Prova - Machine Learning

Prévia do material em texto

1) 
Machine Learning (ML) é um campo da inteligência artificial que permite que sistemas aprendam 
e melhorem automaticamente a partir da experiência, sem serem explicitamente programados. 
Os algoritmos de ML usam dados de treinamento para construir modelos que podem fazer 
previsões ou tomar decisões sem intervenção humana. 
Analise as assertivas a seguir e classifique-as como Verdadeiras (V) ou Falsas (F): 
I. ( ) O aprendizado supervisionado utiliza dados rotulados para treinar modelos de Machine 
Learning. 
II. ( ) O aprendizado não supervisionado requer que os dados de treinamento sejam rotulados. 
III. ( ) O aprendizado por reforço envolve um agente que aprende a tomar decisões através de 
interações com o ambiente. 
Assinale a alternativa que traz a sequência correta de V e F. 
 
Alternativas: 
F – F – V. 
V – F – V.checkCORRETO 
V – F – F. 
F – V – F. 
V – V – F. 
Resolução comentada: 
(V) O aprendizado supervisionado utiliza dados rotulados para treinar modelos de ML. Esses 
dados incluem entradas e saídas esperadas, permitindo que o modelo aprenda a mapear 
entradas para saídas. 
(F) O aprendizado não supervisionado não requer que os dados de treinamento sejam rotulados. 
Em vez disso, ele busca encontrar padrões ou estruturas ocultas nos dados sem orientação 
explícita. 
(V) O aprendizado por reforço envolve um agente que aprende a tomar decisões através de 
interações com o ambiente. O agente recebe recompensas ou penalidades com base em suas 
ações e ajusta seu comportamento para maximizar a recompensa acumulada. 
Código da questão: 86786 
2) 
Clusterização é uma técnica de aprendizado não supervisionado que agrupa um conjunto de 
objetos de tal forma que os objetos no mesmo grupo (ou cluster) são mais semelhantes entre si 
do que aos objetos de outros grupos. Existem várias técnicas de clusterização, cada uma com 
suas características e aplicações específicas. 
Assinale a alternativa correta sobre as técnicas de clusterização: 
 
Alternativas: 
O DBSCAN é uma técnica baseada em densidade que identifica clusters de qualquer forma, 
separando o ruído.checkCORRETO 
O K-means é uma técnica de clusterização que cria uma árvore de clusters, permitindo a 
visualização das relações entre os dados em diferentes níveis de granularidade. 
O K-means é uma técnica baseada em densidade que identifica clusters de qualquer forma, 
aumentando o ruído. 
O K-means é uma técnica baseada em densidade que identifica clusters de qualquer forma, 
separando o ruído. 
A clusterização hierárquica é um método iterativo que particiona os dados em k clusters, 
minimizando a variância dentro de cada cluster. 
Resolução comentada: 
O DBSCAN (Density-Based Spatial Clustering of Applications with Noise) é uma técnica de 
clusterização baseada em densidade que identifica clusters de qualquer forma, separando o 
ruído. As outras alternativas estão incorretas: o K-means é um método iterativo que particiona os 
dados em k clusters, minimizando a variância dentro de cada cluster, e a clusterização hierárquica 
cria uma árvore de clusters, permitindo a visualização das relações entre os dados em diferentes 
níveis de granularidade. 
Código da questão: 86793 
3) 
O problema do início frio é um desafio comum em sistemas de recomendação, especialmente 
quando novos usuários ou novos itens são introduzidos no sistema. Analise as afirmativas a 
seguir e classifique-as como Verdadeiras (V) ou Falsas (F): 
( ) O problema do início frio ocorre quando um sistema de recomendação não possui 
informações suficientes sobre novos usuários ou novos itens para fazer recomendações precisas. 
( ) Uma abordagem para mitigar o problema do início frio é utilizar um algoritmo de filtragem 
colaborativa exclusivamente, pois ele depende apenas das interações dos usuários com os itens. 
( ) Incorporar dados demográficos e de perfil dos usuários pode ajudar a reduzir o impacto do 
problema do início frio. 
( ) O problema do início frio pode ser resolvido solicitando que os novos usuários preencham um 
questionário sobre suas preferências logo após se cadastrarem na plataforma. 
Assinale a alternativa que traz a sequência correta de V e F. 
 
