Baixe o app para aproveitar ainda mais
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
Compartilhar