Técnicas e Aplicações de Modelos Supervisionados

Prévia do material em texto

Prova- 166: Técnicas e Aplicações de Modelos Supervisionados
Introdução
Esta prova foca nas aplicações práticas de modelos supervisionados e técnicas de otimização, incluindo Redes Neurais e regularização.
Questões
1. Qual é a diferença principal entre regressão linear e regressão logística?
a) A regressão linear é usada para prever valores contínuos, enquanto a regressão logística é usada para prever probabilidades de classes discretas.
b) A regressão linear prevê classes discretas, enquanto a regressão logística prevê valores contínuos.
c) A regressão linear utiliza funções não lineares, enquanto a regressão logística é linear.
d) A regressão logística é usada apenas para dados de imagem.
e) A regressão linear e a regressão logística são técnicas não supervisionadas.
2. O que significa tuning de hiperparâmetros?
a) Ajustar os coeficientes do modelo.
b) Ajustar os dados de entrada para melhorar a qualidade da previsão.
c) Ajustar os parâmetros do modelo para melhorar o desempenho.
d) Ajustar os atributos do conjunto de dados.
e) Ajustar a dimensionalidade do modelo.
3. O que caracteriza uma Rede Neural Artificial (ANN)?
a) Ela é composta por camadas de nós que podem aprender padrões complexos a partir dos dados.
b) Ela é usada apenas para classificação linear.
c) Ela usa apenas valores binários como entradas e saídas.
d) Ela é uma técnica de aprendizado não supervisionado.
e) Ela usa métodos probabilísticos para fazer previsões.
4. O que é o gradiente descendente em aprendizado supervisionado?
a) Um algoritmo para aumentar a complexidade do modelo.
b) Um algoritmo de otimização usado para minimizar a função de custo.
c) Um método para aumentar o número de atributos no modelo.
d) Um método de clustering de dados.
e) Um processo para aumentar o número de dados rotulados.
5. O que são modelos ensemble?
a) Modelos que utilizam uma única árvore de decisão para tomar decisões.
b) Modelos que combinam previsões de vários modelos para melhorar a precisão.
c) Modelos que treinam apenas com dados de teste.
d) Modelos que utilizam apenas um tipo de modelo em todas as situações.
e) Modelos que não requerem dados rotulados.
6. Como funciona a técnica de Bagging?
a) Ela combina previsões de vários modelos fracos para formar um modelo forte.
b) Ela ajusta os atributos do modelo para melhorar a performance.
c) Ela utiliza uma única árvore de decisão para fazer previsões.
d) Ela aumenta a dimensionalidade dos dados.
e) Ela treina um único modelo em dados rotulados.
7. Qual é o objetivo da regularização L2 (Ridge)?
a) Reduzir os coeficientes dos parâmetros do modelo para controlar sua complexidade.
b) Aumentar a dimensionalidade do modelo.
c) Eliminar atributos irrelevantes do modelo.
d) Ajustar o número de camadas nas redes neurais.
e) Melhorar o desempenho de modelos lineares.
8. Qual é a principal vantagem do SVM (Support Vector Machine)?
a) Ele é eficiente para grandes volumes de dados não rotulados.
b) Ele é eficaz para problemas de classificação não lineares.
c) Ele usa técnicas probabilísticas para classificação.
d) Ele é ideal para modelos lineares.
e) Ele pode ser usado apenas para modelos de regressão.
9. O que é overfitting?
a) Quando o modelo tem baixa precisão tanto em dados de treinamento quanto de teste.
b) Quando o modelo se ajusta excessivamente aos dados de treinamento, comprometendo sua capacidade de generalizar para novos dados.
c) Quando o modelo não consegue aprender a partir dos dados rotulados.
d) Quando o modelo apresenta alta precisão em dados de teste, mas não nos dados de treinamento.
e) Quando o modelo aumenta a dimensionalidade dos dados.
10. O que caracteriza um modelo supervisionado?
a) Ele é treinado com dados não rotulados.
b) Ele é treinado com dados rotulados para aprender a fazer previsões.
c) Ele é treinado apenas com dados de teste.
d) Ele é utilizado para descoberta de padrões.
e) Ele não usa nenhum tipo de dados.
Gabarito e Justificativas
1. a) A regressão linear prevê valores contínuos, enquanto a regressão logística prevê probabilidades de classes discretas.
2. c) Tuning de hiperparâmetros envolve ajustar os parâmetros do modelo para melhorar o desempenho.
3. a) Redes Neurais Artificiais são compostas por camadas de nós que podem aprender padrões complexos.
4. b) O gradiente descendente é um algoritmo de otimização usado para minimizar a função de custo.
5. b) Modelos ensemble combinam previsões de vários modelos para melhorar a precisão.
6. a) O Bagging combina previsões de vários modelos fracos para formar um modelo forte.
7. a) A regularização L2 (Ridge) reduz os coeficientes dos parâmetros do modelo para controlar sua complexidade.
8. b) O SVM é eficaz para problemas de classificação não lineares.
9. b) Overfitting ocorre quando o modelo se ajusta excessivamente aos dados de treinamento, comprometendo sua capacidade de generalizar.
10. b) Modelos supervisionados são treinados com dados rotulados para aprender a fazer previsões.