Avaliação Online 2_ G MAI FIAR 5 - Fundamentos de Inteligência Artificial

Prévia do material em texto

13/06/2021 Avaliação Online 2: G.MAI.FIAR.5 - Fundamentos de Inteligência Artificial
https://newtonpaiva.instructure.com/courses/11634/quizzes/26202 1/14
Avaliação Online 2
Entrega 14 jun em 23:59 Pontos 20 Perguntas 10
Disponível 8 jun em 0:00 - 14 jun em 23:59 7 dias
Limite de tempo 120 Minutos Tentativas permitidas 2
Instruções
Histórico de tentativas
Tentativa Tempo Pontuação
MANTIDO Tentativa 2 15 minutos 18 de 20
MAIS RECENTE Tentativa 2 15 minutos 18 de 20
Tentativa 1 42 minutos 12 de 20
 As respostas corretas estarão disponíveis em 15 jun em 0:00.
Pontuação desta tentativa: 18 de 20
Enviado 13 jun em 11:27
Esta tentativa levou 15 minutos.
Leia com atenção as orientações abaixo antes de iniciar esta prova:
Serão permitidas duas tentativas para realizar esta avaliação, prevalecendo a maior nota.
Programe-se para realizar suas avaliações com tranquilidade, pois você terá 120 minutos
cronometrados (por tentativa) para conclusão e envio das respostas.
Ao iniciar a avaliação o cronômetro não para, independentemente da plataforma estar aberta ou
não;
Durante a realização da prova:
Será exibido uma questão por vez, podendo “Avançar” ou “Voltar” quando necessário dentro
do período da tentativa;
A tentativa somente será contabilizada após clicar no botão “Enviar”.
2 / 2 ptsPergunta 1
Considere o seguinte conjunto de dados abaixo como sendo o
resultado da classificação de um conjunto de testes ao passar por um
classificador supervisionado.
https://newtonpaiva.instructure.com/courses/11634/quizzes/26202/history?version=2
https://newtonpaiva.instructure.com/courses/11634/quizzes/26202/history?version=2
https://newtonpaiva.instructure.com/courses/11634/quizzes/26202/history?version=1
13/06/2021 Avaliação Online 2: G.MAI.FIAR.5 - Fundamentos de Inteligência Artificial
https://newtonpaiva.instructure.com/courses/11634/quizzes/26202 2/14
Tempo Temperatura Vento Pedalar Classificador
Sol Calor Fraco Sim Sim
Sol Calor Forte Não Sim
Nublado Calor Fraco Sim Sim
Chuva Amena Fraco Sim Não
Chuva Frio Fraco Não Não
Chuva Frio Forte Não Sim
Nublado Frio Forte Sim Sim
Sol Amena Fraco Não Não
Nublado Frio Forte Não Não
Chuva Amena Fraco Sim Sim
Escolha a alternativa que melhor representa a Matriz de Confusão que
representa o cenário anterior:
 
    Classe classificador
    Sim Não
Classe
predita
Sim 3 2
Não 1 4
 
    Classe esperada
    Sim Não
Classe
original
Sim 4 1
Não 2 3
 
    Classe esperada
    Sim Não
Classe
predita
Não 4 1
Sim 2 3
13/06/2021 Avaliação Online 2: G.MAI.FIAR.5 - Fundamentos de Inteligência Artificial
https://newtonpaiva.instructure.com/courses/11634/quizzes/26202 3/14
 
