Logo Passei Direto
Buscar

Aplicações Práticas e Técnicas Avançadas de Machine Learning

Ferramentas de estudo

Material
páginas com resultados encontrados.
páginas com resultados encontrados.

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Prévia do material em texto

Prova- 95: Aplicações Práticas e Técnicas Avançadas de Machine Learning
Introdução
Esta prova explora aplicações práticas de Machine Learning, incluindo o uso de modelos de aprendizado supervisionado, não supervisionado, Deep Learning e técnicas de modelagem preditiva.
Questões
1. O que é regressão logística?
a) Um modelo de classificação que prevê probabilidades e é amplamente usado em problemas binários.
b) Um modelo que ajusta uma linha reta aos dados.
c) Um algoritmo de clustering usado para agrupar dados em categorias.
d) Uma técnica de redução de dimensionalidade.
e) Um método de ajuste de parâmetros em redes neurais.
2. Qual é a principal vantagem de usar Support Vector Machines (SVM) para classificação?
a) A capacidade de lidar com dados não lineares e alta dimensionalidade, separando classes com uma margem ótima.
b) A facilidade de implementação em problemas com dados lineares.
c) A capacidade de prever séries temporais de forma eficiente.
d) A utilização de uma única árvore de decisão.
e) A habilidade de reduzir a dimensionalidade dos dados.
3. O que é clustering em Machine Learning?
a) O processo de agrupar dados em categorias ou clusters com base em suas semelhanças.
b) O processo de previsão de valores futuros em uma série temporal.
c) A técnica de normalização dos dados para a entrada no modelo.
d) O processo de ajuste de hiperparâmetros de um modelo.
e) A técnica de segmentação de mercado baseada em rótulos.
4. Qual é a principal limitação do algoritmo K-NN?
a) Sua alta complexidade computacional ao lidar com grandes volumes de dados.
b) Sua incapacidade de lidar com dados de alta dimensionalidade.
c) A dependência de uma linha reta para separar as classes.
d) Sua baixa acurácia em problemas de regressão.
e) A dependência da quantidade de dados rotulados.
5. O que é um perceptron em redes neurais?
a) Um tipo de rede neural de camada única usada para resolver problemas de classificação linear.
b) Um tipo de algoritmo de agrupamento.
c) Um modelo de regressão usado em redes neurais profundas.
d) Um tipo de rede neural convolucional.
e) Um método de validação de dados temporais.
6. Qual é a função de uma função de ativação em redes neurais?
a) Introduzir não linearidades no modelo, permitindo que ele aprenda padrões mais complexos.
b) Ajustar os parâmetros de regularização.
c) Dividir os dados em diferentes clusters.
d) Calcular a perda do modelo durante o treinamento.
e) Implementar o processo de validação cruzada.
7. O que caracteriza o método Gradient Boosting?
a) Um algoritmo de aprendizado que ajusta sucessivamente modelos fracos para corrigir os erros dos modelos anteriores.
b) Um modelo de clustering que agrupa dados com base em suas características.
c) Um algoritmo de aprendizado profundo usado para redes neurais convolucionais.
d) Uma técnica de validação para otimizar a arquitetura de redes neurais.
e) Um algoritmo de busca usado para encontrar a melhor solução em problemas de otimização.
8. Qual é a função de Dropout em redes neurais profundas?
a) Reduzir o overfitting desligando aleatoriamente unidades durante o treinamento.
b) Aumentar a precisão do modelo ao ajustar seus parâmetros.
c) Reduzir a dimensionalidade dos dados de entrada.
d) Melhorar a velocidade de treinamento ao reduzir a quantidade de dados.
e) Ajudar na visualização do modelo.
9. O que é Deep Learning?
a) Um campo de aprendizado de máquina que utiliza redes neurais profundas para aprender representações complexas dos dados.
b) Uma técnica de clustering com base em redes neurais.
c) Um algoritmo de regressão usado para prever valores contínuos.
d) Uma técnica de análise de séries temporais.
e) Um modelo de aprendizado supervisionado para classificação de imagens.
10. O que é overfitting?
a) Quando o modelo aprende tão bem os dados de treinamento que perde a capacidade de generalizar para novos dados.
b) Quando o modelo não consegue aprender os padrões dos dados de treinamento.
c) Quando o modelo não é treinado com dados suficientes.
d) Quando o modelo é simples demais para capturar as relações nos dados.
e) Quando o modelo é excessivamente complexo, mas ainda generaliza bem.
Gabarito e Justificativas
1. a) A regressão logística é usada para classificação binária, prevendo probabilidades.
2. a) SVM é eficaz em lidar com dados não lineares e de alta dimensionalidade, separando classes com uma margem ótima.
3. a) Clustering agrupa dados semelhantes em categorias ou clusters.
4. a) K-NN tem alta complexidade computacional, especialmente com grandes volumes de dados.
5. a) O perceptron é uma rede neural de camada única para classificação linear.
6. a) A função de ativação introduz não linearidades para o modelo aprender padrões mais complexos.
7. a) Gradient Boosting ajusta modelos fracos para corrigir os erros dos modelos anteriores.
8. a) Dropout reduz overfitting ao desligar aleatoriamente unidades durante o treinamento.
9. a) Deep Learning usa redes neurais profundas para aprender representações complexas dos dados.
10. a) Overfitting ocorre quando o modelo aprende tanto os dados de treinamento que perde a capacidade de generalizar para novos dados.

Mais conteúdos dessa disciplina