Atividade 2 Aprendizado de Máquina

Prévia do material em texto

Usuário
	JULIANA DA SILVA DE MIRANDA
	Curso
	GRA1566 MODELOS DE APRENDIZADO DE MÁQUINA GR2186211 - 202110.ead-14781.01
	Teste
	ATIVIDADE 2 (A2)
	Iniciado
	17/06/21 10:55
	Enviado
	17/06/21 19:30
	Status
	Completada
	Resultado da tentativa
	10 em 10 pontos  
	Tempo decorrido
	8 horas, 35 minutos
	Resultados exibidos
	Respostas enviadas, Respostas corretas, Comentários
· Pergunta 1
1 em 1 pontos
	
	
	
	Algoritmo SVR ( Support Vector Regression), ou Regressão de Vetores de Suporte, trata-se de um modelo adaptado do classificador “Máquinas de Vetores de Suporte” (SVM). A principal diferença destes dois modelos está nas variáveis que recebem, ou seja, cada um tem o seu tipo de variável particular.
 
Com bases nessas informações e do conteúdo estudado sobre métodos de classificação e regressão, os tipos de variáveis que utilizam o modelo SRV são conhecidos como:
	
	
	
	
		Resposta Selecionada:
	 
Variáveis ordenadas contínuas.
	Resposta Correta:
	 
Variáveis ordenadas contínuas.
	Comentário da resposta:
	Parabéns! Sua resposta está correta. O algoritmo SVR é classificado como modelo Regressor. Neste contexto, ele é capaz de trabalhar com variáveis ​​ordenadas contínuas, ou seja, podem receber em qualquer intervalo valores inteiros ou fracionários.
	
	
	
· Pergunta 2
1 em 1 pontos
	
	
	
	Os algoritmos de regressão fazem parte do contexto de Aprendizado Supervisionado. Tratam-se de técnicas que não têm a capacidade de sintetizar informações textuais, isto é, só conseguem predizer valores numéricos.
 
A partir dessas informações e do conteúdo estudado sobre modelos de Regressão, pode-se afirmar que estas variáveis são representadas por:
	
	
	
	
		Resposta Selecionada:
	 
Valores contínuos.
	Resposta Correta:
	 
Valores contínuos.
	Comentário da resposta:
	Resposta correta. Para predizer dados, este modelo utiliza valores de entrada e saída contínuos, como prever as vendas de um determinado produto e calcular a expectativa de vida de um país.
	
	
	
· Pergunta 3
1 em 1 pontos
	
	
	
	Inúmeras são as técnicas que utilizam o Aprendizado de Máquina para prever um possível resultado, cada uma com sua particularidade. O KNN, ou Nearest Neighbour Retrieval (Vizinho mais próximo), é considerado uma das técnicas mais simples deste modelo de aprendizado, que tem como objetivo resolver problemas se baseando na sua distância com os casos existentes.
 
Com base nessas informações e o conteúdo estudado sobre o algoritmo KNN, responda: qual é a técnica que representa este modelo de Aprendizagem?
	
	
	
	
		Resposta Selecionada:
	 
Aprendizado Supervisionado – técnica de Classificação.
	Resposta Correta:
	 
Aprendizado Supervisionado – técnica de Classificação.
	Comentário da resposta:
	Parabéns! Sua resposta está correta. Este modelo utiliza técnicas de aprendizado supervisionado, em que seus dados já deverão ser pré-estabelecidos. Essas técnicas são muito utilizadas pra resolver os problemas de classificação em que os dados são qualificados de acordo com o cálculo da distância de cada amostra já pré-existente com uma nova amostra. Desse modo, o novo dado pertencerá sempre àquela classe, que conterá um maior número de dados (vizinhos mais próximos).
	
	
	
· Pergunta 4
1 em 1 pontos
	
	
	
	Modelos de Aprendizagem de Máquina são amplamente utilizados na indústria para resolução de problemas. O maior desafio é escolher a técnica correta para ser empregada. Uma técnica muito usual é aquela que separa os dados de acordo com suas classes similares.
 
