Prova Avançada de Algoritmos de Aprendizado de Máquina_ Técnicas e Aplicações

Prévia do material em texto

Prova Avançada de Algoritmos de Aprendizado de Máquina: Técnicas e 
Aplicações
Introdução:
Esta prova foca em questões avançadas sobre técnicas de aprendizado de máquina, 
abordando problemas de otimização, redes neurais profundas e práticas de ensemble 
learning.
Questão 1
Qual é a principal característica de um modelo de k-Nearest Neighbors (k-NN)?
a) Ele requer a definição de um número fixo de clusters antes de realizar a classificação.
b) Ele calcula as distâncias entre os pontos de dados para determinar a classe.
c) Ele utiliza um modelo matemático complexo para classificação.
d) Ele otimiza os pesos de acordo com os dados de treinamento.
e) Ele pode ser aplicado apenas em problemas de regressão.
Questão 2
O que caracteriza a técnica de votação ponderada em modelos de ensemble learning?
a) Ela atribui diferentes pesos aos modelos de ensemble com base na sua precisão, 
influenciando o voto final.
b) Ela utiliza a mesma quantidade de modelos em ensemble para predizer a saída final.
c) Ela utiliza apenas os modelos mais complexos para votação.
d) Ela combina modelos sem considerar suas precisões.
e) Ela ajusta os pesos dos dados de entrada para cada modelo.
Questão 3
Em aprendizado de máquina, qual é a função da técnica de normalização de dados?
a) Ela reduz a quantidade de dados disponíveis para treinamento.
b) Ela transforma os dados para que todos tenham a mesma escala, evitando que algumas 
variáveis dominem o modelo.
c) Ela cria variáveis adicionais para melhorar a performance do modelo.
d) Ela classifica os dados antes do treinamento.
e) Ela aumenta o número de amostras para treinar o modelo.
Questão 4
Qual é a vantagem de usar máquinas de vetores de suporte (SVM) com um kernel não 
linear?
a) Ela permite que o modelo classifique dados de alta dimensionalidade.
b) Ela pode separar classes que não são linearmente separáveis no espaço original.
c) Ela torna o modelo mais simples e fácil de treinar.
d) Ela otimiza automaticamente os parâmetros do modelo.
e) Ela usa menos memória para grandes conjuntos de dados.
Questão 5
No contexto de redes neurais, o que é o backpropagation?
a) Um algoritmo para otimizar as funções de ativação.
b) Um processo que ajusta os pesos de forma iterativa, propagando o erro de volta para os 
neurônios anteriores.
c) Um método para prevenir o overfitting durante o treinamento.
d) Um tipo de regularização usada em redes profundas.
e) Um algoritmo para inicializar pesos de forma aleatória.
Questão 6
Qual é a principal vantagem do uso de Random Forest em comparação com uma única 
árvore de decisão?
a) Ela é mais eficiente e pode lidar com dados não estruturados.
b) Ela pode reduzir o risco de overfitting, combinando múltiplas árvores de decisão.
c) Ela é mais simples de treinar e mais rápida.
d) Ela usa menos memória para armazenar os dados.
e) Ela é aplicada apenas em tarefas de regressão.
Questão 7
O que caracteriza o gradiente descendente estocástico (SGD) em redes neurais?
a) Ele calcula o erro de forma global e realiza atualizações apenas uma vez após todo o 
conjunto de dados.
b) Ele calcula o erro para uma única amostra e realiza a atualização dos pesos 
imediatamente após cada amostra.
c) Ele ajusta os parâmetros baseados no erro das previsões apenas no final do treinamento.
d) Ele não requer um conjunto de dados de treinamento para funcionar.
e) Ele utiliza uma abordagem determinística para otimizar os pesos.
Questão 8
Qual é o principal objetivo de usar técnicas de regularização em aprendizado de máquina?
a) Aumentar a complexidade do modelo para melhorar a precisão.
b) Prevenir o overfitting, tornando o modelo mais simples e generalizável.
c) Melhorar a velocidade de treinamento do modelo.
d) Aumentar o número de camadas em redes neurais profundas.
e) Reduzir a variabilidade nos dados de entrada.
Questão 9
Qual é o efeito de usar um learning rate muito alto no treinamento de uma rede neural?
a) Ele pode resultar em um treinamento mais rápido, mas pode causar uma grande 
flutuação nos valores de erro.
b) Ele melhora a precisão do modelo, permitindo uma convergência mais rápida.
c) Ele faz o modelo convergir para uma solução ótima mais rapidamente.
d) Ele elimina a necessidade de regularização.
e) Ele evita a convergência do modelo.
Questão 10
Em aprendizado de máquina, o que caracteriza um modelo underfitted?
a) Quando o modelo é excessivamente complexo e não generaliza bem.
b) Quando o modelo tem baixa precisão em dados de treinamento e de teste.
c) Quando o modelo tem alta precisão em dados de treinamento, mas falha nos dados de 
teste.
d) Quando o modelo ajusta demais os dados de treinamento.
e) Quando o modelo não é treinado adequadamente.
Gabarito e Justificativa
1. b)
○ O k-NN calcula as distâncias entre pontos de dados e determina a classe 
com base nos k vizinhos mais próximos.
2. a)
○ A votação ponderada atribui pesos aos modelos de ensemble de acordo com
a sua precisão, afetando a decisão final.
3. b)
○ A normalização de dados transforma os dados para que todas as variáveis 
tenham a mesma escala, evitando que algumas dominem o modelo.
4. b)
○ O uso de um kernel não linear em SVM permite que o modelo separe classes
que não são linearmente separáveis.
5. b)
○ O backpropagation ajusta iterativamente os pesos da rede neural, 
propagando o erro de volta através das camadas.
6. b)
○ O Random Forest combina múltiplas árvores de decisão, reduzindo o risco 
de overfitting e aumentando a precisão do modelo.
7. b)
○ O SGD ajusta os pesos para cada amostra individualmente, tornando-o mais 
eficiente para grandes conjuntos de dados.
8. b)
○ As técnicas de regularização ajudam a prevenir o overfitting, simplificando o 
modelo e tornando-o mais generalizável.
9. a)
○ Um learning rate muito alto pode causar flutuações grandes nos valores de 
erro, dificultando a convergência do modelo.
10. b)
● O modelo underfitted tem baixa precisão tanto nos dados de treinamento quanto nos
dados de teste, indicando que não está aprendendo os padrões dos dados 
adequadamente.
Essas provas incluem questões sobre as técnicas mais avançadas e práticas de otimização 
em aprendizado de máquina, oferecendo uma compreensão profunda dos métodos 
utilizados em modelos complexos.