Processamento de linguagem natural (NLP)

Prévia do material em texto

1. O que é o Processamento de Linguagem Natural (NLP)?
a) A capacidade de um computador realizar cálculos complexos em tempo real.
b) A capacidade de um computador entender, interpretar e gerar linguagem humana.
c) O estudo das máquinas para aprender a programar em linguagens específicas.
d) Um processo que envolve a criação de softwares para tradução de linguagens de
programação.
Resposta correta: b) A capacidade de um computador entender, interpretar e gerar
linguagem humana.
Explicação: O NLP envolve técnicas e métodos usados para permitir que os
computadores compreendam e interajam com a linguagem humana de maneira
significativa.
2. Qual das opções abaixo é um exemplo de tarefa comum no NLP?
a) Análise de sentimentos.
b) Previsão do tempo.
c) Cálculo de rotas.
d) Reconhecimento de padrões de imagens.
Resposta correta: a) Análise de sentimentos.
Explicação: Análise de sentimentos é uma aplicação de NLP em que o sistema analisa
textos para determinar a opinião ou emoção (positiva, negativa ou neutra) expressa.
3. Qual técnica é comumente usada no NLP para transformar palavras em vetores
numéricos?
a) Regressão linear.
b) Codificação One-Hot.
c) Algoritmo de K-Means.
d) Árvore de Decisão.
Resposta correta: b) Codificação One-Hot.
Explicação: A codificação One-Hot é uma técnica em que cada palavra é representada
como um vetor com um único 1 em uma posição, indicando a presença daquela
palavra, e 0s em todas as outras posições.
4. O que é um "Token" em NLP?
a) Uma unidade de análise de texto, como uma palavra ou parte de uma palavra.
b) Uma função que executa cálculos matemáticos.
c) Uma representação visual de um texto.
d) Uma técnica de compressão de dados.
Resposta correta: a) Uma unidade de análise de texto, como uma palavra ou parte de
uma palavra.
Explicação: Tokens são as unidades que são extraídas durante a tokenização, processo
que separa o texto em palavras, frases ou outros elementos significativos.
5. Qual é o objetivo do modelo Word2Vec?
a) Transformar palavras em representações numéricas contínuas.
b) Analisar a estrutura gramatical de frases.
c) Classificar textos de acordo com sua categoria.
d) Gerar resumos automáticos de textos.
Resposta correta: a) Transformar palavras em representações numéricas contínuas.
Explicação: O Word2Vec é um modelo de NLP que aprende a representar palavras em
vetores de alta dimensão, capturando relações semânticas entre palavras.
6. Qual dos seguintes é um exemplo de um modelo de linguagem de base neural usado
em NLP?
a) Naive Bayes.
b) Redes Neurais Recorrentes (RNN).
c) Algoritmo de Aprendizado KNN.
d) Árvores de Decisão.
Resposta correta: b) Redes Neurais Recorrentes (RNN).
Explicação: As RNNs são usadas em NLP por sua capacidade de lidar com dados
sequenciais, como texto, onde a ordem das palavras é importante.
7. O que é "stemming" em NLP?
a) A técnica de eliminar palavras de parada.
b) A técnica de transformar palavras em suas raízes ou formas base.
c) A técnica de remover acentos de palavras.
d) A técnica de traduzir palavras de uma língua para outra.
Resposta correta: b) A técnica de transformar palavras em suas raízes ou formas base.
Explicação: O stemming é o processo de reduzir uma palavra ao seu radical,
removendo sufixos, o que pode ajudar a agrupar palavras com significados
semelhantes.
8. O que são "palavras de parada" (stop words) no NLP?
a) Palavras muito frequentes e irrelevantes, como "de", "para", "em".
b) Palavras-chave usadas para indicar a relevância de um texto.
c) Palavras com erros ortográficos que precisam ser corrigidos.
d) Palavras que indicam uma ação ou verbo em uma frase.
Resposta correta: a) Palavras muito frequentes e irrelevantes, como "de", "para", "em".
Explicação: Palavras de parada são comuns e frequentemente removidas do texto
durante o processamento, pois geralmente não contribuem para o significado geral.
9. Qual é a principal diferença entre "lemmatização" e "stemming"?
a) A lemmatização elimina palavras irrelevantes; o stemming reduz palavras a suas
raízes.
b) O stemming usa regras gramaticais para reduzir palavras; a lemmatização usa o
contexto e a forma correta da palavra.
c) A lemmatização remove sufixos; o stemming transforma palavras em formas
pluralizadas.
d) Não há diferença, são sinônimos.
Resposta correta: b) O stemming usa regras gramaticais para reduzir palavras; a
lemmatização usa o contexto e a forma correta da palavra.
Explicação: A lemmatização é mais sofisticada do que o stemming, pois usa o contexto
e busca transformar uma palavra em sua forma base correta (como "correr" em vez de
"correndo"), enquanto o stemming é mais simples e pode gerar palavras que não são
necessariamente válidas.
10. O que é "embeddings" em NLP?
a) A técnica de traduzir palavras entre idiomas diferentes.
b) A representação de palavras ou frases em um espaço vetorial de alta dimensão.
c) O processo de dividir palavras em letras individuais.
d) A classificação de sentimentos em textos.
Resposta correta: b) A representação de palavras ou frases em um espaço vetorial de
alta dimensão.
Explicação: Embeddings são representações densas e contínuas de palavras em um
espaço vetorial que preservam semelhanças semânticas e relacionamentos entre as
palavras.