Avaliação - Individual - Machine Learning - Associação e Agrupamento

Prévia do material em texto

1. Os algoritmos de Aprendizado Profundo para
Recomendação Contextual são uma abordagem
avançada utilizada em sistemas de recomendação.
Esses algoritmos, como Redes Neurais
Convolucionais (CNNs) e Redes Neurais
Recorrentes (RNNs), são capazes de capturar
padrões complexos nos dados contextuais, como
histórico de navegação, interações do usuário e
informações demográficas, para fazer
recomendações mais precisas e personalizadas. Ao
aprender representações de alto nível dos dados
contextuais, esses algoritmos podem entender
melhor as preferências e necessidades dos
usuários, levando a sugestões mais relevantes.
Fonte: adaptado de: LIU, Q. et al. A deep reinforcement
learning based recommendation system. Nova York:
ACM, 2018. p. 298-306.
Considerando os algoritmos de Aprendizado
Profundo para Recomendação Contextual
utilizados em sistemas de recomendação, analise
as afirmativas a seguir: 
I. Redes Neurais Convolucionais (CNNs) são
ineficazes para capturar padrões nos dados
contextuais devido à sua arquitetura complexa.
II. A utilização de Aprendizado Profundo para
Recomendação Contextual não traz benefícios
significativos em termos de precisão e
personalização das recomendações.
III. Algoritmos de Aprendizado Profundo não são
capazes de lidar com grandes volumes de dados
contextuais, tornando-os impraticáveis para
sistemas de recomendação em escala.
IV. Algoritmos de Aprendizado Profundo para
Recomendação Contextual, como Redes Neurais
Recorrentes (RNNs), são capazes de capturar
padrões temporais nos dados contextuais.
É correto o que se afirma em:
A. ( ) I e III, apenas.
B. ( ) IV, apenas.
C. ( ) II, III e IV, apenas.
D. ( ) I, II e III, apenas.
E. ( ) II e III, apenas.
 
2. A análise de clusters é uma técnica utilizada
para agrupar objetos semelhantes, formando
clusters homogêneos, e para identificar
dependências e estruturas ocultas em conjuntos
de dados. Essa abordagem permite a organização
de informações de forma que padrões e relações
possam ser revelados, facilitando a interpretação
de grandes volumes de dados. O método é
amplamente empregado em diversas áreas para
segmentação e análise exploratória de dados.
Fonte: adaptado de: KAUFMAN, L.; ROUSSEEUW, P.
J.; ANDERBERG, M. R. C. Finding Groups in Data: An
Introduction to Cluster Analysis. Nova York: Wiley,
1990. 
Considerando as informações apresentadas no
texto, analise as afirmativas a seguir:
I. Clustering hierárquico é usado exclusivamente
em áreas acadêmicas e não tem aplicação prática
em indústrias comerciais. 
II. Clustering hierárquico pode ser aplicado em
ecologia para classificar espécies com base em
características ecológicas ou genéticas.
III. Clustering hierárquico é frequentemente
utilizado em segmentação de mercado para
agrupar clientes com características semelhantes.
IV. Clustering hierárquico é amplamente utilizado
em bioinformática para agrupar genes ou
proteínas com base em suas expressões ou
sequências.
É correto o que se afirma em:
A. ( ) I e III, apenas.
B. ( ) I, apenas.
C. ( ) II e IV, apenas.
D. ( ) I, II, III e IV.
E. ( ) II, III e IV, apenas.
 
