e as matrizes f(x) = {x, se x ≥ 0 0, se x < 0 = e = [ ]W1 ⎡ ⎣ ⎢ 0, 1 0, 4 0 −0, 2 0 0, 2 ⎤ ⎦ ⎥ W2 0, 3 0 −0, 5 0, 2 0, 1 −0, 1 https://www.tecconcursos.com.br/questoes/2337614 287) representam os pesos entre a camada de entrada e a camada oculta eentre a camada oculta e a camada de saída, respectivamente. Considerando um vetor de entrada , o vetor de saída será: a) b) c) d) e) www.tecconcursos.com.br/questoes/2555113 FUNDATEC - ANC (PROCERGS)/PROCERGS/Ciência de Dados/2023 TI - Desenvolvimento de Sistemas - Redes Neurais Sobre as Redes Neurais Recorrentes (RNN), é correto afirmar que: X = [ ]1 2 [ ]0, 11 0, 04 [ ]0 0, 04 [ ]−0, 16 0, 04 [ ]−0, 25 0, 04 [ ]0, 25 0, 12 https://www.tecconcursos.com.br/questoes/2555113 288) a) As RNNs passam informações em uma direção, através de vários nós de entrada, até que cheguem ao nó de saída. A rede pode ou não ter camadas de nós ocultas, tornando o seu funcionamento mais interpretável. b) Nas RNNs, as entradas são de tamanho fixo, apresentam relacionamento espacial e, em geral, são utilizadas para reconhecimento facial. c) Nas redes Gated Recurrent Network (GRU), os gradientes fazem com que a relação temporal que a rede deve aprender se perca com o tempo através de uma célula exclusiva para armazenamento e fluxo de memória. d) As RNNs possuem uma dependência temporal entre os dados de entrada, pois, além dos dados da camada anterior, os neurônios escondidos da rede também recebem o resultado da operação matemática que eles mesmos realizaram no período temporal anterior. Por essa razão, as RNNs podem ser utilizadas, por exemplo, para a previsão utilizando dados históricos. e) Nas redes neurais de memória de curto-prazo longa (LTTM), o portão de entrada e saída é substituído por um portão de atualização, que é responsável por controlar o quanto de informação reter e o quanto atualizar. Em outra localização, há um portão denominado reset, que substitui o portão de esquecimento. www.tecconcursos.com.br/questoes/2555114 FUNDATEC - ANC (PROCERGS)/PROCERGS/Ciência de Dados/2023 TI - Desenvolvimento de Sistemas - Redes Neurais As Redes Neurais _________ possuem uma arquitetura feed-forward que usam filtros e camadas de agrupamento para transformar os dados, enquanto as Redes Neurais _________ são preditivas, reutilizam funções de ativação de outros pontos de dados na sequência para gerar a próxima saída em uma série. Assinale a alternativa que preenche, correta e respectivamente, as lacunas do trecho acima. https://www.tecconcursos.com.br/questoes/2555114 289) a) LSTM (Long short-term memory) – GRU (Gated Recurrent Network) b) Radial Basis Network (RBF) – Perceptrons (P) c) Convolucionais – Recorrentes d) Feed Forward Network (FFN) – Convolucionais e) Recorrentes – Radial Basis Network (RBF) www.tecconcursos.com.br/questoes/2555126 FUNDATEC - ANC (PROCERGS)/PROCERGS/Ciência de Dados/2023 TI - Desenvolvimento de Sistemas - Redes Neurais __________ consiste em uma análise estatística que envolve duas variáveis: a de resposta e a preditiva, e considera que o valor da variável de resposta (ou dependente) pode ser estimado por uma combinação de variáveis explicativas (dependentes). Já quando a variável de resultado é de natureza categórica, __________ pode ser usada para prever a probabilidade de um resultado com base nas variáveis de entrada que podem ser explicativas, contínuas e/ou binárias. Assinale a alternativa que preenche, correta e respectivamente, as lacunas do trecho acima. a) Rede Neural Recorrente – Rede Neural Convolucional b) Random Forest – K-Means c) Regressão Linear – Regressão Logística d) k-Means – k-Nearest Neighbors e) Suport Vector Machine – Radom Forest www.tecconcursos.com.br/questoes/2555131 FUNDATEC - ANC (PROCERGS)/PROCERGS/Ciência de Dados/2023 TI - Desenvolvimento de Sistemas - Redes Neurais https://www.tecconcursos.com.br/questoes/2555126 https://www.tecconcursos.com.br/questoes/2555131 290) 291) 292) Qual é a biblioteca Python para aprendizado de máquina que permite a experimentação com redes neurais profundas e que possui arquitetura modular e