Apol 2 - MACHINE LEARNING

Prévia do material em texto

Questão 1/10 - Machine Learning
O termo one-hot descreve um grupo de bits onde apenas um dos bits é 1 (um) e todos os demais 0 (zero). Em aprendizagem de máquina, existe um método chamado one-hot enconding que é utilizada para lidar com dados categóricos.”
Considere que você possui um conjunto de dados onde já um campo Idiomas que podem assumir 3 valores: português, espanhol e inglês. Valendo dos seus conhecimentos sobre dados categóricos, uma possível codificação one-hot para este campo seria:
	
	A
	português (1), espanhol (2), francês (3)
	
	B
	português (00), espanhol (10), francês (11)
	
	C
	português (000), espanhol (001), francês (010)
	
	D
	português (001), espanhol (002), francês (003)
	
	E
	português (001), espanhol (010), francês (100)
Você assinalou essa alternativa (E)
Questão 2/10 - Machine Learning
Os modelos de regressão logística e regressão linear, apresentam semelhanças, além do nome. No entanto, utilizam funções diferentes para obtenção dos valores, apresentando outras diferenças entre si que determinam os diferentes uso para os quais os modelos podem ser aplicados.
Considerando o texto acima e valendo-se do seu conhecimento sobre aprendizagem de máquina,  de maneria simplificada podemos dizer que a principal diferença entre os modelos é:
	
	A
	o tipo treinamento
	
	B
	a predição de valores contínuos e discretos
Você assinalou essa alternativa (B)
	
	C
	vetores de atributos com tamanhos distintos
	
	D
	as categorias utilizadas
	
	E
	o número de categorias
Questão 3/10 - Machine Learning
Você foi contratado para o posto de cientista de dados, para compor uma equipe, que atualmente já trabalha com dados, mas não possui experiência em aprendizagem de máquina. Um das suas primeiras tarefas designadas, foi planejar um modelo de aprendizagem de máquina que consiga agrupar os clientes de um site de venda online eu grupos de interesse. As informações de navegação dos clientes no site foram coletadas e partir dessas informações devem ser criados os agrupamentos de clientes.
Utilizando os seus conhecimentos de aprendizagem de máquina e sabendo que a sua equipe dispõe de capacidade de processamento e dados em abundância, você recomendaria a utilização de:
	
	A
	um classificador bayesiano
	
	B
	um modelo do tipo k-Means
Você assinalou essa alternativa (B)
	
	C
	uma classificador do tipo k-NN
	
	D
	uma rede neural do tipo LSTM
	
	E
	uma rede neura do tipo CNN
Questão 4/10 - Machine Learning
Você necessita executar o treinamento de um modelo de aprendizagem. Sabendo que é preciso dividir os dados em treinamento e em testes, você resolve utilizar uma proporção que é bastante utilizada e recomendada, na qual se fornece mais dados para treino que para testes.
Valendo-se dos seus conhecimento de aprendizagem de máquina, para conseguir executar o treinamento do modelo você deverá:
	
	A
	utilizar uma estratégia de validação cruzada
	
	B
	utilizar os dados na proporção 80-20
Você assinalou essa alternativa (B)
	
	C
	utilizar os dados na proporção 50-50
	
	D
	treinar e testar com os mesmos dados
	
	E
	utilizar todos os dados para treino e não testar
Questão 5/10 - Machine Learning
Você foi contratado para o posto de cientista de dados, para compor uma equipe, que atualmente já trabalha com dados, mas não possui experiência em aprendizagem de máquina. Um das suas primeiras tarefas designadas, foi a explanação de trechos de códigos em linguagem relacionados ao treinamento de modelos de aprendizagem de máquina.
Um dos trechos que a equipe gostaria de compreender se refere a uma troca de códigos, onde o código:
mlp_clf = MLPClassifier(warm_start=True, max_iter=500,                                                                                                         hidden_layer_sizes=(100,50,50))
Foi substituído por:
            mlp_clf = MLPClassifier(warm_start=True, max_iter=500,
                                                         hidden_layer_sizes=(50,50))
De acordo com os seus conhecimentos de  aprendizagem de máquina, a substituição de código foi feita para:
	
	A
	alterar o tipo do classificador
	
	B
	aumentar a quantidade de camadas da rede
	
	C
	diminuir a quantidade de camadas da rede
Você assinalou essa alternativa (C)
	