Alternativas: 
F – F –V – F. 
V – V – F – V. 
V – F – V – F. 
V – F – V – V.checkCORRETO 
F – F – V – V. 
Resolução comentada: 
(V) O problema do início frio ocorre quando o sistema não possui informações suficientes sobre 
novos usuários ou novos itens para fazer recomendações precisas. 
(F) Utilizar exclusivamente filtragem colaborativa não é eficaz para mitigar o problema do início 
frio, pois essa abordagem depende das interações dos usuários com os itens, que são 
inexistentes no início. 
(V) Incorporar dados demográficos e de perfil dos usuários pode fornecer informações adicionais 
que ajudam a reduzir o impacto do problema do início frio. 
(V) Solicitar que novos usuários preencham um questionário sobre suas preferências pode 
fornecer dados iniciais que ajudam a fazer recomendações mais precisas desde o início. 
Código da questão: 86807 
4) 
O algoritmo K-means (K-médias) é uma técnica de clusterização amplamente utilizada em 
aprendizado não supervisionado. Seu objetivo é particionar um conjunto de n observações em k 
clusters, em que cada observação pertence ao cluster com o centroide mais próximo. O algoritmo 
segue um processo iterativo que envolve os seguintes passos principais: inicialização, atribuição, 
atualização e repetição. 
Analise as assertivas sobre o algoritmo K-means a seguir: 
I. O K-means pode ser sensível à escolha dos centroides iniciais, o que pode afetar o resultado 
final da clusterização. 
II. O K-means é adequado para identificar clusters de qualquer forma e tamanho, 
independentemente da distribuição dos dados. 
III. O passo de atualização no K-means envolve recalcular os centroides como a média das 
observações atribuídas a cada cluster. 
IV. O K-means sempre garante encontrar a solução globalmente ótima para a clusterização dos 
dados. 
Estão corretas: 
 
Alternativas: 
Apenas I e III estão corretas.checkCORRETO 
Apenas I, III e IV estão corretas. 
Apenas I, II e III estão corretas. 
Apenas II e IV estão corretas. 
Todas as afirmativas estão corretas. 
Resolução comentada: 
I. Correta. O K-means pode ser sensível à escolha dos centroides iniciais, o que pode afetar o 
resultado final da clusterização. Métodos como o K-means++ são utilizados para melhorar essa 
escolha. 
II. Incorreta. O K-means não é adequado para identificar clusters de qualquer forma e tamanho, 
especialmente se os clusters não forem esféricos ou tiverem tamanhos muito diferentes. 
III. Correta. O passo de atualização no K-means envolve recalcular os centroides como a média 
das observações atribuídas a cada cluster. 
IV. Incorreta. O K-means não garante encontrar a solução globalmente ótima; ele pode convergir 
para mínimos locais, especialmente se os centroides iniciais não forem bem escolhidos. 
Código da questão: 86794 
5) 
Os sistemas de recomendação enfrentam diversos desafios e limitações que podem impactar sua 
eficácia e aceitação pelosusuários. Entre esses desafios estão o problema do início frio, viés, 
diversidade, escalabilidade e privacidade. 
Nesse contexto, análise as afirmativas que seguem: 
I. Para mitigar o problema do início frio, uma abordagem híbrida que combine filtragem 
colaborativa e baseada em conteúdo pode ser eficaz. 
II. Para reduzir o viés nas recomendações, é importante incorporar técnicas de normalização e 
balanceamento dos dados de entrada. 
III. Para aumentar a diversidade nas recomendações, pode-se utilizar um algoritmo que maximize 
a variedade de itens recomendados, evitando a concentração em produtos populares. 
IV. Para garantir a privacidade dos usuários, a aplicação de técnicas de anonimização e 
criptografia de dados é essencial. 
Estão corretas: 
 
Alternativas: 
Apenas I e II estão corretas. 
Todas asafirmativas estão corretas.checkCORRETO 
Apenas II, III e IV estão corretas. 
Apenas I, III e IV estão corretas. 
Apenas I, II e III estão corretas. 
Resolução comentada: 
I. Correta: uma abordagem híbrida que combine filtragem colaborativa e baseada em conteúdo 
pode efetivamente mitigar o problema do início frio, proporcionando recomendações mais 
precisas para novos usuários. 
II. Correta: incorporar técnicas de normalização e balanceamento dos dados de entrada é crucial 
para reduzir o viés nas recomendações, garantindo que todos os itens e usuários sejam tratados 
de maneira justa. 
III. Correta: utilizar um algoritmo que maximize a variedade de itens recomendados ajuda a 
aumentar a diversidade, evitando a concentração em produtos populares e promovendo uma 
maior variedade de itens. 
IV. Correta: aplicar técnicas de anonimização e criptografia de dados é essencial para garantir a 
privacidade dos usuários, protegendo suas informações pessoais sem comprometer a qualidade 
das recomendações. 
Código da questão: 86805 
6) 
Associe cada número a sua respectiva letra: 
I. Agente. 
II. Ação. 
III. Recompensa. 
IV. Política. 
V. Episódio. 
A. É responsável pela interação com o ambiente. 
B. Trata-se do comportamento, situações e ações do agente; são atividades que ele é capaz de 
executar. 
C. São as estratégias que o agente deve percorrer para ser conduzido à melhor solução. 
D. É o conjunto das ações que só termina quando se alcança um determinado objetivo. 
E. É a retribuição, que pode ser tanto negativa quanto positiva. 
Assinale a alternativa que apresenta a associação correta entre as duas listas: 
 