extensível? a) NumPyName. b) PyTorch. c) Keras. d) SciPy. e) TensorFlow. www.tecconcursos.com.br/questoes/2641842 CEBRASPE (CESPE) - Ana TI (DATAPREV)/DATAPREV/Inteligência da Informação/2023 TI - Desenvolvimento de Sistemas - Redes Neurais A respeito de redes neurais, julgue o item a seguir. As conexões entre as camadas de uma rede neural do tipo MLP são de natureza feedfoward. Certo Errado www.tecconcursos.com.br/questoes/2641844 CEBRASPE (CESPE) - Ana TI (DATAPREV)/DATAPREV/Inteligência da Informação/2023 TI - Desenvolvimento de Sistemas - Redes Neurais A respeito de redes neurais, julgue o item a seguir. Nas redes neurais completamente conectadas, todos os neurônios de uma camada estão conectados aos neurônios da camada seguinte, no entanto, não é possível que as saídas das camadas posteriores https://www.tecconcursos.com.br/questoes/2641842 https://www.tecconcursos.com.br/questoes/2641844 293) 294) alimentem a entrada de camadas anteriores. Certo Errado www.tecconcursos.com.br/questoes/2641845 CEBRASPE (CESPE) - Ana TI (DATAPREV)/DATAPREV/Inteligência da Informação/2023 TI - Desenvolvimento de Sistemas - Redes Neurais A respeito de redes neurais, julgue o item a seguir. As redes neurais têm a capacidade de adaptar seus pesos sinápticos considerando as mudanças de padrão dos dados de entrada. Certo Errado www.tecconcursos.com.br/questoes/2641847 CEBRASPE (CESPE) - Ana TI (DATAPREV)/DATAPREV/Inteligência da Informação/2023 TI - Desenvolvimento de Sistemas - Redes Neurais A respeito de redes neurais, julgue o item a seguir. Backpropagation propaga o erro da camada de saída para as camadas intermediárias de uma rede neural a fim de que estas possam modificar seus pesos de forma a minimizar o erro médio. Certo Errado https://www.tecconcursos.com.br/questoes/2641845 https://www.tecconcursos.com.br/questoes/2641847 295) 296) www.tecconcursos.com.br/questoes/2641848 CEBRASPE (CESPE) - Ana TI (DATAPREV)/DATAPREV/Inteligência da Informação/2023 TI - Desenvolvimento de Sistemas - Redes Neurais A respeito de redes neurais, julgue o item a seguir. Apesar das CNN serem redes neurais profundas, com várias camadas ocultas, elas são dispensadas nos algoritmos de reconhecimento de imagens. Certo Errado www.tecconcursos.com.br/questoes/2650570 FUVEST - Ana Sis (USP)/USP/Ciência de Dados/2023 TI - Desenvolvimento de Sistemas - Redes Neurais Sobre redes neurais convolucionais profundas (CNNs), assinale a alternativa correta. a) A aplicação de dropout é importante para ajustar o formato dos dados para serem processados pela camada totalmente conectada. b) São tradicionalmente adequadas para processar dados textuais devido à sua arquitetura baseada em word embeddings dinâmicos. c) Data augmentation é o processo de transferência de aprendizado em que o fine-tuning é realizado nas primeiras camadas convolucionais da rede. d) As camadas de convolução realizam extração de características enquanto as camadas de pooling reduzem a dimensionalidade. e) CNNs podem ser usadas como extratores de características para classificadores SVM porque compartilham os mesmos tipos de kernels. https://www.tecconcursos.com.br/questoes/2641848 https://www.tecconcursos.com.br/questoes/2650570 297) www.tecconcursos.com.br/questoes/2710241 FGV - AL (CAM DEP)/CAM DEP/Informática Legislativa/2023 TI - Desenvolvimento de Sistemas - Redes Neurais A evolução das redes neurais impulsionou significativamente o avanço da inteligência artificial, resultando em arquiteturas inovadoras. Entre elas, uma se sobressai por sua habilidade em gerenciar sequências de tamanho variável, eficiência em treinamentos com grandes volumes de dados e pela implementação do mecanismo de atenção, o que possibilita uma análise ponderada e dinâmica das entradas. Essa arquitetura é denominada a) Transformer. b) Rede Neural Convolucional (CNN). c) Perceptron Multicamadas (MLP). d) Rede Neural Recorrente (RNN). e) Rede Neural de Memória Longa de Curto Prazo (LSTM). www.tecconcursos.com.br/questoes/2710265 FGV - AL (CAM DEP)/CAM DEP/Informática Legislativa/2023 TI - Desenvolvimento
Compartilhar