Machine Learning e Estatísticas Avançadas

Prévia do material em texto

Prova- 110: Machine Learning e Estatísticas Avançadas
Introdução
Essa prova explora técnicas avançadas de Machine Learning, incluindo algoritmos de aprendizado profundo, análise de grandes volumes de dados e métodos estatísticos.
Questões
1. O que é a técnica Deep Learning?
a) Um conjunto de técnicas de aprendizado supervisionado para resolver problemas de regressão.
b) Um modelo de aprendizado não supervisionado que agrupa dados com características semelhantes.
c) Um conjunto de algoritmos baseados em redes neurais profundas que são usados para análise de grandes volumes de dados complexos.
d) Uma técnica para realizar análise preditiva utilizando modelos simples.
e) Um método de redução de dimensionalidade.
2. O que significa gradient descent em algoritmos de aprendizado de máquina?
a) Um método para minimizar a função de erro ajustando os pesos do modelo.
b) Uma técnica para calcular a precisão do modelo.
c) Um algoritmo de clustering utilizado para dividir os dados em grupos.
d) Um método de regularização para evitar overfitting.
e) Um processo para validar os resultados do modelo.
3. O que caracteriza um modelo de aprendizado profundo (Deep Learning)?
a) O modelo é composto por múltiplas camadas de neurônios artificiais que permitem aprender padrões complexos.
b) O modelo é baseado em algoritmos de regressão linear.
c) O modelo usa apenas uma camada para prever variáveis dependentes.
d) O modelo é utilizado exclusivamente para análise de séries temporais.
e) O modelo é baseado em árvores de decisão.
4. O que é o conceito de Transfer Learning?
a) A técnica de usar modelos pré-treinados em novos dados para acelerar o treinamento e melhorar a precisão.
b) A técnica de transferir os dados de um modelo para outro.
c) A técnica de usar dados sintéticos para treinar o modelo.
d) A técnica de ajustar os parâmetros do modelo durante a fase de predição.
e) A técnica de dividir os dados em várias partes e treinar cada parte separadamente.
5. O que caracteriza o algoritmo de redes neurais convolucionais (CNN)?
a) Um modelo que é especialmente eficaz em tarefas de reconhecimento de imagens e vídeos.
b) Um modelo utilizado para previsões de séries temporais.
c) Um algoritmo de clustering que agrupa dados de imagens.
d) Um modelo utilizado para prever a probabilidade de um evento.
e) Um algoritmo para reduzir a dimensionalidade de dados.
6. O que é cross-validation?
a) Um método para avaliar a precisão do modelo ao dividir os dados em vários conjuntos de treinamento e teste.
b) Um método de regularização para evitar o overfitting.
c) Um processo para ajustar os parâmetros do modelo.
d) Uma técnica para reduzir a dimensionalidade dos dados.
e) Um processo de pré-processamento de dados.
7. O que é clustering em aprendizado não supervisionado?
a) A técnica de agrupar dados em diferentes grupos com base em suas semelhanças.
b) A técnica de prever uma variável dependente com base em variáveis independentes.
c) O processo de classificação de dados com base em rótulos conhecidos.
d) A técnica de reduzir a dimensionalidade de dados.
e) O processo de fazer previsões com base em modelos treinados.
8. Qual a principal vantagem da técnica de bagging?
a) Aumentar a precisão do modelo ao combinar múltiplos modelos e reduzir a variância.
b) Melhorar a interpretabilidade do modelo.
c) Acelerar o processo de treinamento.
d) Reduzir a complexidade do modelo.
e) Aumentar o número de variáveis no modelo.
9. O que caracteriza um modelo de regressão logística?
a) É um modelo utilizado para prever probabilidades de eventos binários, como "sim" ou "não".
b) É um modelo utilizado para prever valores contínuos.
c) É um modelo baseado em redes neurais profundas.
d) É um modelo usado para agrupar dados em diferentes categorias.
e) É um modelo de aprendizado não supervisionado.
10. O que é reinforcement learning?
a) Um tipo de aprendizado onde um agente aprende a tomar decisões sequenciais para maximizar uma recompensa.
b) Um algoritmo de classificação utilizado para prever categorias.
c) Um método de redução de dimensionalidade.
d) Uma técnica de análise de dados para encontrar padrões em grandes volumes de informações.
e) Um processo de avaliação da precisão do modelo.
Gabarito e Justificativas
1. c) Deep learning utiliza redes neurais profundas para aprender padrões complexos em grandes volumes de dados.
2. a) Gradient descent é um método de otimização usado para minimizar a função de erro ajustando os pesos do modelo.
3. a) O modelo de aprendizado profundo é composto por múltiplas camadas de neurônios artificiais que permitem aprender padrões complexos.
4. a) Transfer learning utiliza modelos pré-treinados em novos dados para acelerar o treinamento.
5. a) Redes neurais convolucionais (CNN) são especialmente eficazes em tarefas de reconhecimento de imagens e vídeos.
6. a) Cross-validation é uma técnica usada para avaliar a precisão do modelo ao dividir os dados em conjuntos de treinamento e teste.
7. a) Clustering é a técnica de agrupar dados com base em suas semelhanças.
8. a) Bagging melhora a precisão do modelo ao combinar múltiplos modelos e reduzir a variância.
9. a) A regressão logística é usada para prever probabilidades de eventos binários.
10. a) Reinforcement learning é um tipo de aprendizado onde um agente aprende a maximizar uma recompensa ao tomar decisões sequenciais.