3. O algoritmo Apriori possui ampla aplicabilidade
em diferentes contextos devido à sua capacidade
de identificar padrões frequentes em grandes
volumes de dados. Suas aplicações incluem áreas
como a análise de dados transacionais, permitindo
a descoberta de associações significativas entre
itens em bases de dados extensas. Além disso, o
algoritmo é amplamente empregado em contextos
comerciais para suportar estratégias de
marketing, segmentação de clientes e otimização
de promoções, bem como na área da segurança,
onde auxilia na detecção de atividades
fraudulentas por meio da identificação de padrões
atípicos. Essa versatilidade demonstra sua
relevância tanto em ambientes acadêmicos quanto
em aplicações práticas de mercado.
CENTRO UNIVERSITÁRIO LEONARDO DA VINCI
Período Letivo: 2025/1 - Turma: FLD452537 - Segunda/Noturno
Disciplina: Machine Learning - Associação e Agrupamento (173492)
Prova: 94549019 - Avaliação Final (Objetiva) - Individual
Acadêmico: Antonio Augusto Banhos Vidigal
(5620799)
25/03/2025, 12:45 Impresso de Prova - Grupo UNIASSELVI
https://www.uniasselvi.com.br/extranet/o-2.0/prova_ead/impressao_v2/impressao_prova_html.php 8/27
Fonte: adaptado de: AGRAWAL, Rakesh et al. Fast
algorithms for mining association rules. In: 20th
INTERNATIONAL CONFERENCE ON VERY LARGE
DATA BASES (VLDB), 20., 1994. Proceedings [...].
San Francisco: Morgan Kaufmann Publishers,
1994. 
Sobre as aplicações e características do algoritmo
Apriori, analise as afirmativas a seguir:
I. O algoritmo Apriori é utilizado para gerar
agrupamento de itens que tenham similaridade.
Explique se é correta ou não, justificando.
II. Empresas de marketing utilizam o algoritmo
Apriori para segmentar clientes com base em seus
padrões de compra, permitindo campanhas de
marketing mais direcionadas e personalizadas.
III. O algoritmo Apriori é amplamente utilizado no
varejo para identificar padrões de compra, como
itens frequentemente comprados juntos,
permitindo estratégias de merchandising e
promoção mais eficazes.
IV. O algoritmo Apriori pode ser empregado na
detecção de fraudes financeiras, identificando
padrões suspeitos de transações que podem
indicar atividades fraudulentas, como lavagem de
dinheiro ou roubo de identidade.
É correto o que se afirma em:
A. ( ) II e III, apenas.
B. ( ) III e IV, apenas.
C. ( ) I e IV, apenas.
D. ( ) II, III e IV, apenas.
E. ( ) I, II e III, apenas.
 
4. Os métodos baseados em densidade formam
clusters a partir da concentração de pontos, em
que cada dado precisa ter um número mínimo de
vizinhos dentro de um raio definido para pertencer
a um grupo. Essa abordagem permite que os
clusters cresçam conforme a densidade local,
possibilitando a identificação de agrupamentos
com formatos arbitrários e a distinção de pontos
isolados como ruídos. Tais técnicas são
particularmente úteis em cenários com dados
heterogêneos e complexos, superando as
limitações de métodos que pressupõem formas
predefinidas de clusters. 
Fonte: adaptado de: HAN, Jiawei; KAMBER,
Micheline. Cluster Analysis. Data Mining: Concepts
and Techniques. 2. ed. Nova York: Academic Press,
2006. 
Com base nas informações apresentadas, avalie as
asserções a seguir e a relação proposta entre elas:
I. A principal vantagem do método de clustering
baseado em densidade DBSCAN é sua capacidade
de identificar clusters de formas arbitrárias e
tamanhos variados, além de ser robusto a outliers,
que são automaticamente classificados como ruído
quando não se encaixam em regiões de alta
densidade.
PORQUE
II. OPTICS (Ordering Points To Identify the
Clustering Structure) é um método de clustering
baseado em densidade que requer a definição
prévia de parâmetros como o raio de alcance
epsilon e o número mínimo de pontos (MinPts), o
que pode tornar sua aplicação mais complexa em
comparação com outros métodos de clustering
baseados em densidade como o DBSCAN.
A respeito dessas asserções, assinale a opção
correta:
A. ( ) As asserções I e II são verdadeiras, mas a II não
é uma justificativa correta da I.
B. ( ) As asserções I e II são verdadeiras, e a II é uma
justificativa correta da I.
C. ( ) A asserção I é uma proposição verdadeira, e a II
é uma proposição falsa.
D. ( ) As asserções I e II são falsas.
E. ( ) A asserção I é uma proposição falsa, e a II é
uma proposição verdadeira.
 
