Inteligência Artificial Aplicada PROVA OBJETIVA 1

Prévia do material em texto

Questão 1/12 - Inteligência Artificial Aplicada 
Um classificador bayesiano simples é treinado utilizando um conjunto de classes, C = {c1,c2 ,cn } e 
um conjunto de instâncias de dados identificadas pelos vetores de características V = {v1, v2, …, 
vn}. 
Considerando as informações do texto acima e valendo-se do seu conhecimento sobre 
teorema de Bayes, o classificador bayesiano, calcula a probabilidade de: 
Nota: 0.0Você não pontuou essa questão 
 A uma instância ser da classe c, dado que o seu vetor de características 
é v 
Justificativa: 
O classificador bayesiano executa uma classificação utilizando um 
informação prévia e determinando qual o probabilidade de um instância 
pertencer a uma classe, dado o seu vetor de características. 
 B uma instância ter o vetor de características v, dado que sua classe é c 
 C de uma instância ser da classe c, sem considerar o seu vetor de 
características 
 D de uma instância possuir um vetor de características v 
Você assinalou essa alternativa (D) 
 E de uma instância ser de uma classe que não consta em C 
 
Questão 2/12 - Inteligência Artificial Aplicada 
 
 
 
 
 
A figura acima mostra um modelo de árvore de decisão aplicado a um conjunto de dados. 
Valendo-se dos seus conhecimentos de aprendizagem de máquina e de modelos de 
árvores de decisão, podemos afirmar que o modelo foi treinado para classificar um total de 
: 
Nota: 10.0 
 A 4 classes 
 B 5 classes 
 C 1 classe 
 D 3 classes 
 E 2 classes 
Você assinalou essa alternativa (E) 
Você acertou! 
Justificativa: 
Analisando visualmente as representações das folhas da árvore de decisão 
podemos ver que há duas classes distintas: gosta futebol e não gosta 
futebol. 
 
Questão 3/12 - Inteligência Artificial Aplicada 
 
 
 
 
 
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: 
Nota: 10.0 
 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) 
Você acertou! 
Justificativa: 
Durante o fornecimento dos dados de treino para um modelo, se houver 
instâncias identificadas com categorias erradas, o modelo não conseguirá 
fazer a distinção entre instâncias que foram identificadas corretamente e 
 
 
 
 
aquelas que não foram. Assim, o modelo é treinado com os dados 
identificados de forma incorreta. 
 
Questão 4/12 - Inteligência Artificial Aplicada 
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 trabalhar 
com textos, que serão fornecidos de forma sequencial ao modelo. 
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: 
Nota: 10.0 
 A um classificador bayesiano 
 B um classificador do tipo k-Means 
 C uma classificador do tipo k-NN 
 D uma rede neural do tipo LSTM 
Você assinalou essa alternativa (D) 
Você acertou! 
Justificativa: 
As redes meurais do tipo LSTM são recomendadas para trabalhar com 
dados fornecidos sequencialmente e que apresentem dependência dos 
elementos fornecidos anteriormente, como no caso de dados de texto. 
 E uma rede neura do tipo CNN 
 
Questão 5/12 - Inteligência Artificial Aplicada 
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)) 
De acordo com os seus conhecimentos de aprendizagem de máquina, a substituição de 
código foi feita para: 
Nota: 10.0 
 A alterar o tipo do classificador 
 B aumentar a quantidade de camadas da rede 
Você assinalou essa alternativa (B) 
Você acertou! 
Justificativa: 
O parâmetro hidden_layer_sizes é uma tupla na qual cada elemento indica 
a quantidade de neurônios em cada camada. Como o código apresentado o 
número de elementos aumenta, a quantidade de camadas da rede também. 
 C diminuir a quantidade de camadas da rede 
 D estabilizar as camadas da rede 
 E aumentar o número de nós da rede 
 
