Prova_ Fundamentos da Inteligência Artificial e do Aprendizado de Máquina

Prévia do material em texto

Prova: Fundamentos da Inteligência Artificial e do 
Aprendizado de Máquina
Introdução
Esta prova tem como objetivo avaliar seus conhecimentos sobre conceitos básicos e 
aplicações práticas da Inteligência Artificial (IA) e do Aprendizado de Máquina (AM). Você 
encontrará questões relacionadas a algoritmos, tipos de aprendizado e desafios éticos 
dessas áreas. Boa sorte!
Questão 1
O que caracteriza o aprendizado não supervisionado?
a) Quando o modelo é treinado com dados rotulados.
b) Quando o modelo organiza dados sem rótulos.
c) Quando o modelo utiliza feedback contínuo.
d) Quando o modelo é usado apenas para jogos.
e) Quando o modelo depende de lógica explícita programada.
Questão 2
Qual dos algoritmos abaixo é usado para agrupamento (clustering)?
a) Algoritmo K-means.
b) Algoritmo de Busca A*.
c) Algoritmo Dijkstra.
d) Algoritmo Backpropagation.
e) Algoritmo Minimax.
Questão 3
Qual é o objetivo principal da rede neural convolucional (CNN)?
a) Analisar séries temporais em finanças.
b) Processar dados tabulares em planilhas.
c) Reconhecer padrões em dados visuais, como imagens.
d) Criar representações em texto para tradutores automáticos.
e) Controlar sistemas mecânicos em automação industrial.
Questão 4
Em qual contexto o aprendizado por reforço é mais frequentemente utilizado?
a) Classificação de e-mails como spam ou não spam.
b) Identificação de padrões em dados tabulares.
c) Controle de robôs e jogos interativos.
d) Criação de gráficos de barras.
e) Construção de websites dinâmicos.
Questão 5
O que são hiperparâmetros em Aprendizado de Máquina?
a) Dados usados exclusivamente para validação de modelos.
b) Parâmetros internos ajustados automaticamente pelo modelo.
c) Configurações ajustadas manualmente para otimizar o desempenho do modelo.
d) Algoritmos que substituem redes neurais.
e) Variáveis fixas em datasets de treinamento.
Questão 6
Qual é um exemplo de técnica para lidar com overfitting?
a) Utilizar um modelo mais complexo.
b) Aumentar o número de camadas de uma rede neural.
c) Aplicar regularização, como L1 ou L2.
d) Reduzir o tamanho do conjunto de validação.
e) Ignorar dados irrelevantes no conjunto de teste.
Questão 7
Qual das seguintes aplicações depende mais de modelos preditivos baseados em IA?
a) Previsão de falhas em máquinas industriais.
b) Impressão de documentos.
c) Gravação de CDs e DVDs.
d) Montagem manual de peças mecânicas.
e) Produção de papel reciclado.
Questão 8
O que são conjuntos de treinamento e teste em Aprendizado de Máquina?
a) Coleções de algoritmos usados no processo de modelagem.
b) Dados utilizados para monitorar servidores.
c) Divisões de dados para treinar o modelo e avaliar seu desempenho.
d) Planilhas usadas em análise manual de dados.
e) Diagramas para visualização de redes neurais.
Questão 9
Qual conceito está relacionado ao uso de redes neurais profundas para tarefas como 
reconhecimento facial?
a) Lógica Fuzzy.
b) Aprendizado profundo (Deep Learning).
c) Regressão linear simples.
d) Algoritmos genéticos.
e) Algoritmos de grafos.
Questão 10
Qual dos seguintes é um desafio técnico na implementação de IA?
a) A falta de desenvolvedores.
b) A complexidade na obtenção e limpeza de dados.
c) A ausência de dispositivos móveis no mercado.
d) A impossibilidade de usar redes sem fio.
e) A inexistência de algoritmos eficientes.
Respostas e Justificativas
1. b) Quando o modelo organiza dados sem rótulos.
Justificativa: O aprendizado não supervisionado busca padrões ou estruturas ocultas
em dados não rotulados.
2. a) Algoritmo K-means.
Justificativa: K-means é amplamente utilizado para agrupar dados em categorias ou 
clusters.
3. c) Reconhecer padrões em dados visuais, como imagens.
Justificativa: Redes neurais convolucionais são projetadas para processar imagens e
dados visuais.
4. c) Controle de robôs e jogos interativos.
Justificativa: O aprendizado por reforço é eficaz para problemas que envolvem 
decisões sequenciais em ambientes dinâmicos.
5. c) Configurações ajustadas manualmente para otimizar o desempenho do modelo.
Justificativa: Hiperparâmetros são definidos antes do treinamento para ajustar a 
eficiência do modelo.
6. c) Aplicar regularização, como L1 ou L2.
Justificativa: Regularização penaliza a complexidade do modelo, reduzindo a 
probabilidade de overfitting.
7. a) Previsão de falhas em máquinas industriais.
Justificativa: IA é utilizada para prever problemas futuros com base em padrões 
históricos de dados.
8. c) Divisões de dados para treinar o modelo e avaliar seu desempenho.
Justificativa: Essa prática ajuda a validar a eficácia do modelo em dados não vistos.
9. b) Aprendizado profundo (Deep Learning).
Justificativa: Redes neurais profundas são essenciais em aplicações como 
reconhecimento facial.
10. b) A complexidade na obtenção e limpeza de dados.
Justificativa: Dados de qualidade são essenciais para o sucesso dos modelos de IA, 
mas sua preparação é desafiadora.