Prova de Algoritmos e Técnicas de Aprendizado de Máquina_ Fundamentos e Aplicações

Prévia do material em texto

Prova de Algoritmos e Técnicas de Aprendizado de Máquina: 
Fundamentos e Aplicações
Introdução:
Este exame testa o conhecimento sobre os principais algoritmos e técnicas de aprendizado 
de máquina, incluindo métodos supervisionados e não supervisionados, avaliação de 
modelos, e otimização. As questões abrangem conceitos teóricos e práticos.
Questão 1
Qual é a principal diferença entre os algoritmos de aprendizado supervisionado e não 
supervisionado?
a) O aprendizado supervisionado exige que os dados de treinamento contenham rótulos, 
enquanto o não supervisionado não.
b) O aprendizado supervisionado é mais rápido, pois os dados já são rotulados.
c) O aprendizado não supervisionado utiliza rótulos, enquanto o supervisionado não.
d) O aprendizado supervisionado é usado apenas em modelos de regressão.
e) O aprendizado não supervisionado não pode ser usado para classificação.
Questão 2
Em um modelo de regressão logística, qual é a principal função de ativação utilizada?
a) Função tangente hiperbólica.
b) Função ReLU (Rectified Linear Unit).
c) Função sigmoide.
d) Função softmax.
e) Função linear.
Questão 3
O que é a técnica de regularização em aprendizado de máquina?
a) Um método para diminuir a precisão de um modelo para evitar overfitting.
b) A aplicação de técnicas para balancear os dados de treinamento.
c) Um processo para reduzir a complexidade de um modelo e prevenir overfitting.
d) A técnica para ajustar os parâmetros de entrada.
e) Um algoritmo que escolhe automaticamente os dados de treinamento.
Questão 4
No método de K-vizinhos mais próximos (k-NN), qual é o parâmetro crítico para o 
desempenho do modelo?
a) A função de ativação.
b) A quantidade de camadas na rede neural.
c) O número de vizinhos (k) escolhidos.
d) O tipo de kernel utilizado.
e) O número de clusters definidos.
Questão 5
Em qual cenário o algoritmo de Máquinas de Vetores de Suporte (SVM) seria mais eficaz?
a) Quando os dados de entrada são de alta dimensionalidade e precisam de um modelo 
simples.
b) Quando as classes são linearmente separáveis, com um alto nível de ruído nos dados.
c) Quando os dados são lineares e o número de características é baixo.
d) Quando há pouca diferença entre as classes.
e) Quando os dados são altamente correlacionados.
Questão 6
Qual é a principal vantagem do algoritmo k-means para agrupamento de dados?
a) Ele pode lidar com dados não lineares.
b) Ele não precisa especificar o número de clusters a priori.
c) Ele é eficiente em termos de computação e fácil de implementar.
d) Ele não necessita de inicialização de parâmetros.
e) Ele sempre gera resultados ideais para dados grandes.
Questão 7
Em redes neurais, qual é o papel da camada de saída?
a) Ela recebe a entrada do modelo e aplica uma função de ativação.
b) Ela calcula o erro do modelo e ajusta os pesos.
c) Ela processa as informações intermediárias antes da saída final.
d) Ela produz o resultado final do modelo, com base na soma ponderada das saídas da 
camada anterior.
e) Ela regula a taxa de aprendizado do modelo.
Questão 8
O que define o conceito de underfitting em um modelo de aprendizado de máquina?
a) Quando o modelo é muito simples e não consegue capturar padrões dos dados.
b) Quando o modelo se ajusta de forma excessiva aos dados de treinamento.
c) Quando o modelo generaliza bem para novos dados.
d) Quando o modelo apresenta um erro de treinamento baixo, mas um erro de validação 
alto.
e) Quando o modelo falha em aprender com os dados de treinamento.
Questão 9
Qual é o objetivo da técnica Cross-Validation (validação cruzada)?
a) Reduzir o número de variáveis no modelo.
b) Testar o desempenho do modelo apenas em dados de teste.
c) Validar o modelo em diferentes subconjuntos dos dados para avaliar sua generalização.
d) Ajustar os pesos do modelo.
e) Melhorar a visualização dos dados de entrada.
Questão 10
Em redes neurais profundas, o que caracteriza uma camada convolucional?
a) Ela aplica uma operação de convolução nos dados de entrada para extrair 
características.
b) Ela realiza a operação de normalização de todos os dados.
c) Ela é responsável por calcular a saída final do modelo.
d) Ela reduz a dimensionalidade dos dados.
e) Ela ajusta os pesos da rede neural de forma automática.
Gabarito e Justificativa
1. a)
○ O aprendizado supervisionado utiliza dados rotulados, enquanto o não 
supervisionado não. Essa é a principal diferença entre as duas abordagens.
2. c)
○ A regressão logística usa a função sigmoide como função de ativação para 
prever probabilidades de classes binárias.
3. c)
○ A regularização é uma técnica que adiciona uma penalização à 
complexidade do modelo, ajudando a prevenir o overfitting, mantendo o 
modelo simples.
4. c)
○ O parâmetro k, que define o número de vizinhos mais próximos a considerar, 
é crucial para o desempenho do algoritmo k-NN.
5. b)
○ O SVM é eficaz quando as classes são linearmente separáveis, mesmo com 
um certo nível de ruído, e funciona bem em problemas de alta 
dimensionalidade.
6. c)
○ O k-means é simples de implementar e eficiente em termos computacionais, 
sendo uma escolha popular para agrupamento de dados.
7. d)
○ A camada de saída em redes neurais é responsável por produzir o resultado 
final do modelo, calculando a saída com base nas entradas e pesos das 
camadas anteriores.
8. a)
○ O underfitting ocorre quando o modelo é muito simples para capturar os 
padrões dos dados, resultando em baixo desempenho tanto nos dados de 
treinamento quanto nos dados de teste.
9. c)
○ A Cross-Validation envolve dividir os dados em vários subconjuntos para 
testar e treinar o modelo em diferentes partes, o que ajuda a avaliar sua 
capacidade de generalização.
10. a)
● A camada convolucional aplica uma operação de convolução, geralmente usada 
para extrair características importantes de imagens ou dados espaciais em redes 
neurais convolucionais.