Avaliação I -ML II Individual

Prévia do material em texto

Prova Impressa
GABARITO | Avaliação I - Individual (Cod.:957023)
Peso da Avaliação 2,00
Prova 78425092
Qtd. de Questões 10
Acertos/Erros 10/0
Nota 10,00
Na era do Big Data, deixaremos de viver como as 10000 gerações que nos antecederam. Para alguns 
pesquisadores, o Big Data é tão revolucionário na vida humana quanto a descoberta do fogo ou o 
início da agricultura. Dentre os campos que se aproveitam de tais dados, a mineração de dados 
destaca-se por obter conhecimento de tais dados. Sobre as etapas da mineração de dados, associe os 
itens, utilizando o código a seguir:
I- Limpeza de dados.
II- Integração de dados.
III- Seleção de dados.
IV- Transformação de dados.
( ) Em que os dados relevantes para a tarefa de análise são recuperados da base de dados.
( ) Em que os dados são transformados e consolidados em formulários apropriado para mineração, 
realizando operações de resumo ou agregação.
( ) Em que são removidos ruídos e dados inconsistentes.
( ) Em que várias fontes de dados podem ser combinadas.
Assinale a alternativa que apresenta a sequência CORRETA:
A III - IV - I - II.
 VOLTAR
A+ Alterar modo de visualização
1
B I - IV - III - II.
C I - II - III - IV.
D IV - III - II - I.
A Mineração de Dados é uma das tecnologias mais promissoras da atualidade. Um dos fatores desse 
sucesso é o fato de dezenas, e muitas vezes centenas de milhões de reais serem gastos pelas 
companhias na coleta dos dados e, no entanto, nenhuma informação útil é identificada.
Sobre os modelos de mineração de dados, assinale a alternativa CORRETA:
FONTE: CAMILO, Cássio Oliveira; SILVA, João Carlos da. Mineração de dados: Conceitos, tarefas, 
métodos e ferramentas. Universidade Federal de Goiás (UFC), v. 1, n. 1, p. 1-29, 2009.
A Previsão, Risco e probabilidade, Recomendações, Localizando sequências e Agrupamento.
B Adaptação, Recuo, Recomendações, Localizando sequências e Agrupamento.
C Reclusão, Risco e Probabilidade, Recomendações, Localizando sequências e Filtros.
D Previsão, Risco e Probabilidade, Recomendações e Agregações.
A mineração de dados (DM - Data Mining), tem atraído muito a atenção da indústria da informação e 
da sociedade como um todo. Sendo considerada a etapa mais importante do processo KDD, muitas 
vezes os dois conceitos se confundem e são utilizados de forma errada. Sobre mineração de dados, 
seus recursos e tecnologias, associe os itens, utilizando o código a seguir:
I- Análise descritiva dos dados.
II- Estimação.
2
3
III- Classificação.
IV- Agrupamento.
( ) Classificador K-NN; árvores de decisão; redes neurais; classificador Naive Bayes.
( ) Análise de distribuição de frequências; representação gráfica de séries temporais; diagrama de 
dispersão; medidas de tendência central e posição (média aritmética simples, mediana, moda, 
percentis); medidas de variabilidade (amplitude total, desvio padrão, coeficiente de variação); outras 
representações gráficas (boxplot, histograma).
( ) Regressão polinomial; regressão linear; modelos autorregressivos; persistência; redes neurais; 
modelos markovianos.
( ) Algoritmo k-médias (k-means); fuzzy k-médias; árvore geradora mínima. Associação: rede 
bayesiana; cadeia de Markov; rede de causalidade; informação mútua; correlação; Partial Directed 
Coherence (PDC).
Assinale a alternativa que apresenta a sequência CORRETA:
A III - I - II - IV.
B III - I - IV - II.
C IV - I - II - III.
D III - IV - II - I.
Em cenários de Big Data torna-se interessante a aplicação de algoritmos de mineração de dados para a 
extração do conhecimento nas mais diversas áreas. Neste sentido, a mineração de regras de associação 
pode ser vista como uma das mais importantes tarefas de mineração de dados. Sobre as regras de 
associação e a definição do suporte, analise as sentenças a seguir:
( ) É preciso verificar o quantitativo total de transações que temos na amostra.
( ) É preciso somar todas as colunas somadas às linhas da tabela (cesta).
É
4
( ) É preciso determinar em quantas transações aparecem os dois itens da regra a ser verificada.
( ) É preciso calcular o suporte da regra.
Assinale a alternativa que apresenta a sequência CORRETA:
A V - F - F - V.
B V - V - V - F.
C F - F - F - V.
D V - F - V - V.
O KDD (knowledge discovery in databases) é baseado em técnicas conhecidas como aprendizagem 
de máquina, reconhecimento de padrões e estatística clássica para descobrir padrões nas análises. 
Sobre as etapas do KDD, assinale a alternativa CORRETA:
 
