QUESTIONÁRIO UNIDADE I CIÊNCIA DE DADOS

Prévia do material em texto

Revisar envio do teste: QUESTIONÁRIO UNIDADE ICIÊNCIA DE DADOS CONTEÚDO
Pergunta 1
Resposta Selecionada: c. 
Respostas: a. 
b. 
c. 
d. 
e. 
Comentário
da resposta:
Imagine uma empresa de varejo que vende produtos eletrônicos. Ela coleta dados
de vendas ao longo do tempo, incluindo informações como datas de venda, tipos de
produtos vendidos, preços, promoções, dados climáticos e feriados. O objetivo de
um cientista de dados é utilizar técnicas para prever a demanda futura dos
produtos. Isso ajudará a empresa a otimizar os níveis de estoque, planejar
promoções e melhorar a e�ciência operacional.
Dado o conhecimento das etapas da ciência de dados, indique qual é a etapa em
que são desenvolvidos modelos de mineração de dados.
Modelagem.
Coleta de dados.
Limpeza de dados.
Modelagem.
Avaliação.
Comunicação dos resultados.
Resposta: C
Comentário: Na etapa de modelagem, os cientistas de dados
desenvolvem modelos de mineração de dados, aplicando
algoritmos de machine learning e outras técnicas para criar
previsões, classi�cações ou insights a partir dos dados coletados e
preparados. No contexto do exemplo dado, o cientista de dados
desenvolveria modelos para prever a demanda futura dos produtos
eletrônicos da empresa de varejo.
Pergunta 2
Após o uso constante de um modelo para treinamento de máquina, o analista
responsável começa a observar que mesmo ampliando a complexidade dos
problemas, a máquina apresenta um desempenho insatisfatório em relação aos
dados de treinamento. Ele acredita que isso se deve ao fato de que o modelo que
está sendo testado é muito simples e, por isso, apresenta di�culdade de capturar
padrões. Como podemos classi�car esse tipo de fenômeno?
0,5 em 0,5 pontos
0,5 em 0,5 pontos
Ask
http://company.blackboard.com/
https://ava.ead.unip.br/webapps/blackboard/execute/courseMain?course_id=_361988_1
https://ava.ead.unip.br/webapps/blackboard/content/listContent.jsp?course_id=_361988_1&content_id=_4135155_1&mode=reset
https://ava.ead.unip.br/webapps/login/?action=logout
Resposta Selecionada: b. 
Respostas: a. 
b. 
c. 
d. 
e. 
Comentário
da resposta:
Under�tting.
Upper�tting.
Under�tting.
Over�tting.
Hiper�tting.
Down�tting.
Resposta: B
Comentário: Nesse cenário, o analista acredita que o modelo está
muito simples para capturar a complexidade dos dados, resultando
em um desempenho insatisfatório tanto em relação aos dados de
treinamento quanto em relação aos dados de teste ou validação.
Esse fenômeno é chamado de "under�tting", quando o modelo é
muito simpli�cado para representar corretamente os padrões
presentes nos dados.
Pergunta 3
Resposta
Selecionada:
b.
Respostas: a.
b.
c.
d.
Uma empresa de desenvolvimento de softwares, que inclui entre seus produtos um
sistema de envio e recebimento de e-mails, optou por criar uma nova versão do
sistema com melhorias nos �ltros de detecção de spam. Para esse propósito, a
equipe de engenharia de software recebeu a tarefa de treinar o software.
Considerando esse exemplo, analise as opções abaixo e indique aquela que explica o
objetivo do treinamento de um modelo de aprendizado de máquina.
Ajustar os parâmetros do modelo para minimizar a função de
perda.
Ajustar os parâmetros do modelo para maximizar a função de
perda.
Ajustar os parâmetros do modelo para minimizar a função de
perda.
Ajustar os parâmetros do modelo para maximizar a função de
recompensa.
Ajustar os parâmetros do modelo para minimizar a função de
recompensa.
0,5 em 0,5 pontos
e.
Comentário
da resposta:
Ajustar os parâmetros do modelo para maximizar a precisão
do modelo.
Resposta: B
Comentário: O objetivo do treinamento de um modelo de
aprendizado de máquina é ajustar seus parâmetros de forma a
minimizar a função de perda. Essa função de perda mede a
discrepância entre as previsões do modelo e os valores reais no
conjunto de treinamento. Ao minimizar a função de perda, o
modelo se torna mais apto a fazer previsões precisas e
generalizadas para novos dados. No caso do exemplo dado, a
empresa busca melhorar a detecção de spam em e-mails.
Pergunta 4
Resposta
Selecionada:
a.
Respostas: a.
b.
c. 
d.
e. 
Qual é a suposição feita pelos algoritmos de Naive Bayes?
As variáveis são independentes umas das outras ao fazer
suas previsões.
