Fundamentos e Avanços em Machine Learning

Prévia do material em texto

Prova- 96: Fundamentos e Avanços em Machine Learning
Introdução
Esta prova aborda os conceitos essenciais de Machine Learning, como tipos de algoritmos (supervisionados, não supervisionados e de reforço), técnicas de validação e as melhores práticas para implementação de modelos preditivos.
Questões
1. O que é o algoritmo de K-Nearest Neighbors (K-NN)?
a) Um modelo de regressão que estima valores contínuos.
b) Um algoritmo de classificação baseado na proximidade entre os pontos de dados.
c) Um modelo de rede neural usado em deep learning.
d) Um algoritmo de agrupamento utilizado em problemas não supervisionados.
e) Um algoritmo de redução de dimensionalidade.
2. Quando falamos em overfitting, estamos nos referindo a:
a) Quando o modelo é incapaz de aprender padrões dos dados.
b) Quando o modelo tem desempenho muito bom nos dados de treino, mas não generaliza bem para dados novos.
c) Quando o modelo faz previsões muito imprecisas para dados conhecidos.
d) Quando o modelo aprende apenas dados simples e não consegue resolver problemas complexos.
e) Quando o modelo utiliza um número pequeno de variáveis e falha ao capturar padrões.
3. Qual a função do algoritmo de regressão linear?
a) Classificar dados em diferentes categorias.
b) Prever uma variável contínua com base em variáveis independentes.
c) Agrupar dados em clusters semelhantes.
d) Identificar padrões temporais em uma série de dados.
e) Classificar dados em duas ou mais classes.
4. O que caracteriza um modelo de aprendizado não supervisionado?
a) O modelo é treinado com dados rotulados, ou seja, com saídas esperadas.
b) O modelo aprende a partir de dados não rotulados e busca padrões ou agrupamentos.
c) O modelo não necessita de dados de entrada.
d) O modelo é utilizado apenas para classificação de texto.
e) O modelo faz previsões baseadas em uma sequência temporal de dados.
5. O que é um Hyperparameter tuning (ajuste de hiperparâmetros)?
a) A técnica de dividir os dados em treino e teste.
b) O processo de ajustar parâmetros internos do modelo para melhorar seu desempenho.
c) A técnica de modificar os dados de entrada antes de treinar o modelo.
d) A técnica de aumentar a quantidade de dados de treinamento.
e) A técnica de alterar o número de camadas em uma rede neural.
6. Qual é o principal uso de algoritmos de deep learning?
a) Problemas de classificação com grandes volumes de dados e alta complexidade, como em imagens e vídeos.
b) Agrupamento de dados em categorias distintas.
c) Redução de dimensionalidade de dados.
d) Previsão de valores contínuos.
e) Problemas com dados simples e pequenos conjuntos.
7. Em aprendizado de reforço, qual é o principal objetivo do agente?
a) Aprender por meio de dados rotulados e melhorar sua acurácia.
b) Maximizar uma recompensa cumulativa ao longo do tempo por meio de ações no ambiente.
c) Agrupar dados em diferentes clusters com base em similaridades.
d) Predizer variáveis contínuas a partir de um conjunto de dados.
e) Classificar dados em categorias distintas com base em entradas fornecidas.
8. O que é uma rede neural convolucional (CNN)?
a) Um tipo de rede neural que é eficaz para tarefas de classificação de texto.
b) Um tipo de rede neural usada principalmente em análise de imagens e vídeos, utilizando filtros convolucionais.
c) Um modelo de aprendizado não supervisionado usado para reduzir a dimensionalidade.
d) Um algoritmo de clustering usado para agrupar dados.
e) Um tipo de rede neural para análise de séries temporais.
9. O que significa feature selection em um modelo de machine learning?
a) A técnica de escolher as variáveis mais importantes para melhorar a performance do modelo.
b) A técnica de aumentar a quantidade de dados de treinamento.
c) A técnica de ajustar os parâmetros do modelo.
d) A técnica de remover as variáveis irrelevantes para a análise.
e) A técnica de normalizar os dados de entrada.
10. O que é o conceito de cross-validation?
a) A técnica de treinar o modelo com uma parte dos dados e testá-lo com outra parte.
b) A técnica de ajustar os hiperparâmetros de um modelo.
c) A técnica de combinar diferentes modelos em um único modelo para melhorar o desempenho.
d) A técnica de normalizar os dados antes de treinar o modelo.
e) A técnica de identificar as variáveis mais importantes do modelo.
Gabarito e Justificativas
1. b) K-NN é um algoritmo de classificação que utiliza a proximidade entre os pontos de dados para classificar novas instâncias.
2. b) Overfitting ocorre quando o modelo tem um desempenho excelente nos dados de treino, mas não generaliza bem para dados não vistos.
3. b) O algoritmo de regressão linear é usado para prever uma variável contínua com base em outras variáveis independentes.
4. b) Modelos não supervisionados aprendem a partir de dados não rotulados e buscam identificar padrões ou agrupamentos nos dados.
5. b) Hyperparameter tuning é o processo de ajustar os parâmetros internos do modelo para melhorar seu desempenho.
6. a) Algoritmos de deep learning são usados para resolver problemas complexos, como análise de imagens, que envolvem grandes volumes de dados.
7. b) O objetivo de um agente em aprendizado de reforço é maximizar uma recompensa cumulativa com base nas ações que ele realiza no ambiente.
8. b) As redes neurais convolucionais (CNNs) são eficazes em tarefas de análise de imagens e vídeos, utilizando filtros para aprender características espaciais.
9. a) Feature selection é a técnica de escolher as variáveis mais relevantes para melhorar o desempenho do modelo.
10. a) Cross-validation é a técnica de dividir os dados em diferentes subconjuntos para treinar e testar o modelo em múltiplas iterações.