A partir dessas informações e do conteúdo estudado sobre aprendizado supervisionado e suas principais técnicas, pode-se afirmar que este modelo de algoritmo se refere ao:
	
	
	
	
		Resposta Selecionada:
	 
Modelo de Classificação.
	Resposta Correta:
	 
Modelo de Classificação.
	Comentário da resposta:
	Parabéns! Sua resposta está correta. Modelos de classificação têm como objetivo dividir o conjunto de dados em classes de acordo com a similaridade dos dados. Uma de suas principais características é poder receber dados de vários formatos, como números, letras ou palavras.
	
	
	
· Pergunta 5
1 em 1 pontos
	
	
	
	Para utilizar o Aprendizado Supervisionado, inicialmente, necessita-se de um conjunto de dados já rotulados. Esses dados, muitas vezes, podem vir diagnosticados como ruidosos, ou seja, podem estar duplicados, faltosos ou inconsistentes, comprometendo a resposta a ser dada pela máquina.
O sobreajuste dos dados ocorre quando o modelo se adaptou muito bem aos dados os quais está sendo treinado. Nesse contexto, o modelo está adequado ao conjunto de dados de treino, mas não é capaz de se adaptar a novos dados. Isso ocorre quando os resultados obtidos no treinamento são excelentes e apresenta resultado problemático em dados de teste.
 
Considerando os conteúdos estudados, a má adaptação de sobreajuste dos dados, ocorrida em Aprendizado de Máquina, é conhecida como:
	
	
	
	
		Resposta Selecionada:
	 
Overfitting.
	Resposta Correta:
	 
Overfitting.
	Comentário da resposta:
	Parabéns! Sua resposta está correta. O overfitting ocorre quando os dados de treinamento apresentam um excelente resultado, mas, ao aplicar os resultados de testes, o desempenho, na verdade, é ruim. Está relacionado a um problema de treinamento e validação, de acordo com o modelo escolhido. O overfitting pode se ajustar aos ruídos dos dados.
	
	
	
· Pergunta 6
1 em 1 pontos
	
	
	
	O Aprendizado de Máquina é dividido em técnicas que são capazes de utilizar um conjunto de dados a priori, ou seja, dados já rotulados. Um bom exemplo para a criação desses modelos é o conjunto de dados históricos de clientes de uma empresa de crédito, que possuem renda maior de R$ 100.000,00. Esta informação se torna muito valiosa quando, por exemplo, esta mesma empresa deseja estender uma carta de crédito aos clientes que têm potencial para um financiamento mais alto. O Aprendizado de Máquinas tem ainda outros modelos, que podem resolver problemas com outras complexidades.
 
Nesse contexto e considerando o conteúdo estudado sobre Aprendizado Supervisionado e suas funcionalidades, entre esses outros modelos estão:
	
	
	
	
		Resposta Selecionada:
	 
Classificação e Regressão.
	Resposta Correta:
	 
Classificação e Regressão.
	Comentário da resposta:
	Parabéns! Sua resposta está correta. Modelos de Classificação e Regressão têm como característica a utilização de dados pré-existentes. A única diferença entre eles é que, na Classificação, o conjunto de dados é dividido em classes, que podem conter números ou textos; e, na Regressão, o conjunto de dados observado deverá conter apenas variáveis numéricas dentro de um limite de espaço.
	
	
	
· Pergunta 7
1 em 1 pontos
	
	
	
	O modelo de algoritmo SVM foi proposto para tratar problemas com separações binárias. Suas classes são divididas pelo hiperplano de separação ótima que tem como estratégia maximizar a margem de separação entre ela. A equação que define este hiperplano é dada por:
 
 
A partir dessas informações e considerando o conteúdo estudado sobre máquina de vetores de suporte, analise as afirmativas a seguir e assinale V para a(s) verdadeira(s) e F para a(s) falsa(s).
 
I. ( ) 𝑏
é a distância entre as linhas dos espaços delimitados.
II. ( ) 𝑤 representa o vetor de pesos
III. ( ) 𝑥
são os pontos sobre o hiperplano.
IV. ( ) 𝑤. 𝑥
é a multiplicação do cartesiano de 𝑤 e 𝑥.
 
