Técnicas Avançadas de Machine Learning

Prévia do material em texto

Prova- 112: Técnicas Avançadas de Machine Learning
Introdução
Nesta prova, os alunos serão desafiados com questões sobre técnicas avançadas de aprendizado de máquina, explorando algoritmos especializados e suas implementações práticas em problemas complexos.
Questões
1. O que é um modelo de ensemble learning?
a) Um modelo que combina vários modelos individuais para melhorar a previsão final.
b) Um algoritmo de clustering para agrupar dados com características semelhantes.
c) Um modelo que utiliza apenas um algoritmo de aprendizado para fazer previsões.
d) Um modelo de aprendizado supervisionado baseado em redes neurais profundas.
e) Um modelo de aprendizado não supervisionado usado para regressão.
2. O que caracteriza um modelo de aprendizado por reforço (Reinforcement Learning)?
a) O modelo aprende com base em recompensas ou punições recebidas por ações em um ambiente.
b) O modelo aprende a partir de dados rotulados para prever variáveis dependentes.
c) O modelo aprende sem supervisão, buscando padrões em dados não rotulados.
d) O modelo aprende a prever resultados com base em séries temporais.
e) O modelo aprende com base em um único conjunto de dados de entrada.
3. O que é a técnica de ensemble bagging?
a) Uma técnica onde múltiplos modelos são treinados e combinados para reduzir o overfitting e aumentar a precisão.
b) Uma técnica de regularização usada para penalizar modelos complexos.
c) Um método de classificação para prever eventos binários.
d) Uma técnica de agrupamento de dados baseada em semelhanças.
e) Um modelo de otimização para ajustar os parâmetros do modelo.
4. O que é a Análise Discriminante Linear (LDA)?
a) Uma técnica usada para reduzir a dimensionalidade dos dados, mantendo a maior variabilidade entre as classes.
b) Um algoritmo de clustering para agrupar dados.
c) Um método de predição de séries temporais.
d) Uma técnica de aprendizado supervisionado usada para prever variáveis contínuas.
e) Um modelo de redes neurais profundas.
5. O que caracteriza um modelo de árvore de decisão?
a) Um modelo que faz previsões dividindo os dados com base em perguntas "sim/não" em cada nó.
b) Um modelo utilizado para prever variáveis contínuas com base em variáveis independentes.
c) Um algoritmo que agrupa dados com base em características comuns.
d) Um modelo de redes neurais utilizado para classificação binária.
e) Um modelo de aprendizado não supervisionado para agrupamento de dados.
6. O que é o algoritmo de k-NN (k-Nearest Neighbors)?
a) Um algoritmo supervisionado de classificação baseado na proximidade entre os pontos de dados.
b) Um modelo de redes neurais profundas utilizado para análise de dados sequenciais.
c) Um método de redução de dimensionalidade.
d) Um algoritmo de clustering que divide os dados em diferentes grupos.
e) Um modelo para prever séries temporais.
7. O que é o conceito de overfitting em aprendizado de máquina?
a) Quando o modelo se ajusta excessivamente aos dados de treinamento e perde a capacidade de generalização.
b) Quando o modelo subestima a variabilidade dos dados e faz previsões imprecisas.
c) Quando o modelo é otimizado para prever séries temporais.
d) Quando o modelo não consegue lidar com dados rotulados.
e) Quando o modelo usa mais variáveis do que o necessário.
8. O que é a técnica de early stopping?
a) Uma técnica que interrompe o treinamento de um modelo antes de atingir a convergência para evitar o overfitting.
b) Um método de otimização que ajusta os parâmetros do modelo enquanto o treinamento continua.
c) Uma técnica de redução de dimensionalidade.
d) Um processo de ajuste de hiperparâmetros.
e) Uma técnica de regularização utilizada em redes neurais.
9. O que é um autoencoder?
a) Uma rede neural que aprende a codificar e decodificar dados, com o objetivo de reduzir a dimensionalidade.
b) Um tipo de rede neural utilizada para classificação multiclasse.
c) Um algoritmo de clustering baseado em aprendizado não supervisionado.
d) Um modelo de aprendizado profundo utilizado para prever variáveis dependentes.
e) Um modelo de otimização de parâmetros.
10. O que caracteriza o algoritmo de Random Forest?
a) Um algoritmo de aprendizado supervisionado que utiliza várias árvores de decisão para melhorar a precisão e reduzir a variância.
b) Um método de clustering para agrupar dados em diferentes classes.
c) Um modelo de redes neurais profundas utilizado para análise de séries temporais.
d) Um modelo para prever eventos binários.
e) Um método de ajuste de parâmetros do modelo.
Gabarito e Justificativas
1. a) Ensemble learning combina vários modelos para melhorar a previsão final.
2. a) O aprendizado por reforço baseia-se em recompensas ou punições para otimizar a aprendizagem.
3. a) Ensemble bagging utiliza múltiplos modelos para reduzir o overfitting e aumentar a precisão.
4. a) LDA é uma técnica de redução de dimensionalidade que mantém a maior variabilidade entre as classes.
5. a) A árvore de decisão divide os dados com base em perguntas "sim/não".
6. a) k-NN é um algoritmo supervisionado de classificação baseado na proximidade entre dados.
7. a) Overfitting ocorre quando o modelo se ajusta excessivamente aos dados de treinamento, perdendo a generalização.
8. a) Early stopping interrompe o treinamento antes de atingir a convergência para evitar overfitting.
9. a) Um autoencoder é uma rede neural que aprende a codificar e decodificar dados para reduzir a dimensionalidade.
10. a) Random Forest utiliza várias árvores de decisão para melhorar a precisão e reduzir a variância.