	D
	estabilizar as camadas da rede
	
	E
	aumentar o número de nós da rede
Questão 6/10 - Machine Learning
Você foi contratado para o posto de cientista de dados, para compor uma equipe, que atualmente já trabalha com dados, mas não possui experiência em aprendizagem de máquina. Um das suas primeiras tarefas designadas, foi a explanação de trechos de códigos em linguagem relacionados ao treinamento de modelos de aprendizagem de máquina.
Um dos trechos que a equipe gostaria de compreender se refere a uma troca de códigos, onde o código:
mlp_clf = MLPClassifier(warm_start=True, max_iter=500,                                                                                                         hidden_layer_sizes=(100,))
Foi substituído por:
            mlp_clf = MLPClassifier(warm_start=True, max_iter=500,
                                                         hidden_layer_sizes=(50,50))
A equipe gostaria de saber se essa mudança, iria exigir mais memória. Ou seja, se o número de nós da rede aumentaria.
De acordo com os seus conhecimentos de  aprendizagem de máquina, a substituição de código fará com o número de nós do classificar perceptron de múltiplas camadas:
	
	A
	irá diminuir
	
	B
	irá dobrar
	
	C
	reduzirá pela metade
	
	D
	permanecerá igual
Você assinalou essa alternativa (D)
	
	E
	irá aumentar
Questão 7/10 - Machine Learning
Como um iniciante na área de ciência de dados, você recebeu uma tarefa de agrupar um conjunto de dados de pessoas, utilizando um algoritmo de agrupamento. Você executou a separação utilizando um tutorial de internet, mas os resultados não foram satisfatórios. Buscando melhorar os resultados você pediu ajuda a um expert que lhe disse apenas o seguinte: “Altere o seu k-means para usar Manhattan ou Mahalanobis”.
De acordo com o seu conhecimento do algoritmo k-means, o expert estava sugerindo que você:
	
	A
	utilizasse outro algoritmo
	
	B
	utilizasse métricas de distância diferentes
Você assinalou essa alternativa (B)
	
	C
	utilizasse uma outra linguagem de programação
	
	D
	utilizasse um método supervisionado
	
	E
	utilizasse um framework
Questão 8/10 - Machine Learning
Os modelos de regressão linear apresentam uma característica de não permitir calcular o número de erro de acertos, pois os valores obtidos no processo de predição diferem de forma diferente dos valores reais. Assim, utilizar métodos como matriz de confusão, não é possível.
Considerando o texto acima e valendo-se do seu conhecimento sobre aprendizagem de máquina,  uma medida que pode ser utilizada para avaliar a qualidade do modelo de regressão linear é o :
	
	A
	coeficiente de erros
	
	B
	coeficiente de inércia
	
	C
	taxa de acertos
	
	D
	taxa de erros
	
	E
	coeficiente de determinação
Você assinalou essa alternativa (E)
Questão 9/10 - Machine Learning
Durante o processo de treinamento supervisionado de uma rede neural para reconhecimento de imagens, os dados são preparados colocando uma indicação da categoria a qual cada imagem pertence. Durante o processo de treinamento, os dados da imagem acima foram fornecidos para uma rede neural, sendo a parte inferior da imagem a etiqueta de categoria.
De acordo com os seus conhecimentos sobre treinamento de redes neurais para reconhecimento de imagens, a rede neural irá:
	
	A
	descartar as imagens que estão com etiqueta incorreta
	
	B
	irá corrigir as etiquetas erradas
	
	C
	será treinada e indicará que há dados incorretos
	
	D
	não será treinada, retornando um erro
	
	E
	será treinada com as etiquetas incorretas
Você assinalou essa alternativa (E)
Questão 10/10 - Machine Learning
O gráfico acima mostra o resultado da execução de um algoritmo k-means, indicando a soma das distâncias intra-clusters x nº de clusters.
De acordo com o seu conhecimento do algoritmo k-means edo método do cotovelo para determinar o melhor número de clusters, o valor mais adequado se encontra no intervalo:
	
	A
	entre 6 e 8
	
	B
	acima de 10
	
	C
	abaixo de 2
	
	D
	entre 2 e 4
	
	E
	entre 4 e 6
Você assinalou essa alternativa (E)
Questão 7/10 - Machine Learning
Você necessita desenvolver um classificador bayesiano para detecção de spam baseado nas palavras contidas nos e-mails recebidos. Para isso o classificador deverá utilizar o teorema de Bayes, considerando as classes como spam e não-spam e o vetor de características como a presença ou ausência de uma palavra, de acordo com a imagem acima.
Considerando do texto acima e valendo-se do seu conhecimento sobre classificação bayesiana,  o elemento P(?) será corretamente substituído por :
	
	A
	P(não-spam | spam)
	
	B
	P(spam)
	
	C
	P(palavra)
	
	D
	P(spam | não-spam)
	
	E
	P(palavra | spam)
Você assinalou essa alternativa (E)
Questão 9/10 - Machine Learning
Você foi contratado para o posto de cientista de dados, para compor uma equipe, que atualmente já trabalha com dados, mas não possui experiência em aprendizagem de máquina. Um das suas primeiras tarefas designadas, foi planejar um modelo de aprendizagem de máquina para buscar determinar o preço de produtos com os quais um cliente trabalha.
Utilizando os seus conhecimentos de aprendizagem de máquina e sabendo que a sua equipe dispõe de capacidade de processamento e dados em abundância, você recomendaria a utilização de:
	