A Seleção, Pré-Processamento, Transformação, Data Mining e Interpretação.
B Coleta, Pré-Processamento, Transformação, Data Mining e Interpretação.
C Seleção, Data Warehousing e Interpretação.
D Coleta, Data Warehousing, Pré-Processamento, Transformação e Data Mining.
Machine Learning é uma subárea da Inteligência Artificial que se concentra na capacidade de 
sistemas computacionais aprenderem e melhorarem automaticamente com base em dados. Essa 
disciplina busca criar algoritmos e modelos que possam identificar padrões, fazer previsões e tomar 
decisões com base nas informações disponíveis, sem a necessidade de programação explícita para 
cada cenário. As aplicações do Machine Learning são vastas, abrangendo desde reconhecimento de 
voz até análise de dados complexos em tempo real. A compreensão desse conceito é crucial para 
acompanhar os avanços tecnológicos e suas implicações em diversas áreas.
5
6
Fonte: GOODFELLOW, I.; BENGIO, Y.; COURVILLE, A. Deep Learning. Cambridge: MIT Press, 
2016.
Sobre Machine Learning, assinale a alternativa correta: 
A O Machine Learning às vezes utiliza de indução para analisar dados, identificar padrões e fazer
previsões ou tomar decisões com base nesses padrões.
B O Machine Learning usa algoritmos e modelos estatísticos para analisar dados, identificar
padrões e fazer previsões ou tomar decisões com base nesses padrões.
C O Machine Learning utiliza de indução para analisar dados, identificar padrões e fazer previsões
ou tomar decisões com base nesses padrões.
D O Machine Learning usa apenas algoritmos para analisar dados, identificar padrões e fazer
previsões ou tomar decisões com base nesses padrões.
O KDD é o processo de descoberta de conhecimentos, que envolve etapas que vão desde a preparação 
da base de dados até a apresentação do conhecimento encontrado através das técnicas de mineração 
de dados. Sobre etapas da mineração de dados, ordene os itens a seguir:
I- Transformação.
II- Data Mining.
III- Interpretação.
IV- Seleção.
V- Pré-Processamento.
Assinale a alternativa que apresenta a sequência CORRETA:
7
FONTE: TAVARES, Mara Rosane Noble; WOLFF, Denise Luzia; DA SILVA, Cristina Almeida. 
Forma de ingresso X situação dos alunos no Curso Superior de Tecnologia em Sistemas para Internet 
do IFRS. #Tear: Revista de Educação, Ciência e Tecnologia, v. 5, n. 2, 2016.
A IV - V - I - III - II.
B IV - V - I - II - III.
C I - II - IV - III - V.
D I - II - III - IV - V.
As regras de associação têm sido estudadas na literatura por sua utilidade em muitos domínios de 
aplicação, como sistemas de recomendação, suporte a decisões de diagnóstico, telecomunicações, 
detecção de intrusão, entre outros. Sobre as regras de associação, classifique V para as sentenças 
verdadeiras e F para as falsas:
( ) O algoritmo a priori não teve mutações, permanecendo como em sua criação.
( ) As regras de associação são extraídas a partir de combinações de itens da base de dados, 
combinando dois itens.
( ) Um exemplo típico de aplicação de mineração de regra de associação é a classificação de textos.
( ) Os algoritmos de mineração de regras de associação são utilizados para encontrar associações ou 
relacionamentos entre os dados.
Assinale a alternativa que apresenta a sequência CORRETA: 
A F - V - F - F.
B V - F - V - V.
C F - V - V - V.
D F - V - F - V.
8
O algoritmo Apriori possui diversas aplicações em áreas como análise de dados. Em análise de cestas 
de compras, ele identificapadrões de compra, ajudando em estratégias de precificação e colocação de 
produtos. Na detecção de fraudes, o Apriori pode revelar transações suspeitas frequentes. 
Com base nas informações apresentadas, avalie as asserções a seguir e a relação proposta entre elas:
I. O algoritmo Apriori segue uma sequência iterativa de passos para identificar conjuntos frequentes 
em um conjunto de dados.
PORQUE
II. Ele começa calculando o suporte de itens individuais na primeira passagem, identificando 
conjuntos-de-1-item frequentes. Em seguida, gera conjuntos-de-2-itens candidatos na segunda 
iteração e determina seus suportes no banco de dados, buscando conjuntos frequentes de 2 itens.
A respeito dessas asserções, assinale a opção correta:
A A asserção I é uma proposição verdadeira, e a II é uma proposição falsa.
B A asserção I é uma proposição falsa, e a II é uma proposição verdadeira.
C As asserções I e II são verdadeiras, mas a II não é uma justificativa correta da I.
D As asserções I e II são verdadeiras, e a II é uma justificativa correta da I.
As regras de associação representam combinações de itens que ocorrem com determinada frequência 
em uma base de dados. A mineração de regras de associação torna-se atraente e popular por possuir 
uma forma fácil de ser compreendida. Sobre as regras de associação, classifique V para as sentenças 
verdadeiras e F para as falsas:
( ) No pré-processamento, itens frequentes são aqueles que atendem algum critério preestabelecido 
mínimo de frequência, como itens que aparecem pelo menos em determinado número de transações.
9
10
( ) Na geração de itens, além de poder cobrir todas as etapas comuns de pré-processamento de 
 dados, como limpeza, integração, redução, transformação e discretização, a adequação.
( ) Na mineração de regras de mineração das regras, as regras são geradas em uma etapa específica, 
utilizando simplesmente os itens frequentes da base.
( ) Na avaliação são verificadas determinadas regras de associação, podem ser utilizadas diferentes 
medidas de interesse, dependendo do contexto.
Assinale a alternativa que apresenta a sequência CORRETA: 
A F - V - F - V.
B V - F - F - F.
C V - F - V - F.
D F - F - V - V.
Imprimir