5. A mineração de dados, também conhecida como
data mining, constitui um processo essencial no
âmbito da ciência de dados, destinado à
identificação de padrões, correlações e anomalias
em grandes volumes de dados. Esse processo
envolve etapas como a coleta, limpeza,
transformação e análise de dados, garantindo
resultados consistentes e confiáveis. Assim, a
mineração de dados contribui significativamente
para a extração de conhecimento útil em um
cenário cada vez mais orientado pela informação.
Fonte: adaptado de: HAN, J.; KAMBER, M.; PEI, J.
Data Mining: Concepts and Techniques.3. ed.
Burlington: Morgan Kaufmann, 2011.
Considerando o contexto apresentado no texto,
sobre Mineração de Dados, analise as afirmativas
a seguir:
I. A Mineração de Dados é um processo que
garante resultados precisos e conclusivos em
todas as situações.
II. A Mineração de Dados é um processo que visa
descobrir padrões, relações e informações úteis
em grandes conjuntos de dados. Essa prática
utiliza técnicas estatísticas, algoritmos de
aprendizado de máquina e métodos de
visualização para transformar dados brutos em
conhecimento valioso.
III. Uma das principais etapas da Mineração de
Dados é a pré-processamento de dados, que
envolve atividades como limpeza de dados,
normalização e seleção de características. Essas
ações são essenciais para garantir a qualidade e a
relevância dos dados, contribuindo para a eficácia
das análises subsequentes.
É correto o que se afirma em:
A. ( ) I e II, apenas.
B. ( ) I, II e III. 
C. ( ) I, apenas.
D. ( ) III, apenas.
CENTRO UNIVERSITÁRIO LEONARDO DA VINCI
Período Letivo: 2025/1 - Turma: FLD452537 - Segunda/Noturno
Disciplina: Machine Learning - Associação e Agrupamento (173492)
Prova: 94549019 - Avaliação Final (Objetiva) - Individual
Acadêmico: Antonio Augusto Banhos Vidigal
(5620799)
25/03/2025, 12:45 Impresso de Prova - Grupo UNIASSELVI
https://www.uniasselvi.com.br/extranet/o-2.0/prova_ead/impressao_v2/impressao_prova_html.php 9/27
E. ( ) II e III, apenas.
 
6. A geração de regras de associação envolve um
processo computacional intensivo, especialmente
em conjuntos de dados que, mesmo sendo
pequenos, podem produzir um número expressivo
de combinações. Este caráter exaustivo decorre da
análise detalhada de todas as possíveis
associações entre os itens, avaliando sua
frequência e correlação. Apesar da complexidade
computacional, essa abordagem é essencial para
identificar padrões significativos, tornando-se
indispensável em áreas como análise de mercado
e sistemas de recomendação, em que a descoberta
de relações ocultas nos dados é crucial para a
tomada de decisões.
Fonte: adaptado de: HAN, J.; KAMBER, M.; PEI, J.
Data Mining: Concepts and Techniques. 3. ed.
Burlington: Morgan Kaufmann, 2011. 
Com base nas informações apresentadas, avalie as
asserções a seguir e a relação proposta entre elas:
I. O processo de força bruta de geração de regras
de associação consiste em gerar todas as possíveis
regras a partir dos itens presentes no conjunto de
dados. 
PORQUE
II. O processo de força bruta pode ser
computacionalmente intensivo e impraticável para
conjuntos de dados grandes devido ao grande
número de regras geradas.
A respeito dessas asserções, assinale a opção
correta:
A. ( ) As asserções I e II são verdadeiras, e a II é uma
justificativa correta da I.
B. ( ) A asserção I é uma proposição verdadeira, e a II
é uma proposição falsa.
C. ( ) A asserção I é uma proposição falsa, e a II é
uma proposição verdadeira.
D. ( ) As asserções I e II são verdadeiras, mas a II não
é uma justificativa correta da I.
E. ( ) As asserções I e II são falsas.
 