	A
	um classificador bayesiano
	
	B
	um modelo de regressão linear
Você assinalou essa alternativa (B)
	
	C
	uma classificador do tipo k-NN
	
	D
	uma rede neural do tipo LSTM
	
	E
	uma rede neura do tipo CNN
Questão 10/10 - Machine Learning
O chefe de uma equipe de ciência de dados recebeu o resultado do treinamento de um modelo de aprendizagem de máquina, conforme a imagem acima.
De acordo com os seus conhecimentos de  aprendizagem de máquina, a acurácia deste modelo é de aproximadamente:
	
	A
	33%
	
	B
	78%
	
	C
	14%
	
	D
	64%
Você assinalou essa alternativa (D)
	
	E
	100%
Questão 1/10 - Machine Learning
O kNN é um algoritmo de aprendizagem supervisionada com a predição das classes feita por meio de voto. Ou seja, contabiliza-se as classes dos vizinhos e a instância em análise recebe a classe que teve maior número de votos.
Considerando o texto acima e valendo-se do seu conhecimento sobre aprendizagem de máquina, o k da sigla do kNN está relacionado ao hiperparâmetro que define:
Nota: 10.0
	
	A
	coeficiente de erros
	
	B
	o limite de erros
	
	C
	o número de vizinhos a serem comparados
Você assinalou essa alternativa (C)
Você acertou!
Justificativa:
Hiperparâmetro é um parâmetro, cujo valor é utilizado para direcionar ou controlar o processo de aprendizagem. No caso do k-NN o número de vizinho a serem comparados é um hiperparâmetro que define quantas instâncias vizinhas serão comparadas com a instância sendo analisada. 
	
	D
	a taxa de erros
	
	E
	o limite de acertos
Questão 3/10 - Machine Learning
“Criada nos anos 1960, a tecnologia que usa computadores e algoritmos para reconhecer rostos humanos ganhou escala há pelo menos uma década, muito graças ao avanço das redes sociais e da internet. Com milhares de pessoas disponibilizando voluntariamente suas fotos na internet, existe hoje um banco de dados com bilhões de imagens que servem para treinar redes de inteligência artificial a detectar e reconhecer rostos.”
Disponível em <https://revistagalileu.globo.com/>. Acesso em 19/04/2021
O texto acima faz referência a redes de inteligência artificial para detectar rostos, de acordo com os seus conhecimentos sobre redes neurais os tipos de redes neurais utilizadas para reconhecimento de imagem são as redes:
Nota: 10.0
	
	A
	do tipo RNN
	
	B
	do tipo CNN
Você assinalou essa alternativa (B)
Você acertou!
Justificativa:
As redes do tipo CNN são redes especializadas para lidar com imagens, inclusive em tarefas como reconhecimento de imagens. Redes do tipo RNN são utilizadas para lidar com dados sequenciais, em geral texto. Redes do tipo MLP (Multilayer Perceptron) são redes neurais de propósito geral e, assim como o k-NN, não são comumente utilizadas para trabalhar com imagens.
	
	C
	do tipo k-NN
	
	D
	do tipo MLP
	
	E
	nenhuma das anteriores
Questão 9/10 - Machine Learning
Durante o processo de treinamento supervisionado de uma rede neural para reconhecimento de imagens, os dados são preparados colocando uma indicação da categoria, a qual cada imagem pertence. Durante o processo de treinamento, milhares de imagens, contendo indicações erradas como a mostrada na imagem acima, foram fornecidas para uma rede neural, fazendo com que os resultados do modelo fossem muito ruins.
De acordo com os seus conhecimentos sobre treinamento de redes neurais para reconhecimento de imagens, há muitas possibilidades, mas NÂO será de grande utilidade:
Nota: 10.0
	
	A
	correção das etiquetas incorretas e um novo treinamento
	
	B
	corrigir as etiquetas e testar novos hiperparâmetros
	
	C
	testar novos hiperparâmetros
	
	D
	um treinamento somente com as etiquetas incorretas
Você assinalou essa alternativa (D)
Você acertou!
Justificativa:
Em situações como a descrita, corrigir as etiquetas e treinar um novo modelo é uma boa estratégia, assim como realizar um treinamento apenas com etiquetas corretas. Mudar a taxa de aprendizagem e testar com novos hiperparâmetros pode ajudar a corrigir algumas distorções do modelo. Já treinar somente com instância com etiquetas incorretas, não ajudaria na melhora do modelo.
	
	E
	mudar a taxa de aprendizagem
image1.png
image2.png
image3.png
image4.png