As variáveis são independentes umas das outras ao fazer
suas previsões.
As variáveis são dependentes umas das outras ao fazer suas
previsões.
O relacionamento entre as variáveis é sempre linear.
O relacionamento entre as variáveis é sempre não linear.
O modelo deve ser treinado com dados rotulados.
0,5 em 0,5 pontos
Comentário
da resposta:
Resposta: A
Comentário: A suposição feita pelos algoritmos de Naive Bayes é
que as variáveis (ou características) são independentes entre si,
dada a classe (ou categoria) a que pertencem. Isso é conhecido
como "suposição de independência condicional". Embora essa
suposição possa ser simplista para muitos cenários da vida real, os
algoritmos Naive Bayes frequentemente apresentam um bom
desempenho em problemas de classi�cação, como a categorização
de e-mails em spam ou não spam, devido à sua e�ciência e relativa
simplicidade.
Pergunta 5
Resposta
Selecionada:
e.
Respostas: a.
b.
c.
d.
e.
Comentário
da resposta:
Analise as opções abaixo e indique qual delas corresponde aos parâmetros
necessários para se obter bons resultados na classi�cação.
Selecionar cuidadosamente as características relevantes, escolher
o algoritmo de classi�cação apropriado, ajustar os
hiperparâmetros do modelo e realizar uma avaliação rigorosa.
Ter um conjunto de dados representativo e su�cientemente
grande para treinar o modelo de classi�cação, evitando vieses ou
problemas de generalização.
Compreender o contexto, identi�car as informações mais
relevantes e comunicá-las de forma clara e concisa.
Utilizar técnicas de segmentação de mercado e detecção de
fraudes.
Escolher entre sumarização automática e sumarização manual.
Selecionar cuidadosamente as características relevantes, escolher
o algoritmo de classi�cação apropriado, ajustar os
hiperparâmetros do modelo e realizar uma avaliação rigorosa.
Resposta: E
Comentário: Para obter resultados satisfatórios na classi�cação, é
essencial selecionar as características relevantes, optar pelo
algoritmo de classi�cação adequado, ajustar os hiperparâmetros do
modelo para otimizar o desempenho e conduzir uma avaliação
rigorosa para garantir que o modelo generalize bem para novos
dados. Essas etapas são cruciais para construir um modelo de
classi�cação e�caz e bem ajustado.
0,5 em 0,5 pontos
Pergunta 6
Resposta
Selecionada:
d.
Respostas: a.
b.
c.
d.
e.
Comentário
da resposta:
A sumarização na mineração de dados refere-se ao processo de extrair informações
ou conhecimentos essenciais e concisos a partir de conjuntos de dados complexos e
volumosos. O objetivo é reduzir a quantidade de dados sem perder informações
críticas. Isso envolve identi�car padrões, tendências, características principais ou
resumos estatísticos que capturem o signi�cado subjacente dos dados.
Indique qual das alternativas abaixo apresenta de forma correta a diferença entre
sumarização automática e sumarização manual.
A sumarização automática é baseada em regras pré-de�nidas ou
algoritmos, enquanto a sumarização manual é baseada na
interpretação humana dos dados.
A sumarização automática é realizada por humanos, enquanto a
sumarização manual é realizada por algoritmos de aprendizado
de máquina.
A sumarização automática é mais precisa e con�ável do que a
sumarização manual.
A sumarização automática é mais rápida e e�ciente do que a
sumarização manual.
A sumarização automática é baseada em regras pré-de�nidas ou
algoritmos, enquanto a sumarização manual é baseada na
interpretação humana dos dados.
A sumarização automática é mais cara e complexa do que a
sumarização manual.
Resposta: D
Comentário: A diferença entre a sumarização automática e a
sumarização manual reside no processo envolvido. A sumarização
automática é realizada por meio dealgoritmos ou regras pré-
de�nidas que extraem informações importantes dos dados de
forma automatizada, sem intervenção humana direta. Por outro
lado, a sumarização manual envolve a interpretação humana dos
dados para identi�car e extrair informações relevantes e criar
resumos de forma deliberada e subjetiva. Portanto, a alternativa “d”
re�ete corretamente essa diferença.
0,5 em 0,5 pontos
Pergunta 7
Resposta
Selecionada:
e.
Respostas: a.
b.
c.
d.
e.
Comentário
da resposta:
O que é necessário para avaliar o desempenho de um modelo de aprendizado de
máquina?
Dados de validação ou teste e métricas como acurácia,
precisão, recall e F1-score.
Dados de validação ou teste e a de�nição adequada das
características e atributos relevantes.
A escolha do modelo correto e a otimização dos parâmetros do
modelo para minimizar o erro.
A interpretação correta dos resultados e a seleção de recursos
relevantes.
A qualidade dos dados e a escolha de uma função de perda
apropriada.
