Baixe o app para aproveitar ainda mais
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
Compartilhar