Estratégias de Aprendizado Supervisionado

Prévia do material em texto

Prova- 168: Estratégias de Aprendizado Supervisionado
Introdução
Esta prova investiga estratégias de otimização e a implementação de modelos supervisionados em diversos contextos, focando em redes neurais, otimização e avaliação.
Questões
1. Qual é a principal vantagem do k-Nearest Neighbors (KNN)?
a) Não precisa de dados rotulados.
b) Ele faz previsões com base em atributos sequenciais.
c) Ele é simples, mas eficiente para problemas de classificação.
d) Ele ajusta automaticamente os coeficientes durante o treinamento.
e) Ele usa uma rede neural para classificar dados.
2. O que significa o termo "overfitting"?
a) Quando o modelo falha em generalizar a partir dos dados de treinamento.
b) Quando o modelo se ajusta precisamente aos dados de treinamento e falha em novos dados.
c) Quando o modelo tem boa performance tanto em treinamento quanto em teste.
d) Quando o modelo não consegue capturar padrões nos dados.
e) Quando o modelo tem uma baixa precisão em dados de teste.
3. O que é uma rede neural artificial (ANN)?
a) Um modelo de aprendizado não supervisionado.
b) Um modelo que tenta simular o funcionamento do cérebro humano, ajustando os pesos dos neurônios.
c) Um modelo que realiza classificação de dados com base em distâncias.
d) Um modelo de redução de dimensionalidade.
e) Um modelo de otimização baseado em funções lineares.
4. O que caracteriza o algoritmo de regressão logística?
a) Ele é usado para prever valores contínuos.
b) Ele é usado para prever probabilidades de classes, usando uma função sigmoide.
c) Ele é utilizado para reduzir a complexidade de outros modelos.
d) Ele é baseado em máquinas de vetores de suporte.
e) Ele realiza clustering nos dados.
5. O que é validação cruzada e por que é importante?
a) Uma técnica para treinar modelos em diferentes subconjuntos de dados rotulados, aumentando a robustez e evitando overfitting.
b) Uma técnica para testar o modelo em dados não rotulados.
c) Uma técnica para realizar ajustes automáticos de hiperparâmetros.
d) Uma técnica de treinamento único para dados de validação.
e) Uma técnica de pré-processamento de dados.
6. Qual é a principal característica de um modelo linear?
a) Ele é composto por várias camadas não lineares.
b) Ele tenta modelar relações lineares entre as variáveis de entrada e a saída.
c) Ele usa kernels para transformar os dados.
d) Ele é mais eficiente para problemas de clustering.
e) Ele é ideal para problemas de regressão não linear.
7. O que são modelos ensemble?
a) Modelos que utilizam múltiplas árvores de decisão para melhorar a precisão.
b) Modelos que combinam várias técnicas de aprendizado para aumentar a precisão do modelo final.
c) Modelos que treinam um único modelo para aumentar a precisão.
d) Modelos que não requerem dados rotulados.
e) Modelos que utilizam apenas um tipo de dado.
8. O que é o algoritmo naive Bayes?
a) Um modelo baseado em média e variância dos dados.
b) Um modelo probabilístico utilizado para classificação, assumindo independência entre as variáveis.
c) Um modelo de otimização utilizado em redes neurais.
d) Um modelo utilizado para redução de dimensionalidade.
e) Um algoritmo de clustering para agrupamento de dados.
9. Qual técnica de regularização penaliza a soma dos quadrados dos coeficientes do modelo?
a) Lasso.
b) Ridge.
c) Dropout.
d) K-fold Cross Validation.
e) PCA (Análise de Componentes Principais).
10. Como funciona a técnica de backpropagation em redes neurais?
a) Ela ajusta os pesos dos neurônios baseados no erro da previsão, propagando o erro para trás através da rede.
b) Ela aumenta o número de neurônios na rede.
c) Ela reduz a dimensionalidade dos dados.
d) Ela utiliza uma função de otimização não linear.
e) Ela aplica um processo de clustering nas camadas.
Gabarito e Justificativas
1. c) O k-Nearest Neighbors (KNN) é simples e eficiente, baseado em distância entre os dados.
2. b) Overfitting ocorre quando o modelo se ajusta precisamente aos dados de treinamento e falha em novos dados.
3. b) A rede neural artificial tenta simular o funcionamento do cérebro humano, ajustando os pesos dos neurônios.
4. b) A regressão logística prevê probabilidades de classes usando uma função sigmoide.
5. a) A validação cruzada é usada para treinar modelos em diferentes subconjuntos de dados e evitar overfitting.
6. b) Um modelo linear tenta modelar relações lineares entre as variáveis de entrada e a saída.
7. b) Modelos ensemble combinam várias técnicas de aprendizado para melhorar a precisão do modelo final.
8. b) O naive Bayes é um modelo probabilístico utilizado para classificação, assumindo independência entre as variáveis.
9. b) A regularização Ridge penaliza a soma dos quadrados dos coeficientes do modelo.
10. a) O backpropagation ajusta os pesos dos neurônios com base no erro da previsão, propagando o erro para trás na rede.