Prova de Introdução ao Aprendizado de Máquina

Prévia do material em texto

Prova de Introdução ao Aprendizado de Máquina
Instruções:
Responda cada questão da forma mais clara e concisa possível.
Você tem 60 minutos para completar a prova.
A pontuação total é de 100 pontos, 10 pontos por questão.
Questões:
O que é Aprendizado de Máquina e por que é uma área importante na ciência da computação?
Resposta: O Aprendizado de Máquina é um ramo da inteligência artificial que envolve o desenvolvimento de algoritmos e modelos que permitem aos computadores aprenderem a partir de dados. É importante porque permite aos sistemas automatizarem tarefas, fazerem previsões e tomar decisões com base em padrões e experiências passadas.
Explique a diferença entre Aprendizado Supervisionado e Aprendizado Não Supervisionado.
Resposta: No Aprendizado Supervisionado, o algoritmo é treinado em um conjunto de dados rotulados, onde cada exemplo de entrada está associado a uma saída desejada. No Aprendizado Não Supervisionado, o algoritmo tenta encontrar padrões nos dados sem o auxílio de rótulos.
Quais são alguns exemplos de problemas que podem ser abordados com o Aprendizado de Máquina?
Resposta: Alguns exemplos incluem reconhecimento de padrões, classificação de texto, previsão de séries temporais, detecção de fraudes, diagnóstico médico, recomendação de produtos e análise de sentimentos.
Descreva o processo básico de treinamento de um modelo de Aprendizado de Máquina.
Resposta: O processo geralmente envolve as seguintes etapas: coleta e preparação dos dados, escolha do algoritmo adequado, divisão do conjunto de dados em conjuntos de treinamento e teste, treinamento do modelo usando os dados de treinamento e avaliação do desempenho do modelo usando os dados de teste.
O que é Overfitting em um modelo de Aprendizado de Máquina e como pode ser evitado?
Resposta: Overfitting ocorre quando um modelo se ajusta muito bem aos dados de treinamento, mas não generaliza bem para novos dados. Pode ser evitado usando técnicas como validação cruzada, regularização e aumento de dados.
Quais são algumas métricas comuns usadas para avaliar a performance de modelos de classificação?
Resposta: Algumas métricas comuns incluem precisão, recall, F1-score, matriz de confusão e curva ROC.
Explique o conceito de "bias-variance tradeoff" e sua importância no desenvolvimento de modelos de Aprendizado de Máquina.
Resposta: A tradeoff entre bias e variance refere-se à compensação entre a complexidade do modelo e sua capacidade de generalização. Modelos com alto viés tendem a subestimar a complexidade dos dados (underfitting), enquanto modelos com alta variância tendem a se ajustar demais aos dados de treinamento (overfitting). Encontrar o equilíbrio adequado é essencial para o desenvolvimento de modelos eficazes.
O que são conjuntos de validação e para que são usados no treinamento de modelos de Aprendizado de Máquina?
Resposta: Conjuntos de validação são conjuntos de dados separados do conjunto de treinamento e teste, usados para ajustar os hiperparâmetros do modelo e avaliar seu desempenho durante o treinamento. Eles são essenciais para evitar overfitting e selecionar o melhor modelo.
Qual é a diferença entre regressão e classificação no contexto do Aprendizado de Máquina?
Resposta: Regressão é usada quando a variável de saída é contínua, enquanto classificação é usada quando a variável de saída é discreta (por exemplo, classes ou categorias).
Como o Aprendizado de Máquina está sendo aplicado em áreas do cotidiano?
Resposta: O Aprendizado de Máquina está sendo aplicado em áreas como assistentes virtuais, recomendação de conteúdo, reconhecimento de voz, tradução automática, análise de sentimentos em redes sociais, diagnóstico médico e veículos autônomos.