Explorando os Fundamentos de Inteligência Artificial e Machine Learning

Prévia do material em texto

Prova 2: Explorando os Fundamentos de Inteligência Artificial e Machine
Learning
Introdução
Você está prestes a realizar uma prova que aborda aspectos fundamentais de Inteligência 
Artificial (IA) e Machine Learning (ML). Este teste desafia suas noções sobre conceitos 
teóricos e aplicações práticas. Boa sorte e aproveite o aprendizado!
Questões
1. O que é Machine Learning?
A) Uma tecnologia para criar hardware mais eficiente.
B) Um campo da IA focado no aprendizado automático a partir de dados.
C) Um sistema que não precisa de algoritmos.
D) Apenas um tipo de IA voltado para cálculos matemáticos.
E) Um conceito utilizado exclusivamente em robótica.
2. Qual das opções abaixo é uma aplicação prática de IA?
A) Calcular raízes quadradas.
B) Sistemas de recomendação em plataformas de streaming.
C) Organização manual de documentos.
D) Impressão de arquivos.
E) Cálculo de juros compostos.
3. Qual é a principal característica do "unsupervised learning"?
A) Uso de dados rotulados para treinar modelos.
B) Aprendizado sem dados rotulados, identificando padrões ocultos.
C) Um método que combina aprendizado supervisionado e não supervisionado.
D) Aprendizado supervisionado com feedback humano constante.
E) Uma técnica usada exclusivamente para processamento de texto.
4. Qual é o papel de um "dataset" no treinamento de modelos de ML?
A) Armazenar dados para uso futuro.
B) Fornecer informações estruturadas para treinar e avaliar modelos.
C) Substituir algoritmos em modelos complexos.
D) Servir como banco de dados para uso geral.
E) Resolver problemas automaticamente sem intervenção.
5. Qual algoritmo é comumente usado para classificação de dados?
A) K-Nearest Neighbors (KNN).
B) Algoritmo de compressão ZIP.
C) Fourier Transform.
D) Quick Sort.
E) Algoritmos de controle remoto.
6. O que significa "feature engineering" em ML?
A) Criar novos algoritmos para redes neurais.
B) Melhorar os dados existentes para otimizar o desempenho do modelo.
C) Ajustar hiperparâmetros em tempo real.
D) Reduzir o número de amostras em um dataset.
E) Criar gráficos para análise de dados.
7. O que são hiperparâmetros em Machine Learning?
A) Valores ajustados automaticamente pelo modelo.
B) Configurações definidas pelo programador para treinar o modelo.
C) Dados extraídos de um banco de dados.
D) Variáveis internas que o modelo define sozinho.
E) Resultados obtidos após o treinamento.
8. Qual é a função do "test set" em ML?
A) Validar o desempenho do modelo em dados nunca vistos.
B) Armazenar informações de treinamento.
C) Servir como base de dados principal do modelo.
D) Corrigir erros automaticamente no modelo.
E) Criar novos modelos a partir de dados existentes.
9. Qual é o papel dos algoritmos de aprendizado por reforço?
A) Encontrar padrões ocultos em grandes volumes de dados.
B) Aprender com um sistema de recompensas e penalidades.
C) Identificar características em imagens.
D) Prever valores contínuos com base em séries históricas.
E) Realizar cálculos mais rápidos.
10. Qual ferramenta é amplamente utilizada para criar modelos de IA?
A) Excel
B) TensorFlow
C) Dreamweaver
D) Blender
E) Windows Media Player
Gabarito e Justificativas
1. B - Machine Learning permite que sistemas aprendam a partir de dados, sem 
necessidade de programação explícita.
2. B - Sistemas de recomendação são uma aplicação comum da IA.
3. B - O aprendizado não supervisionado busca padrões sem utilizar dados rotulados.
4. B - Um dataset oferece dados estruturados usados no treinamento e validação de 
modelos.
5. A - O algoritmo KNN é frequentemente usado em tarefas de classificação e 
regressão.
6. B - Feature engineering envolve melhorar os dados para otimizar os modelos.
7. B - Hiperparâmetros são configurações definidas antes do treinamento do modelo.
8. A - O test set avalia o desempenho do modelo em dados que ele nunca viu antes.
9. B - Aprendizado por reforço usa recompensas e penalidades para guiar o modelo.
10. B - TensorFlow é uma das ferramentas mais populares para IA e ML.