Dados de validação ou teste e métricas como acurácia,
precisão, recall e F1-score.
Resposta: E
Comentário: A avaliação do desempenho de um modelo de
aprendizado de máquina requer o uso de dados de validação ou
teste, que não foram usados durante o treinamento do modelo,
para veri�car como o modelo se sai em dados não vistos. Além
disso, é necessário usar métricas apropriadas para avaliar diferentes
aspectos do desempenho do modelo. Métricas comuns incluem
acurácia (taxa de previsões corretas), precisão (quantidade de
verdadeiros positivos dividida pelo total de positivos previstos), recall
(quantidade de verdadeiros positivos dividida pelo total de
verdadeiros positivos reais) e F1-score (uma média harmônica entre
precisão e recall). Essas métricas ajudam a entender o quão bem o
modelo está funcionando e onde podem existir desequilíbrios ou
problemas de desempenho.
Pergunta 8
0,5 em 0,5 pontos
0,5 em 0,5 pontos
Resposta
Selecionada:
c.
Respostas: a. 
b. 
c.
d. 
e.
Comentário
da resposta:
Segundo Géron, A. (2017), "A preparação de dados para análise envolve várias
etapas importantes para garantir que os dados estejam limpos, consistentes e
prontos para serem usados em análises ou modelagens". Podemos citar como
etapas dessa preparação a Coleta de Dados, a Limpeza de Dados, o Pré-
processamento, a Redução de Dimensionalidade, o Tratamento de Outliers, a
Codi�cação de Categorias e a Amostragem, entre outras. Com base nas colocações
de Géron, indique qual das alternativas abaixo de�ne corretamente o pré-
processamento de dados:
Um processo de limpeza, transformação e redução de dados
brutos para torná-los adequados para análise.
Um conjunto de técnicas para a análise de dados.
Um método para a visualização de dados complexos.
Um processo de limpeza, transformação e redução de dados
brutos para torná-los adequados para análise.
Um conjunto de ferramentas para a coleta de dados.
Um campo de estudo que se concentra na interpretação de
dados.
Resposta: C
Comentário: O pré-processamento de dados envolve várias etapas,
incluindo limpeza, transformação e redução de dados brutos para
prepará-los para análises ou modelagens subsequentes. Essas
etapas visam melhorar a qualidade, consistência e utilidade dos
dados, garantindo que estejam em um formato apropriado para as
próximas fases da análise ou modelagem. Portanto, a alternativa “c”
de�ne corretamente o pré-processamento de dados de acordo com
a colocação de Géron.
Pergunta 9
Resposta Selecionada: d. 
Respostas: a. 
b. 
Segundo Laney (2001), Big Data são conjuntos de dados extremamente grandes e
complexos que exigem tecnologias e métodos especí�cos para armazenamento,
processamento e análise devido ao seu tamanho e complexidade. Das alternativas
abaixo, qual corresponde às características de um Big Data, segundo Laney?
Volume, Velocidade e Variedade.
Intangibilidade, Granularidade e Estruturação.
Gerar valor, Privacidade, Agrupável.
0,5 em 0,5 pontos
Sábado, 14 de Dezembro de 2024 00h02min01s BRT
c. 
d. 
e. 
Comentário
da resposta:
Estruturação, Privacidade, Volume.
Volume, Velocidade e Variedade.
Variedade, Granularidade e Agrupável.
Resposta: D
Comentário: Segundo o autor Doug Laney, em 2001, ele propôs a
de�nição dos "3 Vs" para caracterizar Big Data: Volume (grande
quantidade de dados), Velocidade (alta taxa de geração e
processamento de dados) e Variedade (diversidade de tipos de
dados, como estruturados, não estruturados e semiestruturados).
Essas características destacam a complexidade dos conjuntos de
dados que são considerados Big Data.
Pergunta 10
Resposta Selecionada: b. 
Respostas: a. 
b. 
c. 
d. 
e. 
Comentário
da resposta:
A descrição a seguir se refere a qual tipo de modelo de machine learning? “É um
modelo usado para problemas de classi�cação binária, em que a variável de saída é
categórica com duas classes. Ele estima a probabilidade de um evento ocorrer,
mapeando a entrada para uma função logística.”
Regressão Logística.
Regressão Linear.
Regressão Logística.
Árvores de Decisão.
Máquinas de Vetores de Suporte (SVM).
Redes Neurais Arti�ciais.
Resposta: B
Comentário: A descrição dada se encaixa no modelo de Regressão
Logística. Embora o nome possa sugerir que seja usado para
regressão, a Regressão Logística é frequentemente usada para
problemas de classi�cação binária, em que a variável de saída é
categórica com duas classes. Ela estima a probabilidade de um
evento ocorrer usando uma função logística, que mapeia as
entradas para uma probabilidade entre 0 e 1.
← OK
0,5 em 0,5 pontos