Agora, assinale a alternativa que apresenta a sequência:
	
	
	
	
		Resposta Selecionada:
	 
F, V, V, F.
	Resposta Correta:
	 
F, V, V, F.
	Comentário da resposta:
	Parabéns! Sua resposta está correta. A afirmativa II e III estão corretas, pois   é um vetor de pesos que, multiplicado pelo valor amostral de X e somado à constante b, define o hiperplano em Classificação ou Regressão.
	
	
	
· Pergunta 8
1 em 1 pontos
	
	
	
	O Aprendizado Supervisionado é dividido em modelos de classificação e regressão, ambos com características próprias. O primeiro possui variáveis de saída conhecidas como rótulos ou categorias, sendo que a funçãode mapeamento é responsável por prever uma classe ou categoria para cada observação. Já no segundo modelo, a variável de saída pode representar um valor real de acordo com a definição do problema, como um número inteiro, ou valor de ponto flutuante, como, por exemplo, quantidade e tamanho.
 
A partir dessas informações e do conteúdo estudado sobre métodos de classificação e regressão, os algoritmos que abordam as duas técnicas são:
	
	
	
	
		Resposta Selecionada:
	 
Redes Neurais Artificiais e Árvore de Decisão.
	Resposta Correta:
	 
Redes Neurais Artificiais e Árvore de Decisão.
	Comentário da resposta:
	parabéns sua resposta está correta. pode-se resolver problemas de classificação e regressão utilizando uma Rede Neural Artificial ou um Árvore de Decisão, lembrando que é fundamental, independentemente do tipo ou estrutura do conjunto de dados, que eles venham rotulados.
	
	
	
· Pergunta 9
1 em 1 pontos
	
	
	
	Uma Rede Neural Artificial pode ser composta por múltiplos neurônios. Esses neurônios são representados por sinais de entrada e por pesos, dando origem à saída desejada. Para o cálculo da saída desejada, é necessário multiplicar o valor das variáveis de entrada pelos pesos sinápticos. A figura a seguir representa um neurônio artificial do tipo Adelaine simples:
 
Fonte: Elaborado pela autora, 2020.
 
Com bases nessas informações e do conteúdo estudado sobre Redes Neurais Artificiais, pode-se afirmar que o valor da saída desejada é:
	
	
	
	
		Resposta Selecionada:
	 
5,2.
	Resposta Correta:
	 
5,2.
	Comentário da resposta:
	Parabéns! Sua resposta está correta. Para se calcular a saída desejada, basta multiplicar as variáveis de entrada pelos pesos sinápticos, conforme:
 
(3 * 0,2) + (2 * 0,4) + (4 * 0,2) + (5 * 0,6)
 
Logo após, o próprio algoritmo se encarrega de realizar o somatório e demonstrar o valor de saída.
	
	
	
· Pergunta 10
1 em 1 pontos
	
	
	
	Ao se criar o modelo que se assemelha a uma árvore, o algoritmo possui em sua estrutura um maior nível hierárquico, localizado no topo da árvore e seguindo por um conjunto de decisões, até que se chegue ao fim, onde será feita a tomada de decisão, ou seja, escolhida a resposta final.
 
Considerando essas informações e o conteúdo estudado, analise entre as partições a seguir quais são as que assemelham ao maior nível hierárquico e a decisão final.
 
I. Ponto de partida.
II. Ramos.
III. Nó de decisão.
IV. Nó folha.
 
Está correto apenas o que se afirma em:
	
	
	
	
		Resposta Selecionada:
	 
I e IV.
	Resposta Correta:
	 
I e IV.
	Comentário da resposta:
	Resposta correta. Árvores de Decisão têm no seu nível mais alto de hierarquia apenas um ponto de partida. É partir dele que outros nós são desenhados como possíveis resultados. Esse algoritmo só termina quando todas as alternativas são esgotadas.
	
	
	
Quinta-feira, 17 de Junho de 2021 19h31min13s BRT