final discursiva Preparação e Análise Exploratória de Dados - presencial

Prévia do material em texto

Acadêmico:
Disciplina: Preparação e Análise Exploratória de Dados ()
Avaliação: Avaliação Final (Discursiva) - Individual Semipresencial ( Cod.:) ( peso.:4,00)
Prova:
Nota da Prova: -
1. John W. Tukey foi quem definiu a expressão Exploratory Data Analysis (EDA) e fez contribuições significativas tanto para as ciências físicas quanto
ciências sociais. Referente especificamente à análise exploratória de dados, suas contribuições inovadoras incluíram o algoritmo de transformação
Fourier, mudando o uso da estatística descritiva por meio da EDA, assim como a linguagem e o paradigma da estatística. Curiosamente, é difícil, se
impossível, encontrar uma definição precisa da EDA. Disserte sobre as definições da expressão EDA.
Resposta Esperada:
*São três as principais características, sendo elas: apresentação gráfica, flexibilidade no ponto de vista e nas instalações e busca intensa de parcimôn
simplicidade. Na análise exploratória de dados, não há substituto para a flexibilidade para se adaptar ao que é calculado e ao que queremos rastrear. I
aplica às necessidades da situação e aos dados já fornecidos. *O histograma deve ser considerado obsoleto. *A análise exploratória de dados não req
probabilidade, importância ou confiança. *A análise exploratória de dados é ativa e sensível, em vez de passivamente descritiva, e realmente enfatiza 
descoberta de conteúdo inesperado. *A análise exploratória de dados é uma atitude, um tipo de flexibilidade, uma disposição para procurar coisas que
pensamos que existam. *A análise exploratória de dados isola os padrões e características dos dados e os revela fortemente aos analistas. Se precis
conselhos curtos sobre o que é EDA, é: uma atitude flexível e algum papel milimetrado ou transparências, ou ambos.
2. A limpeza de dados é referente aos valores ausentes. Podemos dizer que um valor que não foi coletado é um valor ausente, contudo ele existe no m
Ter um valor ausente é diferente de ter um valor vazio. Isso porque valor vazio se refere a um valor que não existe no mundo real. De forma geral, os
ausentes podem ser tratados removendo os valores ausentes, recuperando os valores ausentes, ou restringindo a execução de algoritmos de mach
learning. Nesse sentido, disserte sobre esses três tipos de tratamento.
Resposta Esperada:
*Remover de valores ausentes inclui a exclusão de atributos ou instâncias do conjunto de dados, mas isso impõe restrições ao valor dos dados (perda
informações). * Recuperar o valor ausente inclui substituir o valor ausente por um valor padrão ou médio; no entanto isso pode introduzir informações
distorcidas que não estão incluídas em eventos e situações. * Por fim, restringir a execução de algoritmos de aprendizado de máquina limita a análise
algoritmos que podem ser aplicados aos dados, técnica K de vizinho mais próximo (KNN), classificadores bayesianos e várias técnicas estatísticas nã
lidar com valores ausentes.