Questão 6/12 - Inteligência Artificial Aplicada 
“Machine Learning atualmente é considerada como uma subárea da Inteligência Artificial, e nós 
devemos diferenciá-la dos métodos de Inteligência Artificial (IA) que lidam com problemas de 
busca, agentes inteligentes e resolução de problemas, como por exemplo fazer com que o 
computador consiga definir a melhor jogada em uma partida de xadrez ou encontrar a saída de 
um labirinto.” (Material impresso da Aula 1 – Tema 2). 
Sobre ML é correto afirmar: 
Nota: 10.0 
 A 
Uma grande vantagem dos métodos de Machine Learning é que o 
processo de aprendizagem pode ser automatizado à medida que 
novos exemplos são identificados e apresentados ao algoritmo. 
Você assinalou essa alternativa (A) 
Você acertou! 
 
 
 
 
Conforme Aula 1 Tema 2.1. 
 B 
Machine Learning pode ser compreendida como um conjunto de técnicas 
ou métodos que permitem às máquinas obter a capacidade de raciocínio 
líquido, utilizando o conhecimento armazenado, permitindo novas 
conclusões, durante a comunicação. 
 C Uma grande vantagem dos métodos de Machine Learning é que o 
processo de aprendizagem não depende de visão computacional ligada as 
estruturas de busca mas sim buscas em sistemas especialistas. 
 D Machine Learning não pode ser totalmente compreendida uma vez que 
técnicas ou métodos que permitem às máquinas obter a capacidade de 
raciocínio líquido, ainda não são conhecidas, nem mesmo durante a 
comunicação. 
 
Questão 7/12 - Inteligência Artificial Aplicada 
 
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 e utilizando apenas 
a informação visual que o gráfico traz, podemos concluir que: 
Nota: 10.0 
 
 
 
 
 A a taxa de erros é maior que a taxa de acertos 
 B a taxa de acertos é igual a taxa de erros 
 C a taxa de acertos é maior que a taxa de erros 
Você assinalou essa alternativa (C) 
Você acertou! 
Justificativa: 
Pela escala de cores pode-ser perceber que quanto mais escuro, maior a 
quantidade de valores. Assim, a diagonal principal que apresenta as 
instâncias corretamente preditas, apresenta valores maiores que a diagonal 
secundária. 
 D houve uma redução da taxa de erros 
 E houve uma melhora da acurácia do modelo 
 
Questão 8/12 - Inteligência Artificial Aplicada 
“Criada nos anos 1960, a tecnologia que usa computadores e algoritmos para reconhecer rostoshumanos 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 
Apesar de ter sido criada na década de 60, a tecnologia de reconhecimento facial somente 
veio ser aplicada de fato e em larga escala nos tempos atuais. Dentre os motivos para que 
essa tecnologia não tenha sido melhor explorada na décadas passadas, podemos destacar 
como um fator de grande peso: 
Nota: 10.0 
 A a ausência de interesse em pesquisas 
 B os erros contidos nos métodos de reconhecimento 
 C não existir fotografia digital na época 
 D a baixa capacidade de armazenamento e processamento 
Você assinalou essa alternativa (D) 
 
 
 
 
Você acertou! 
Justificativa: 
O processo de treinamento das redes neurais exige uma grande capacidade 
de processamento computacional por conta da quantidade de cálculos que 
devem ser executados para o correto ajuste dos pesos. Além disso, o 
processo de aprendizagem a partir dos dados necessita de um grande 
volume de dados, o que até algumas décadas atrás não era possível. 
 E nenhuma das anteriores 
 
Questão 9/12 - Inteligência Artificial Aplicada 
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: 
Nota: 10.0 
 A português (1), espanhol (2), inglês (3) 
 B português (00), espanhol (10), inglês (11) 
 C português (000), espanhol (001), inglês (010) 
 D português (001), espanhol (002), inglês (003) 
 E português (001), espanhol (010), inglês (100) 
Você assinalou essa alternativa (E) 
Você acertou! 
Justificativa: 
Como se trata de 3 valores possíveis e a codificação one-hot exige que 
somente uma posição do valor seja igual a 1, logo a opção 001,010,100 seria 
a escolha correta. 
 
