Prova 2_ Avançando em Aprendizado de Máquina_ Técnicas e Desafios

Prévia do material em texto

Prova 2: Avançando em Aprendizado de Máquina: Técnicas e Desafios
Introdução:
Esta prova aborda técnicas avançadas de aprendizado de máquina, explorando modelos 
supervisionados, não supervisionados, otimização de parâmetros e avaliação de modelos.
Questão 1
O que caracteriza a técnica de bagging (Bootstrap Aggregating) em aprendizado de 
máquina?
a) A técnica usa uma única árvore de decisão para classificar todos os dados.
b) A técnica combina múltiplos modelos fracos para melhorar o desempenho geral, 
reduzindo a variância.
c) A técnica utiliza uma única instância de dados para treinar o modelo.
d) A técnica reduz a complexidade do modelo, usando apenas uma parte dos dados para 
treinamento.
e) A técnica é utilizada para reduzir o viés em modelos de aprendizado supervisionado.
Questão 2
O que é uma função de ativação em redes neurais?
a) Uma função que determina se uma rede neural deve ser treinada ou não.
b) Uma função que transforma os dados de entrada em uma saída desejada, introduzindo 
não linearidade no modelo.
c) Uma função que remove variáveis irrelevantes antes do treinamento.
d) Uma função que regula a taxa de aprendizado durante o treinamento.
e) Uma função que define os parâmetros de regularização.
Questão 3
Em um modelo de aprendizado supervisionado, o que significa underfitting?
a) O modelo ajusta excessivamente os dados de treinamento, mas falha em generalizar.
b) O modelo aprende adequadamente os padrões dos dados de treinamento e teste.
c) O modelo não consegue aprender os padrões dos dados de treinamento, resultando em 
baixa precisão tanto nos dados de treinamento quanto nos dados de teste.
d) O modelo tem uma complexidade muito alta, tornando-o propenso ao overfitting.
e) O modelo não pode ser treinado adequadamente.
Questão 4
O que caracteriza um modelo SVM (Support Vector Machine)?
a) Ele utiliza múltiplos modelos fracos para melhorar o desempenho geral.
b) Ele encontra o hiperplano que melhor separa as classes de dados no espaço de 
características.
c) Ele combina várias árvores de decisão para classificar dados em diferentes categorias.
d) Ele utiliza uma abordagem de aprendizado profundo para aprender a partir dos dados.
e) Ele é uma técnica de aprendizado não supervisionado utilizada para clustering.
Questão 5
Qual é a vantagem principal do uso de Gradient Boosting em comparação com outras 
técnicas de ensemble?
a) Ele é mais simples e requer menos recursos computacionais.
b) Ele combina modelos fracos sequencialmente, corrigindo erros de modelos anteriores 
para melhorar a precisão.
c) Ele não sofre de overfitting e, por isso, sempre generaliza bem.
d) Ele não requer validação dos dados de treinamento.
e) Ele utiliza uma única árvore de decisão de grande profundidade para cada iteração.
Questão 6
Em aprendizado de máquina, o que é regularização?
a) É uma técnica usada para aumentar o desempenho de modelos de aprendizado 
supervisionado.
b) É um processo de redução de variáveis irrelevantes durante o treinamento.
c) É um método para adicionar restrições ao modelo para evitar overfitting.
d) É uma técnica de otimização utilizada para melhorar a precisão do modelo.
e) É uma técnica para agrupar os dados em diferentes classes.
Questão 7
O que significa o termo dropout em redes neurais profundas?
a) O processo de remover aleatoriamente variáveis do modelo para reduzir a complexidade.
b) O processo de remover aleatoriamente unidades ou neurônios durante o treinamento 
para evitar overfitting.
c) O processo de otimizar a taxa de aprendizado durante o treinamento.
d) O processo de aumentar a profundidade da rede para melhorar a generalização.
e) O processo de aumentar a quantidade de dados para treinamento.
Questão 8
Qual é a principal desvantagem do algoritmo KNN?
a) Ele é muito lento para classificar dados quando o número de pontos de dados é muito 
grande.
b) Ele não pode ser usado para problemas de regressão.
c) Ele é altamente dependente de como as variáveis de entrada estão normalizadas.
d) Ele exige um grande número de dados rotulados para ser eficiente.
e) Ele não é capaz de lidar com dados de alta dimensionalidade.
Questão 9
O que é feature engineering em aprendizado de máquina?
a) O processo de otimização do modelo durante o treinamento.
b) O processo de ajustar os parâmetros do modelo após o treinamento.
c) O processo de transformar variáveis brutas em um formato mais adequado para o 
treinamento do modelo.
d) O processo de dividir os dados em conjuntos de treinamento e teste.
e) O processo de ajustar o número de camadas em uma rede neural profunda.
Questão 10
Qual é a principal função da função de perda em um modelo de aprendizado 
supervisionado?
a) Determinar se o modelo é eficiente o suficiente para ser aplicado.
b) Medir a diferença entre a previsão do modelo e o valor real, orientando a otimização do 
modelo.
c) Estabelecer a regularização do modelo.
d) Determinar a complexidade do modelo durante o treinamento.
e) Calcular a acurácia do modelo nos dados de treinamento.
Gabarito e Justificativa
1. b)
○ O bagging combina múltiplos modelos fracos (como árvores de decisão) para
reduzir a variância e melhorar o desempenho.
2. b)
○ A função de ativação é responsável por introduzir não linearidade no modelo,
permitindo que as redes neurais aprendam padrões complexos.
3. c)
○ O underfitting ocorre quando o modelo não consegue aprender os padrões 
dos dados de treinamento, resultando em baixa precisão tanto nos dados de 
treinamento quanto nos dados de teste.
4. b)
○ O SVM encontra o hiperplano que melhor separa as classes, maximizando a 
margem entre elas.
5. b)
○ O Gradient Boosting combina modelos fracos de forma sequencial, corrigindo
erros de modelos anteriores e melhorando a precisão.
6. c)
○ A regularização adiciona restrições ao modelo para evitar overfitting, 
tornando-o mais robusto e capaz de generalizar melhor.
7. b)
○ O dropout remove aleatoriamente neurônios durante o treinamento, ajudando
a evitar overfitting.
8. a)
○ O KNN pode ser muito lento para classificar dados quando o número de 
pontos de dados é muito grande, já que exige o cálculo da distância de cada 
ponto para todos os outros.
9. c)
○ O feature engineering é o processo de transformar variáveis brutas em um 
formato mais adequado para o treinamento do modelo.
10. b)
● A função de perda mede a diferença entre as previsões do modelo e os valores 
reais, orientando o processo de otimização do modelo.