Algoritmos de Machine Learning e Estatística Avançada

Prévia do material em texto

Prova- 88: Algoritmos de Machine Learning e Estatística Avançada
Introdução
Esta prova explora os fundamentos de machine learning e conceitos de estatística avançada, abrangendo desde algoritmos básicos até técnicas mais complexas utilizadas para melhorar a análise e a predição de grandes volumes de dados.
Questões
1. O que é a técnica de regularização no contexto de aprendizado de máquina?
a) Um método para reduzir a complexidade do modelo ao punir grandes coeficientes.
b) Uma técnica para aumentar a complexidade do modelo e melhorar a performance.
c) Um processo para ajustar os dados de entrada.
d) Um algoritmo utilizado para reduzir o erro de previsão de um modelo.
e) Uma técnica para realizar a normalização dos dados.
2. Qual a diferença principal entre supervised learning e unsupervised learning?
a) No aprendizado supervisionado, o modelo é treinado com dados rotulados; no aprendizado não supervisionado, não há rótulos.
b) No aprendizado não supervisionado, o modelo é treinado com dados de entrada apenas.
c) O aprendizado supervisionado trabalha com dados temporais, enquanto o não supervisionado é focado em dados estáticos.
d) Não existe diferença, ambos os métodos usam o mesmo tipo de dados.
e) No aprendizado supervisionado, não é necessário o uso de algoritmos complexos.
3. O que é uma rede neural profunda (Deep Neural Network)?
a) Um tipo de rede neural com apenas uma camada oculta.
b) Uma rede neural com várias camadas ocultas que permite aprender representações complexas.
c) Uma rede que não usa funções de ativação.
d) Uma rede que depende de dados rotulados para aprender.
e) Uma rede neural especializada apenas em dados temporais.
4. O que é a técnica de feature selection (seleção de características)?
a) Um método para aumentar a quantidade de dados, criando mais variáveis.
b) Um processo de escolher um subconjunto das características mais relevantes para o modelo.
c) Um método para remover variáveis que não são relevantes.
d) Um processo de transformar variáveis para uma escala comum.
e) Uma técnica para normalizar as variáveis antes de aplicá-las a um modelo.
5. O que caracteriza o algoritmo de K-Means?
a) Um algoritmo de aprendizado supervisionado usado para previsão.
b) Um algoritmo de clustering não supervisionado que agrupa dados com base em similaridades.
c) Um modelo que usa árvores de decisão para segmentação de dados.
d) Um algoritmo que usa redes neurais para criar clusters.
e) Um algoritmo de regressão para prever variáveis contínuas.
6. O que é a técnica de cross-validation (validação cruzada)?
a) Um método para melhorar a precisão de um modelo dividindo os dados em múltiplas partes e treinando o modelo com diferentes subconjuntos.
b) Uma técnica usada para otimizar os parâmetros do modelo.
c) Uma forma de reduzir o overfitting, treinando um modelo apenas em um conjunto de dados.
d) Uma técnica para melhorar o desempenho do modelo em grandes bases de dados.
e) Uma técnica de predição usada para prever eventos futuros.
7. Qual é o principal objetivo de uma rede neural convolucional (CNN)?
a) Classificar dados em categorias predeterminadas.
b) Lidar com dados temporais e prever tendências de séries temporais.
c) Realizar classificações e extração de características em imagens e outros dados estruturados.
d) Identificar outliers em grandes volumes de dados.
e) Detectar padrões de texto em dados não estruturados.
8. O que é o conceito de gradiente descendente?
a) Um método de otimização usado para ajustar os parâmetros de um modelo, minimizando a função de custo.
b) Um algoritmo usado para prever a distribuição dos dados.
c) Uma técnica de validação para testar a acurácia de um modelo.
d) Um método de regularização usado para aumentar a precisão de um modelo.
e) Um algoritmo para calcular os erros de previsão.
9. O que é uma matriz de confusão?
a) Uma ferramenta usada para agrupar dados semelhantes.
b) Uma tabela que descreve o desempenho de um modelo de classificação, mostrando o número de previsões corretas e incorretas.
c) Um gráfico de barras que compara a distribuição de dados de treinamento e teste.
d) Um modelo estatístico usado para prever variáveis contínuas.
e) Uma medida de erro em algoritmos de regressão.
10. O que é a técnica de backpropagation em redes neurais?
a) Um método de propagação de erro da camada de saída para as camadas anteriores, para ajustar os pesos.
b) Um algoritmo de validação cruzada para avaliar a performance de redes neurais.
c) Um processo para aumentar o número de camadas em uma rede neural.
d) Uma técnica para ajustar os dados de entrada antes do treinamento de uma rede neural.
e) Um método para gerar previsões em redes neurais.
Gabarito e Justificativas
1. a) A regularização penaliza coeficientes grandes no modelo, evitando overfitting e melhorando a generalização.
2. a) O aprendizado supervisionado usa dados rotulados para treinar o modelo, enquanto o aprendizado não supervisionado trabalha sem rótulos.
3. b) Redes neurais profundas têm várias camadas ocultas e são usadas para aprender representações mais complexas dos dados.
4. b) A seleção de características escolhe um subconjunto das variáveis mais importantes, melhorando o desempenho do modelo e reduzindo o tempo de processamento.
5. b) O K-Means é um algoritmo de clustering que agrupa dados em k clusters com base em similaridades.
6. a) A validação cruzada divide os dados em várias partes, treinando o modelo em diferentes subconjuntos e avaliando sua performance.
7. c) As CNNs são usadas para processar e classificar dados estruturados, como imagens, aprendendo automaticamente as características mais importantes.
8. a) O gradiente descendente é uma técnica de otimização que ajusta os parâmetros do modelo para minimizar o erro.
9. b) A matriz de confusão é usada para avaliar a performance de um modelo de classificação, mostrando verdadeiros positivos, negativos, falsos positivos e negativos.
10. a) O backpropagation ajusta os pesos de uma rede neural durante o treinamento, propagando o erro de volta pelas camadas da rede.