Questão 10/12 - Inteligência Artificial Aplicada 
 
 
 
 
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 membros da equipe gostaria de retirar um parâmetro, que aparentemente não faz nada. 
O código em questão era: 
mlp_clf = MLPClassifier(warm_start=True, max_iter=500, 
 hidden_layer_sizes=(50,50), 
 learning_rate = 'adaptive') 
E o parâmetro a ser eliminado era: learning_rate = 'adaptive' 
Contudo este membro não possui conhecimento de métodos de aprendizagem de máquina e 
recorreu a você para o explicasse da importância desse parâmetro. 
De acordo com os seus conhecimentos de aprendizagem de máquina e de treinamento de 
modelos do tipo perceptron de múltiplas camadas, esse parâmetro: 
Nota: 10.0 
 A deve ser eliminado, pois atrapalha 
 B deve ser mantido, pois determina como o modelo aprende 
Você assinalou essa alternativa (B) 
Você acertou! 
Justificativa: 
O parâmetro learning_rate diz respeito à velocidade com que o modelo 
aprende, por meio da determinar da forma como são feitos os incrementos 
nos pesos dos neurônios. 
 C deve ser corrigido, pois está errado 
 D pode ser mantido ou excluído, não faz diferença 
 E não serve para esse tipo de modelo 
 
Questão 11/12 - Inteligência Artificial Aplicada (questão opcional) 
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 tradução 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 ao seguinte código: 
from sklearn.neural_network import MLPClassifier 
 
 
 
 
X_treino_std, y_treino = carrega_dados_treino() 
mlp_clf = MLPClassifier(warm_start=True, max_iter=500, 
hidden_layer_sizes=(100,)) 
mlp_clf.fit(X_treino_std, y_treino) 
De acordo com os seus conhecimentos de aprendizagem de máquina, o código acima 
executa: 
Nota: 10.0 
 A um processo de treinamento dos dados 
Você assinalou essa alternativa (A) 
Você acertou! 
Justificativa: 
O código apresentado cria um modelo do tipo Multilayer Perceptron e 
execute o processo de treinamento do modelo por meio da chamada do 
método fit. 
 B um processo de predição 
 C um processo de normalização dos dados 
 D um processo de expansão dos dados 
 E não faz nada e pode ser comentado 
 
Questão 12/12 - Inteligência Artificial Aplicada (questão opcional) 
Os modelos de aprendizagem de máquina, necessitam que os dados que lhe são fornecidos 
sejam convertidos para valores numéricos. Assim, quando temos dados que necessitam de 
conversão, pode-se utilizar um processo de categorizar uma variável. Representando cada 
possível valor por um número distinto, e que, se possível represente uma relação de hierarquia 
ou precedência entre os possíveis valores. 
De acordo com os seus conhecimentos sobre dados categóricos e one-hot encoding, 
podemos dizer que uma grande diferença entre representar uma variável categórica por 
valores numéricos e one-hot encoding é: 
Nota: 10.0 
 A que a primeira representa melhor que segunda 
 B que a segunda representa melhor que a primeira 
 
 
 
 
 C a primeira serve apenas determinados tipos de valores 
 D a segunda serve apenas para determinados tipos de valores 
 E a segunda cria variáveis derivadas, aumentando o número de 
atributos 
Você assinalou essa alternativa (E) 
Você acertou! 
Justificativa: 
Quando convertemos um atributo para one-hot encode, passamos a ter 
novos atributos que indicam a presença ou não daquele valor. Por exemplo, 
se tivermos uma variável com dois valores possíveis, ela seria representada 
como atributoN = 1 ou atributoN = 2. Quando temos a codificação one-hot 
encode para a mesma variável, ela será feita da seguinte forma, 
atributoN_valor1 = 0 ou atributoN_valor1 = 1, atributoN_valor2 = 0 ou 
atributoN_valor2 = 1. Assim temos novas variáveis derivadas a partir dos 
valores que a mesma pode assumir.