Prova 1_ Fundamentos e Aplicações de Algoritmos de Aprendizado de Máquina

Prévia do material em texto

Prova 1: Fundamentos e Aplicações de Algoritmos de Aprendizado de 
Máquina
Introdução:
Esta prova explora os conceitos-chave relacionados a algoritmos de aprendizado de 
máquina, com ênfase em técnicas, métodos de otimização e suas aplicações práticas em 
diferentes áreas.
Questão 1
O que caracteriza o aprendizado supervisionado em aprendizado de máquina?
a) O modelo aprende apenas com dados não rotulados.
b) O modelo é treinado utilizando dados rotulados para prever saídas futuras.
c) O modelo aprende com exemplos negativos apenas.
d) O modelo ajusta seus parâmetros sem intervenção humana.
e) O modelo aprende sem dados de entrada, apenas com feedback.
Questão 2
Qual é a função principal de um classificador em aprendizado de máquina?
a) Agrupar dados de acordo com suas características comuns.
b) Prever a sequência de ações em um processo dinâmico.
c) Prever uma saída contínua com base em entradas fornecidas.
d) Classificar dados em diferentes categorias ou classes com base em características 
observadas.
e) Minimizar a função de perda para melhorar a acurácia do modelo.
Questão 3
O que é overfitting no contexto de aprendizado de máquina?
a) Quando o modelo não consegue capturar informações suficientes dos dados de 
treinamento.
b) Quando o modelo se ajusta demais aos dados de treinamento, prejudicando sua 
capacidade de generalizar.
c) Quando o modelo é incapaz de aprender qualquer padrão dos dados.
d) Quando o modelo otimiza seus parâmetros de forma muito rápida, levando à 
instabilidade.
e) Quando o modelo ignora completamente a função de perda.
Questão 4
O que significa regularização em aprendizado de máquina?
a) Ajustar a taxa de aprendizado para otimizar o processo de treinamento.
b) Introduzir penalidades para evitar que o modelo fique excessivamente complexo e overfit.
c) Realizar a redução de dimensionalidade nos dados.
d) Aumentar a quantidade de dados para melhorar o desempenho do modelo.
e) A técnica usada para treinar redes neurais em grandes quantidades de dados.
Questão 5
O que é uma rede neural convolucional (CNN)?
a) Uma rede neural usada principalmente para processar dados sequenciais, como séries 
temporais.
b) Uma rede neural utilizada em tarefas de classificação, que realiza convoluções para 
extrair características de imagens.
c) Uma rede que classifica dados não rotulados em diferentes categorias.
d) Uma rede neural que se utiliza de aprendizado por reforço para melhorar seu 
desempenho.
e) Uma rede composta apenas por camadas de neurônios totalmente conectadas.
Questão 6
O que é o conceito de função de perda em aprendizado de máquina?
a) A função que mede a precisão de uma previsão em relação aos valores reais.
b) A função usada para ajustar a arquitetura da rede neural.
c) A função usada para calcular o tempo de treinamento.
d) A função usada para medir a complexidade do modelo.
e) A função que mede a diferença entre as previsões do modelo e os valores reais.
Questão 7
O que é o algoritmo K-means utilizado em aprendizado não supervisionado?
a) Um algoritmo de clustering que organiza dados em K grupos baseados em similaridades.
b) Um algoritmo de otimização utilizado para ajustar os parâmetros de um modelo 
supervisionado.
c) Um algoritmo de classificação usado para prever saídas a partir de dados rotulados.
d) Um algoritmo que converte variáveis contínuas em variáveis categóricas.
e) Um algoritmo de regularização que previne o overfitting em redes neurais.
Questão 8
Em qual cenário é mais apropriado utilizar redes neurais recorrentes (RNNs)?
a) Para classificação de imagens.
b) Para análise de séries temporais e dados sequenciais, como texto e linguagem natural.
c) Para prever resultados contínuos de variáveis em um único momento.
d) Para realizar o agrupamento de dados em categorias.
e) Para realizar tarefas de aprendizado supervisionado em dados rotulados.
Questão 9
Qual técnica de aprendizado de máquina é comumente usada para reduzir a 
dimensionalidade dos dados?
a) K-means clustering.
b) Análise de componentes principais (PCA).
c) Regressão linear.
d) Redes neurais profundas.
e) Algoritmos de otimização estocástica.
Questão 10
O que é um modelo ensemble em aprendizado de máquina?
a) Um modelo que combina várias abordagens de aprendizado em um único sistema para 
melhorar a acurácia e robustez.
b) Um modelo de aprendizado supervisionado que é treinado em dados sequenciais.
c) Um modelo que utiliza apenas uma rede neural com poucas camadas ocultas.
d) Um modelo de agrupamento que não exige dados rotulados.
e) Um modelo utilizado exclusivamente em aprendizado por reforço.
Gabarito e Justificativa
1. b)
○ O aprendizado supervisionado utiliza dados rotulados para treinar um modelo
que prevê as saídas com base em novas entradas.
2. d)
○ O principal objetivo de um classificador é categorizar dados em diferentes 
classes com base em suas características observadas.
3. b)
○ O overfitting ocorre quando o modelo se ajusta excessivamente aos dados 
de treinamento, dificultando sua generalização para novos dados.
4. b)
○ A regularização introduz penalidades que ajudam a evitar que o modelo fique
excessivamente complexo, prevenindo o overfitting.
5. b)
○ Redes neurais convolucionais (CNNs) são usadas principalmente para 
processamento de imagens, extraindo características através de 
convoluções.
6. e)
○ A função de perda mede a diferença entre as previsões do modelo e os 
valores reais, orientando o processo de aprendizado.
7. a)
○ O algoritmo K-means é utilizado em clustering, organizando os dados em 
grupos (clusters) baseados em suas similaridades.
8. b)
○ As redes neurais recorrentes (RNNs) são ideais para processar dados 
sequenciais, como séries temporais e texto.
9. b)
○ A análise de componentes principais (PCA) é uma técnica comum de 
redução de dimensionalidade, preservando as variáveis mais relevantes.
10. a)
● Um modelo ensemble combina diferentes modelos ou algoritmos de aprendizado 
para melhorar a precisão e robustez da solução.