Alternativas: 
I-D; II-C; III-B; IV-E; V-A. 
I-E; II-B; III-D; IV-A; V-C. 
I-B; II-C; III-D; IV-A; V-E. 
I-A; II-B; III-E; IV-C; V-D.checkCORRETO 
I-A; II-D; III-C; IV-B; V-E. 
Resolução comentada: 
I-A. Agente: responsável pela interação com o ambiente. 
II-B. Ação: trata-se do comportamento, situações e ações do agente; são atividades que ele é 
capaz de executar. 
III-E. Recompensa: é a retribuição, que pode ser tanto negativa quanto positiva. 
IV-C. Política: é o objetivo da aprendizagem; são as estratégias que o agente deve percorrer para 
ser conduzido à melhor solução do problema. 
V-D. Episódio: é o cenário como um todo; é conjunto das ações que só termina quando se 
alcança um determinado objetivo. 
Código da questão: 86785 
7) 
O DBSCAN (Density-Based Spatial Clustering of Applications with Noise) é um algoritmo de 
clusterização baseado em densidade que identifica clusters de qualquer forma, separando o 
ruído. É particularmente útil para dados que possuem clusters de formas arbitrárias e tamanhos 
variados. Ele utiliza dois parâmetros principais: epsilon (ε) e MinPts. 
Nesse contexto, associe cada número a sua respectiva letra: 
I. Epsilon (ε). 
II. MinPts. 
III. Pontos centrais. 
IV. Pontos de borda. 
V. Pontos de ruído. 
A. Define o raio de vizinhança ao redor de um ponto. 
B. Define o número mínimo de pontos necessários para formar um cluster. 
C. Têm pelo menos MinPts pontos em sua vizinhança ε. 
D. Estão dentro da vizinhança ε de um ponto central, mas têm menos de MinPts pontos em sua 
própria vizinhança. 
E. Não pertencem a nenhum cluster. 
Assinale a alternativa que traz a associação correta entre as listas. 
 
Alternativas: 
I-A; II-C; III-B; IV-E; V-D. 
I-D; II-B; III-A; IV-E; IV-C. 
I-C; II-D; III-E; IV-A; V-B. 
I-A; II-B; III-C; IV-D; V-E.checkCORRETO 
I-B; II-C; III-A; IV-D; V-E. 
Resolução comentada: 
I-A. Epsilon (ε): define o raio de vizinhança ao redor de um ponto. 
II-B. MinPts: define o número mínimo de pontos necessários para formar um cluster. 
III-C. Pontos centrais: têm pelo menos MinPts pontos em sua vizinhança ε. 
IV-D. Pontos de borda: estão dentro da vizinhança ε de um ponto central, mas têm menos de 
MinPts pontos em sua própria vizinhança. 
V-E. Pontos de ruído: não pertencem a nenhum cluster. 
Código da questão: 86795 
8) 
O aprendizado de máquina é uma subárea da inteligência artificial que se concentra no 
desenvolvimento de algoritmos que permitem aos computadores aprenderem a partir de dados. 
Esses algoritmos podem ser divididos em três categorias principais: aprendizado supervisionado, 
aprendizado não supervisionado e aprendizado por reforço. 
Assinale a alternativa que descreve o aprendizado não supervisionado. 
 
