Análise de Modelos Supervisionados e Avanços em Algoritmos

Prévia do material em texto

Prova- 115: Análise de Modelos Supervisionados e Avanços em Algoritmos
Introdução
Esta prova se concentra em modelos supervisionados e seus avanços na área de aprendizado de máquina, cobrindo desde a classificação até técnicas mais avançadas, como redes neurais e boosting.
Questões
1. Qual é a principal característica de um algoritmo de aprendizado supervisionado?
a) Ele não utiliza rótulos nos dados para realizar a previsão.
b) Ele é capaz de aprender sem supervisão externa, a partir dos dados.
c) Ele depende de dados rotulados para treinar e fazer previsões.
d) Ele agrupa os dados em categorias, sem fazer previsões específicas.
e) Ele aplica técnicas de redes neurais para otimizar os resultados.
2. O que caracteriza um modelo de Regressão Logística?
a) É utilizado apenas para previsões contínuas de variáveis.
b) Ele prevê uma variável contínua com base em variáveis independentes.
c) Ele é uma técnica usada para problemas de classificação binária.
d) Ele pode ser usado para agrupar dados não rotulados.
e) Ele utiliza um algoritmo não supervisionado para análise de dados.
3. O que significa a técnica de regularização em modelos de aprendizado supervisionado?
a) Aumento da complexidade do modelo para capturar mais variabilidade.
b) Redução da complexidade do modelo para evitar o overfitting.
c) O uso de dados não rotulados para treinar o modelo.
d) Aumento da precisão de um modelo já otimizado.
e) Exclusão de dados de entrada que não são relevantes.
4. Qual é a principal diferença entre k-NN e SVM?
a) O k-NN é baseado em distância, enquanto o SVM usa margens para separar classes.
b) O k-NN é utilizado para problemas de regressão, enquanto o SVM é usado para classificação.
c) O SVM usa a técnica de agrupamento, enquanto o k-NN utiliza modelos probabilísticos.
d) O k-NN é mais eficiente para dados de alta dimensionalidade, enquanto o SVM não é.
e) O k-NN usa dados não rotulados, enquanto o SVM requer dados rotulados.
5. Qual é a principal vantagem de usar Random Forest?
a) Ele utiliza apenas uma árvore de decisão para classificar os dados.
b) Ele pode ser facilmente interpretado, permitindo uma explicação clara dos resultados.
c) Ele combina múltiplas árvores de decisão para melhorar a precisão e reduzir o overfitting.
d) Ele é limitado a apenas problemas de regressão.
e) Ele é mais simples de implementar do que o SVM e o k-NN.
6. Qual é a função do gradiente descendente em modelos de aprendizado supervisionado?
a) Ajustar os hiperparâmetros do modelo de forma dinâmica.
b) Minimizar a função de custo ajustando os pesos do modelo.
c) Realizar a otimização do modelo sem a necessidade de dados rotulados.
d) Fazer a redução de dimensionalidade para melhorar o desempenho.
e) Agrupar os dados de treinamento para melhorar a acurácia do modelo.
7. O que caracteriza a técnica de Boosting?
a) Treina modelos independentes em paralelo e depois combina os resultados.
b) Aumenta o desempenho do modelo ajustando iterativamente os erros de modelos anteriores.
c) Cria um único modelo forte a partir de um único modelo fraco.
d) Executa a classificação sem usar dados rotulados.
e) Foca em reduzir a dimensionalidade dos dados.
8. Qual é a principal aplicação do Modelo Naive Bayes?
a) Classificação de dados com variáveis contínuas.
b) Classificação de dados com variáveis discretas, assumindo independência entre elas.
c) Regressão de dados contínuos com base em variáveis independentes.
d) Agrupamento de dados sem supervisionamento.
e) Previsão de séries temporais.
9. O que caracteriza um modelo de redes neurais?
a) Ele é utilizado apenas para análise de grandes volumes de dados não rotulados.
b) Ele simula o funcionamento do cérebro humano para resolver problemas complexos de aprendizado.
c) Ele utiliza apenas uma camada de processamento para fazer previsões.
d) Ele depende da análise de dados de alta dimensionalidade para prever variáveis contínuas.
e) Ele é uma técnica de aprendizado não supervisionado baseada em árvores de decisão.
10. O que é o conceito de overfitting em modelos de aprendizado supervisionado?
a) Quando o modelo tem baixo desempenho em dados de treinamento e de teste.
b) Quando o modelo aprende excessivamente os detalhes dos dados de treinamento, prejudicando sua capacidade de generalização.
c) Quando o modelo tem boa precisão apenas em dados de teste, mas não em dados de treinamento.
d) Quando o modelo é incapaz de aprender qualquer padrão nos dados.
e) Quando o modelo utiliza dados não rotulados para melhorar sua performance.
Gabarito e Justificativas
1. c) O aprendizado supervisionado usa dados rotulados para treinar e prever.
2. c) A regressão logística é usada para problemas de classificação binária.
3. b) Regularização reduz a complexidade do modelo para evitar overfitting.
4. a) O k-NN é baseado em distância, enquanto o SVM utiliza margens para separar as classes.
5. c) O Random Forest combina múltiplas árvores de decisão, melhorando a precisão e evitando overfitting.
6. b) O gradiente descendente minimiza a função de custo ajustando os pesos do modelo.
7. b) Boosting melhora o desempenho ajustando os erros dos modelos anteriores de maneira iterativa.
8. b) O Naive Bayes é um modelo probabilístico que classifica dados assumindo a independência entre as variáveis.
9. b) Redes neurais simulam o funcionamento do cérebro humano para resolver problemas complexos de aprendizado.
10. b) Overfitting ocorre quando o modelo aprende excessivamente os detalhes dos dados de treinamento, comprometendo a generalização.