7. Silhueta: foi proposta por Rousseeuw (1987) e
determina a qualidade das soluções com base na
proximidade entre os objetos de determinado
grupo e na distância desses objetos ao grupo mais
próximo. O índice silhueta é calculado para cada
objeto, sendo possível identificar se o objeto está
alocado ao grupo mais adequado. Esse índice
combina as ideias de coesão e de separação. Os
valores positivos de silhueta indicam que o objeto
está bem localizado em seu grupo, enquanto
valores negativos indicam que o objeto está mais
próximo de outro(s) grupo(s).
Fonte: adaptado de: ROUSSEEUW, P. J.
Silhouettes: a graphical aid to the interpretation
and validation of cluster analysis. Journal of
Computational and Applied Mathematics, v. 20, p. 53-65,
1987. 
Com base nas informações apresentadas, avalie as
asserções a seguir e a relação proposta entre elas:
I. O Índice de Silhouette mede a qualidade do
clustering comparando a distância média entre os
pontos dentro do mesmo cluster com a distância
média entre os pontos do cluster mais próximo.
PORQUE
II. Um valor de Índice de Silhouette próximo de -1
indica que os pontos estão bem agrupados dentro
dos clusters corretos.
A respeito dessas asserções, assinale a opção
correta:
A. ( ) As asserções I e II são verdadeiras, e a II é uma
justificativa correta da I.
B. ( ) As asserções I e II são verdadeiras, mas a II não
é uma justificativa correta da I.
C. ( ) A asserção I é uma proposição falsa, e a II é
uma proposição verdadeira.
D. ( ) A asserção I é uma proposição verdadeira, e a II
é uma proposição falsa.
E. ( ) As asserções I e II são falsas.
 
8. A clusterização hierárquica é uma técnica de
aprendizado não supervisionado que visa agrupar
dados semelhantes em clusters, formando uma
hierarquia. Essa abordagem começa com
pequenos clusters, que progressivamente se
fundem até formar um único cluster abrangendo
todos os dados. O processo permite a construção
de uma estrutura hierárquica que facilita a análise
da relação entre os elementos.
Fonte: adaptado de:
https://www.escoladnc.com.br/blog/clusterizaca
o-hierarquica-uma-introducao-detalhada/. Acesso
em: 19 fev. 2025.
Considerando as informações apresentadas no
texto, analise as afirmativas a seguir:
I. O clustering hierárquico é imune à presença de
outliers e ruído nos dados. 
II. O clustering hierárquico é altamente escalável
e eficiente para grandes conjuntos de dados.
III. A determinação do número ideal de clusters
pode ser desafiadora no clustering hierárquico.
IV. O clustering hierárquico pode ser sensível à
ordem dos dados, o que pode afetar a formação
dos clusters.
É correto o que se afirma em:
A. ( ) I, II e III, apenas.
B. ( ) III e IV, apenas.
C. ( ) I e IV, apenas.
D. ( ) II, III e IV, apenas.
E. ( ) II e III, apenas.
 