Alternativas: 
O aprendizado não supervisionado é um tipo de aprendizado de máquina em que o 
algoritmo tenta identificar padrões e estruturas nos dados sem rótulos.checkCORRETO 
O aprendizado não supervisionado é um tipo de aprendizado de máquina que combina dados 
rotulados e não rotulados para melhorar a precisão do modelo. 
No aprendizado não supervisionado, o algoritmo desenvolve a capacidade de prever resultados 
futuros com base em dados históricos rotulados. 
No aprendizado não supervisionado, o algoritmo aprende a tomar decisões através de interações 
com o ambiente, recebendo recompensas ou penalidades com base nas ações realizadas. 
O aprendizado não supervisionado é um tipo de aprendizado de máquina em que o algoritmo é 
treinado com um conjunto de dados rotulados e as respostas corretas são fornecidas. 
Resolução comentada: 
No aprendizado não supervisionado, o algoritmo tenta identificar padrões e estruturas nos dados 
sem a necessidade de rótulos ou respostas corretas. 
As outras alternativas descrevem características de outros tipos de aprendizado de máquina: 
- “O aprendizado não supervisionado é um tipo de aprendizado de máquina em que o algoritmo 
é treinado com um conjunto de dados rotulados e as respostas corretas são fornecidas” 
– Descreve o aprendizado supervisionado, em que o algoritmo é treinado com dados rotulados. - 
“No aprendizado não supervisionado, o algoritmo aprende a tomar decisões através de 
interações com o ambiente, recebendo recompensas ou penalidades com base nas ações 
realizadas” 
– Descreve o aprendizado por reforço, em que o algoritmo aprende através de interações com o 
ambiente. 
- “No aprendizado não supervisionado, o algoritmo desenvolve a capacidade de prever 
resultados futuros com base em dados históricos rotulados” 
– Descreve o aprendizado supervisionado, focando na previsão de resultados futuros com base 
em dados históricos rotulados. 
- “O aprendizado não supervisionado é um tipo de aprendizado de máquina que combina dados 
rotulados e não rotulados para melhorar a precisão do modelo” – Não corresponde a nenhuma 
das categorias principais de aprendizado de máquina. 
Código da questão: 86788 
9) 
Considere um serviço de streaming de filmes que deseja melhorar a precisão das recomendações 
para seus usuários. Atualmente, o sistema de recomendação utiliza apenas as avaliações 
explícitas (como estrelas ou notas) fornecidas pelos usuários. No entanto, muitos usuários não 
fornecem avaliações explícitas para todos os filmes a que assistem. 
Dado o cenário apresentado, qual seria a abordagem mais adequada para melhorar a precisão 
das recomendações? 
 
Alternativas: 
Aumentar a quantidade de avaliações explícitas solicitando aos usuários que avaliem mais filmes 
após assisti-los. 
Diminuir a quantidade de avaliações explícitas solicitando aos usuários que avaliem mais filmes 
após assisti-los. 
Incorporar dados implícitos, como histórico de visualização, tempo de reprodução e 
interações com o conteúdo, para complementar as avaliações explícitas.checkCORRETO 
Implementar um sistema de filtragem colaborativa baseada em itens que recomenda filmes 
semelhantes aos que o usuário já assistiu e avaliou. 
Utilizar um algoritmo de filtragem baseado em conteúdo que recomende filmes de acordo com 
as características dos filmes a que o usuário já assistiu e avaliou. 
Resolução comentada: 
Incorporar dados implícitos pode ajudar a melhorar a precisão das recomendações, pois fornece 
informações adicionais sobre as preferênciasdos usuários, mesmo quando eles não fornecem 
avaliações explícitas. Isso permite ao sistema de recomendação fazer inferências mais precisas 
sobre os gostos dos usuários com base em seu comportamento. 
Código da questão: 86804 
10) 
A redução de dimensionalidade é uma técnica utilizada em aprendizado de máquina e análise de 
dados para reduzir o número de variáveis (ou dimensões) em um conjunto de dados, mantendo 
o máximo de informação relevante possível. As técnicas mais comuns de redução de 
dimensionalidade incluem Análise de Componentes Principais (PCA) e Análise de Discriminante 
Linear (LDA). 
Analise as afirmativas a seguir e as classifique como Verdadeiras (V) ou Falsas (F): 
( ) A Análise de Componentes Principais (PCA) é uma técnica de redução de dimensionalidade 
que transforma as variáveis originais em um novo conjunto de variáveis não correlacionadas 
chamadas de componentes principais. 
( ) A Análise de Discriminante Linear (LDA) é utilizada principalmente para aumentar a 
dimensionalidade dos dados, criando novas variáveis que maximizam a separação entre as 
classes. 
( ) A redução de dimensionalidade pode ajudar a melhorar o desempenho dos algoritmos de 
aprendizado de máquina, reduzindo o risco de overfitting. 
( ) A redução de dimensionalidade é importante porque conjuntos de dados de alta 
dimensionalidade podem ser difíceis de visualizar, processar e analisar. 
Assinale a alternativa que traz a sequência correta de V e F. 
 
Alternativas: 
V – V – F – V. 
V – V – F – F. 
F – F – V – V. 
V – F – F – V. 
V – F – V – V.checkCORRETO 
Resolução comentada: 
(V) A Análise de Componentes Principais (PCA) é uma técnica de redução de dimensionalidade 
que transforma as variáveis originais em um novo conjunto de variáveis não correlacionadas 
chamadas de componentes principais. 
(F) A Análise de Discriminante Linear (LDA) é utilizada principalmente para reduzir a 
dimensionalidade dos dados, criando novas variáveis que maximizam a separação entre as 
classes, e não para aumentar a dimensionalidade. 
(V) A redução de dimensionalidade pode ajudar a melhorar o desempenho dos algoritmos de 
aprendizado de máquina, reduzindo o risco de overfitting. 
(V) A redução de dimensionalidade é importante porque conjuntos de dados de alta 
dimensionalidade podem ser difíceis de visualizar, processar e analisar.