POLI USP PRO Avaliação de Fundamentos em Big Data

Prévia do material em texto

24/03/2024, 18:12 POLI USP PRO Avaliação de Fundamentos em Big Data (11/03/2024)
https://academico.poliusppro.com/ExamReference/ProofStudentExam?idExamRef=215880 1/4
(/) Sistema Acadêmico 17
Lara
N° USP 15274817

 Avaliação de Fundamentos em Big Data (11/03/2024)
Fundamentos em Big Data
Professor: Denise Aparecida Botter
Avaliação realizada por:
Avaliação realizada em: 24/03/2024
 Tentativa
1 de 3

Nota
10,0

Questões Respondidas
10 de 10
Lara - laracbmarques@hotmail.com Lara - laracbmarques@hotmail.com
   Questão #1
   Questão #2
É CORRETO a�rmar sobre o método K-fold:
O modelo é ajustado K vezes
Quando o valor de K é muito elevado, ocorre um aumento do custo computacional, além de implicar
em uma amostra de validação pequena
Todas as alternativas estão corretas
Os valores usuais de K são 2, 5 ou 10
Assinale a alternativa que complementa CORRETAMENTE a lacuna da frase a seguir:
A _______________ desenvolve algoritmos para o processamento de conjuntos enormes de dados
(megadados ou big data).
Ciência de dados
Estatística
Nenhuma alternativa está correta
Ciência da computação
Home () /  Publicação de Avaliação (/ExamPublish/ExamStudent/1387)
/  Avaliação de Fundamentos em Big Data (11/03/2024)
https://academico.poliusppro.com/
javascript:void(0);
https://academico.poliusppro.com/ExamReference/ProofStudentExam?idExamRef=215880
https://academico.poliusppro.com/ExamReference/ProofStudentExam?idExamRef=215880
https://academico.poliusppro.com/ExamPublish/ExamStudent/1387
https://academico.poliusppro.com/ExamPublish/ExamStudent/1387
24/03/2024, 18:12 POLI USP PRO Avaliação de Fundamentos em Big Data (11/03/2024)
https://academico.poliusppro.com/ExamReference/ProofStudentExam?idExamRef=215880 2/4
Lara - laracbmarques@hotmail.com Lara - laracbmarques@hotmail.com
Lara - laracbmarques@hotmail.com Lara - laracbmarques@hotmail.com
Lara - laracbmarques@hotmail.com Lara - laracbmarques@hotmail.com
   Questão #3
   Questão #4
A �gura abaixo foi utilizada em aula e representa um grá�co de:
Regressão linear simples
Regressão não linear
Regressão linear múltipla
Regressão polinomial
NÃO é uma das técnicas principais do aprendizado supervisionado:
Modelos de regressão logística
Função discriminante de Fisher
Redes neurais
Análise de agrupamentos
24/03/2024, 18:12 POLI USP PRO Avaliação de Fundamentos em Big Data (11/03/2024)
https://academico.poliusppro.com/ExamReference/ProofStudentExam?idExamRef=215880 3/4
Lara - laracbmarques@hotmail.com Lara - laracbmarques@hotmail.com
Lara - laracbmarques@hotmail.com Lara - laracbmarques@hotmail.com
Lara - laracbmarques@hotmail.com Lara - laracbmarques@hotmail.com
   Questão #5
   Questão #6
   Questão #7
Considerando os modelos de validação cruzada, assinale a alternativa que complementa
CORRETAMENTE a lacuna da frase a seguir:
No método ______________ o modelo é ajustado a partir da amostra base, mas é validado em outra base
de dados, que não é uma subdivisão da amostra base. Não há um consenso quanto à determinação
do tamanho da amostra na validação externa.
De validação neutra
Nenhuma alternativa está correta
De validação externa
De validação interna
No grá�co box plot, o LI (Limite Inferior) é obtido por meio da seguinte equação:
LI=Q1-1,5*(Q2-Q1)
LI=Q1+1,5*(Q2-Q1)
LI=Q1-1,5*(Q3-Q1)
LI=Q1+1,5*(Q3-Q1)
No grá�co box plot, o LS (Limite Superior) é obtido por meio da seguinte equação:
LS=Q3+1,5*(Q3-Q1)
LS=Q3-1,5*(Q3-Q1)
LS=Q2-1,5*(Q3-Q1)
LS=Q2+1,5*(Q3-Q1)
24/03/2024, 18:12 POLI USP PRO Avaliação de Fundamentos em Big Data (11/03/2024)
https://academico.poliusppro.com/ExamReference/ProofStudentExam?idExamRef=215880 4/4
Lara - laracbmarques@hotmail.com Lara - laracbmarques@hotmail.com
Lara - laracbmarques@hotmail.com Lara - laracbmarques@hotmail.com
Lara - laracbmarques@hotmail.com Lara - laracbmarques@hotmail.com
   Questão #8
   Questão #9
   Questão #10
É uma desvantagem do R²:
Sempre aumenta quando são acrescentadas variáveis no modelo, mesmo quando a variável não é
importante
Aumenta apenas quando são acrescentadas variáveis importantes no modelo
Sempre diminui quando são acrescentadas variáveis no modelo, mesmo quando a variável não é
importante
Diminui apenas quando são acrescentadas variáveis importantes no modelo
No contexto de aprendizado estatístico, a metodologia desenvolvida essencialmente para previsão e
classi�cação é chamada de:
Aprendizado não supervisionado
Aprendizado supervisionado
Aprendizado de máquina
Aprendizado pragmático
É CORRETO a�rmar sobre os parâmetros da regressão linear simples:
β: coe�ciente angular – inclinação da reta
α: intercepto ou coe�ciente linear - valor médio (ou valor esperado) da variável resposta Y, quando X =
0
σ²: variância do erro
Todas as alternativas estão corretas
Voltar (/ExamPublish/ExamStudent/1387)
Versão 1.32.24
https://academico.poliusppro.com/ExamPublish/ExamStudent/1387