CENTRO UNIVERSITÁRIO LEONARDO DA VINCI
Período Letivo: 2025/1 - Turma: FLD452537 - Segunda/Noturno
Disciplina: Machine Learning - Associação e Agrupamento (173492)
Prova: 94549019 - Avaliação Final (Objetiva) - Individual
Acadêmico: Antonio Augusto Banhos Vidigal
(5620799)
25/03/2025, 12:45 Impresso de Prova - Grupo UNIASSELVI
https://www.uniasselvi.com.br/extranet/o-2.0/prova_ead/impressao_v2/impressao_prova_html.php 10/27
9. Os algoritmos de Filtragem Colaborativa
Baseada em Contexto são uma abordagem
avançada utilizada em sistemas de recomendação.
Essa metodologia combina a filtragem
colaborativa tradicional com informações
contextuais sobre o usuário e o item para fazer
recomendações mais personalizadas e precisas. Ao
considerar o contexto do usuário, como
localização, horário do dia, dispositivo usado,
entre outros, esses algoritmos podem fornecer
sugestões mais relevantes e adaptadas às
necessidades específicas do usuário.
Fonte: adaptado de: ADOMAVICIUS, G.; TUZHILIN,
A. Context-aware recommender systems. In:
RICCI, F.; ROKACH, L.; SHAPIRA, B.; KANTOR, P. B.
(eds.). Recommender Systems Handbook. Boston:
Springer, 2015. p. 191-226.
Considerando os algoritmos de Filtragem
Colaborativa Baseada em Contexto utilizados em
sistemas de recomendação, analise as afirmativas
a seguir:
I. Esses algoritmos ignoram completamente as
informações contextuais do usuário,
concentrando-se apenas nas avaliações dos itens.
II. Esses algoritmos são menos eficazes do que os
métodos tradicionais de filtragem colaborativa,
pois introduzem uma complexidade desnecessária.
III. Ao incorporar informações contextuais, como
localização e horário do dia, esses algoritmos
podem fornecer recomendações mais relevantes e
personalizadas.
IV. A Filtragem Colaborativa Baseada em Contexto
não leva em consideração as preferências dos
usuários, focando apenas nas interações entre os
usuários e os itens.
É correto o que se afirma em:
A. ( ) III, apenas.
B. ( ) III e IV, apenas.
C. ( ) I, II e III, apenas.
D. ( ) II, III e IV, apenas.
E. ( ) I e II, apenas.
 
10. A recomendação baseada em contexto é uma
abordagem em sistemas de recomendação queleva em consideração informações contextuais
sobre o usuário e o ambiente em que as
recomendações serão aplicadas para fornecer
sugestões mais relevantes e úteis. Isso inclui
dados como localização geográfica, horário do dia,
dispositivo utilizado, histórico de navegação do
usuário e qualquer outra informação que possa
influenciar a decisão de recomendação. Essa
abordagem visa personalizar as recomendações de
acordo com o contexto específico em que o
usuário se encontra, aumentando a probabilidade
de sucesso e satisfação do usuário com o sistema.
Fonte: adaptado de: ADOMAVICIUS, G.; TUZHILIN,
A. Toward the next generation of recommender
systems: A survey of the state-of-the-art and
possible extensions. IEEE Transactions on Knowledge
and Data Engineering, v. 17, n. 6, p. 734-749, 2005. 
Sobre os sistemas de recomendação baseados em
contexto, analise as afirmativas a seguir:
I. Os sistemas de recomendação baseados em
contexto não levam em consideração o histórico
de interações passadas do usuário com o sistema.
II. Os sistemas de recomendação baseados em
contexto são mais eficazes em ambientes
estáticos, em que as condições contextuais não
mudam com frequência.
III. Os sistemas de recomendação baseados em
contexto consideram informações sobre o
ambiente em que as recomendações serão
aplicadas, como localização geográfica, horário do
dia, dispositivo utilizado e histórico de navegação
do usuário.
IV. Uma das vantagens dos sistemas de
recomendação baseados em contexto é sua
capacidade de fornecer recomendações mais
precisas e personalizadas, levando em
consideração as circunstâncias específicas em que
as recomendações serão utilizadas.
É correto o que se afirma em:
A. ( ) I e IV, apenas.
B. ( ) I, II e III, apenas.
C. ( ) III e IV, apenas.
D. ( ) II, III e IV, apenas.
E. ( ) II e III, apenas.
CENTRO UNIVERSITÁRIO LEONARDO DA VINCI
Período Letivo: 2025/1 - Turma: FLD452537 - Segunda/Noturno
Disciplina: Machine Learning - Associação e Agrupamento (173492)
Prova: 94549019 - Avaliação Final (Objetiva) - Individual
Acadêmico: Antonio Augusto Banhos Vidigal
(5620799)
25/03/2025, 12:45 Impresso de Prova - Grupo UNIASSELVI
https://www.uniasselvi.com.br/extranet/o-2.0/prova_ead/impressao_v2/impressao_prova_html.php 11/27