Machine Learning

Prévia do material em texto

1. O que é "Machine Learning" (Aprendizado de Máquina)?
a) Um processo que envolve programação manual de algoritmos.
b) A habilidade das máquinas de aprender e melhorar seu desempenho com base em
dados.
c) A tecnologia que permite às máquinas realizar tarefas sem dados.
d) A capacidade das máquinas de entender comandos de voz.
Resposta correta: b) A habilidade das máquinas de aprender e melhorar seu
desempenho com base em dados.
Explicação: Machine Learning é uma subárea da Inteligência Artificial em que as
máquinas são capazes de aprender e melhorar suas funções com base em dados, sem
serem explicitamente programadas para cada tarefa.
2. Qual é a principal diferença entre aprendizado supervisionado e não supervisionado?
a) O aprendizado supervisionado usa dados rotulados, enquanto o não supervisionado
usa dados não rotulados.
b) O aprendizado não supervisionado usa dados rotulados, enquanto o supervisionado
usa dados não rotulados.
c) O aprendizado supervisionado é mais rápido que o não supervisionado.
d) Não há diferença entre eles.
Resposta correta: a) O aprendizado supervisionado usa dados rotulados, enquanto o
não supervisionado usa dados não rotulados.
Explicação: No aprendizado supervisionado, os dados usados para treinar o modelo já
contêm a resposta correta (rótulos). No aprendizado não supervisionado, o modelo
precisa identificar padrões sem respostas ou rótulos fornecidos.
3. O que são "features" em Machine Learning?
a) As etiquetas atribuídas aos dados.
b) As variáveis ou características usadas como entrada para o modelo.
c) O algoritmo utilizado para treinar o modelo.
d) Os resultados ou previsões gerados pelo modelo.
Resposta correta: b) As variáveis ou características usadas como entrada para o
modelo.
Explicação: Em Machine Learning, "features" (ou características) são as variáveis que
representam os dados de entrada para o modelo. Por exemplo, em um modelo de
previsão de preços de casas, as "features" podem incluir tamanho da casa, número de
quartos, localização, etc.
4. O que é "overfitting" (sobreajuste) em Machine Learning?
a) Quando o modelo é muito simples para aprender os padrões dos dados.
b) Quando o modelo aprende os dados de treinamento tão bem que não generaliza
bem para novos dados.
c) Quando o modelo não consegue aprender nada com os dados.
d) Quando o modelo é muito rápido ao fazer previsões.
Resposta correta: b) Quando o modelo aprende os dados de treinamento tão bem que
não generaliza bem para novos dados.
Explicação: Overfitting ocorre quando o modelo se ajusta excessivamente aos dados de
treinamento, capturando até os "ruídos" ou variações irrelevantes. Isso faz com que o
modelo tenha um desempenho ruim com novos dados, pois ele não consegue
generalizar.
5. O que é "underfitting" (subajuste) em Machine Learning?
a) Quando o modelo é muito simples e não aprende os padrões dos dados.
b) Quando o modelo é muito complexo e aprende até os ruídos dos dados.
c) Quando o modelo é perfeito, sem erros.
d) Quando o modelo ignora completamente os dados de treinamento.
Resposta correta: a) Quando o modelo é muito simples e não aprende os padrões dos
dados.
Explicação: Underfitting ocorre quando o modelo é simples demais para capturar os
padrões relevantes dos dados. Isso leva a um desempenho ruim tanto nos dados de
treinamento quanto nos dados novos, pois o modelo não aprendeu o suficiente.
6. Qual dos seguintes algoritmos é comumente usado para classificação em Machine
Learning?
a) Regressão Linear
b) K-Vizinhos Mais Próximos (K-NN)
c) Análise de Componentes Principais (PCA)
d) Algoritmo Genético
Resposta correta: b) K-Vizinhos Mais Próximos (K-NN)
Explicação: O K-Vizinhos Mais Próximos (K-NN) é um algoritmo usado para tarefas de
classificação. Ele classifica uma nova instância com base nas classes da maioria dos
"vizinhos" mais próximos na base de dados.
7. O que é uma "função de perda" (loss function) em Machine Learning?
a) A função que determina a eficiência de um algoritmo.
b) A função que calcula a diferença entre a previsão do modelo e o valor real.
c) A função que ajusta os parâmetros do modelo durante o treinamento.
d) A função que cria os dados de entrada para o modelo.
Resposta correta: b) A função que calcula a diferença entre a previsão do modelo e o
valor real.
Explicação: A função de perda é usada para quantificar o erro entre as previsões feitas
pelo modelo e os valores reais. O objetivo do treinamento do modelo é minimizar essa
perda, ajustando os parâmetros para melhorar as previsões.
8. Qual é o propósito da validação cruzada (cross-validation) em Machine Learning?
a) Para treinar o modelo com dados não rotulados.
b) Para avaliar o desempenho do modelo em diferentes subconjuntos de dados.
c) Para ajustar a função de perda do modelo.
d) Para gerar novos dados para o treinamento.
Resposta correta: b) Para avaliar o desempenho do modelo em diferentes subconjuntos
de dados.
Explicação: A validação cruzada é uma técnica usada para avaliar a capacidade de
generalização de um modelo. Ela envolve dividir os dados em múltiplos subconjuntos
(ou "folds") e treinar o modelo em diferentes combinações desses subconjuntos,
ajudando a evitar overfitting e garantindo que o modelo funcione bem em dados não
vistos.
9. O que é "gradiente descendente" (gradient descent)?
a) Um algoritmo para prever a saída de um modelo.
b) Um método para otimizar a função de perda ajustando os parâmetros do modelo.
c) Um algoritmo usado para classificar dados.
d) Um tipo de rede neural.
Resposta correta: b) Um método para otimizar a função de perda ajustando os
parâmetros do modelo.
Explicação: O gradiente descendente é um algoritmo de otimização usado para
minimizar a função de perda ajustando os parâmetros do modelo na direção do
gradiente negativo da função de perda, ou seja, na direção que reduz o erro.
10. Qual é a principal vantagem de usar a "máquina de vetor de suporte" (SVM) em
Machine Learning?
a) Ela é rápida em grandes volumes de dados.
b) Ela é capaz de lidar com dados de alta dimensionalidade e encontrar a melhor
fronteira de decisão.
c) Ela é mais simples que outros algoritmos.
d) Ela é indicada apenas para tarefas de regressão.
Resposta correta: b) Ela é capaz de lidar com dados de alta dimensionalidade e
encontrar a melhor fronteira de decisão.
Explicação: A SVM é eficaz para problemas de classificação e é especialmente poderosa
quando os dados têm muitas características (alta dimensionalidade). Ela encontra a
melhor "fronteira de decisão" (hiperplano) que separa as classes de dados.