    Classe esperada
    Sim Não
Classe
predita
Sim 3 2
Não 1 4
 
    Classe esperada
    Sim Não
Classe
predita
Sim 4 1
Não 2 3
Como apresentado na unidade 4, tópico 3, a classe original
dada ao algoritmo de aprendizado de máquina supervisionado é
chamado de classe esperada, rótulo, classe original, label,
variável dependente, consequência etc. 
Já a classe calculada pelo algoritmo de aprendizado de
máquina supervisionado é chamada de classe predita,
calculada, descoberta etc. Dessa forma: 
• VP = verdadeiro positivo, ou seja, número de exemplos para
os quais classe predita = classe esperada = “Sim”; 
• VN = verdadeiro negativo, ou seja, número de exemplos para
os quais classe predita = classe esperada = “Não”; 
• FP = falso positivo, ou seja, número de exemplos para os
quais classe predita = “Sim”, mas a classe esperada = “Não”; 
• FN = falso negativo, ou seja, número de exemplos para os
quais classe predita = “Não”, mas a classe esperada = “Sim”.
2 / 2 ptsPergunta 2
O aprendizado de máquina supervisionado é uma classe de problemas
de aprendizado no qual se procura inferir o valor da variável
dependente a partir das variáveis independentes.
Considere as asserções abaixo:
I - Determinar a doença de um paciente com base nos resultados dos
exames. 
II - Determinar as características de compras dos consumidores de um
supermercado. 
13/06/2021 Avaliação Online 2: G.MAI.FIAR.5 - Fundamentos de Inteligência Artificial
https://newtonpaiva.instructure.com/courses/11634/quizzes/26202 4/14
III - Determinar a direção de um robô em um ambiente com base nas
respostas dos sensores. 
IV - Determinar o risco de intrusão em uma rede de computadores com
base nos ataques anteriores dos hackers.
Em relação às asserções anteriores, quais dizem respeito ao
aprendizado de máquina supervisionado?
 III e IV. 
 II e IV. 
 I e III. 
 II e III. 
 I e IV. 
No aprendizado de máquina supervisionado, a característica
básica que o define é a relação existente entre uma variável
dependente e outras variáveis independentes, sendo o trabalho
do algoritmo estabelecer de forma computacional essa relação
de causa-consequência, como apresentado na unidade 4,
tópico 1.1.
0 / 2 ptsPergunta 3IncorretaIncorreta
O aprendizado de máquina não supervisionado é uma classe de
problemas de aprendizado na qual se procura estabelecer
agrupamentos de informações que compartilham das mesmas
características.
Considere as asserções abaixo: 
I - Determinar grupos de pacientes com base nos resultados dos
exames. 
II - Determinar as características de compras dos consumidores de um
supermercado, agregando-os. 
13/06/2021 Avaliação Online 2: G.MAI.FIAR.5 - Fundamentos de Inteligência Artificial
https://newtonpaiva.instructure.com/courses/11634/quizzes/26202 5/14
III - Determinar a direção de um carro autônomo em uma rodovia com
base nas respostas dos sensores. 
IV - Determinar o risco de intrusão em uma rede de computadores com
base nos ataques anteriores dos hackers.
Em relação às asserções anteriores, quais dizem respeito ao
aprendizado de máquina não supervisionado?
 I e II. 
 II e IV. 
 I e III. 
 III e IV. 
 II e III. 
2 / 2 ptsPergunta 4
Fonte: adaptado de https://encrypted-tbn0.gstatic.com/images?
13/06/2021 Avaliação Online 2: G.MAI.FIAR.5 - Fundamentos de Inteligência Artificial
https://newtonpaiva.instructure.com/courses/11634/quizzes/26202 6/14
q=tbn%3AANd9GcTCkQ7P_O-rTJYb586nhxz0UKSEaCTwI_nQ4Q&usqp=CAU
Acesso em: 23 jul. 2020.
A ilustração acima possui duas situações com um veículo autônomo
ingressando em uma rotatória. Um veículo ingressou pela esquerda e
acabou indo parar no canteiro da rotatória. O outro veículo (poderia ser
o mesmo em outra situação) já adentrou na rotatória, no que parece
estar correto até aquele momento. Nas duas situações há uma
sinalização de reprova ou aprovação a depender do sucesso da
direção do veículo até aquele ponto. Qual a alternativa que melhor
descreve o tipo de aprendizado sendo utilizado?
 
Aprendizado supervisionado, porque existe uma variável simbolizada
pelos sinais de aprovação e rejeição, indicando o caminho correto a ser
percorrido pelo veículo autônomo.
 
Aprendizado por reforço, porque existe uma variável simbolizada pelos
sinais de aprovação e rejeição indicando o caminho a ser percorrido
pelo veículo autônomo.
 
Aprendizado supervisionado, porque, diante da ação tomada pelo
agente inteligente, tem-se um retorno de rejeição ou aprovação relativo
às consequências decorrentes daquela ação.
 
Aprendizado por reforço, porque, diante da ação tomada pelo agente
inteligente, tem-se um estímulo de rejeição ou aprovação relativo às
consequências decorrentes daquela ação.
 
Aprendizado não supervisionado, porque o veículo autônomo irá seguir
o mesmo caminho de outros veículos que já passaram pela rotatória e
que são do mesmo grupo indicado pelos sinais de aprovação e
rejeição.
13/06/2021 Avaliação Online 2: G.MAI.FIAR.5 - Fundamentos de Inteligência Artificial
https://newtonpaiva.instructure.com/courses/11634/quizzes/26202 7/14
No aprendizado por reforço em aprendizado de máquina,
derivado da teoria de aprendizagem criada pelo psicólogo
behaviorista B. F. Skinner, o elemento-chave é o estímulo-
resposta, no qual um agente produz respostas
comportamentais a depender de estímulos positivos ou
negativos, os quais,por sua vez, vão gerar novas respostas em
um ciclo, de acordo com a unidade 4, tópico 1.4.
2 / 2 ptsPergunta 5
Nos conjuntos de dados, é preciso observar, além da distribuição dos
dados, a ordem de grandeza das variáveis (colunas) que os contêm,
em especial quando houver discrepância entre as próprias variáveis de
um mesmo conjunto de dados. 
Para remediar isso, é possível empregar técnicas de padronização e
normalização. 
Se você utilizar uma técnica de normalização baseada em Min-Max,
em uma determinada coluna, o que se pode afirmar em relação aos
valores da média e do desvio padrão mínimo e máximo?
 
Nada se pode afirmar, porque não se conhece a distribuição dos
dados.
 O mínimo será 0 e o máximo será 1. 
 
O mínimo será o valor da média menos o desvio padrão e o máximo
será o valor da média mais o desvio padrão.
 A média será igual a 1 e o desvio padrão será igual a 0. 
 A média será igual a 0 e o desvio padrão será igual a 1. 
13/06/2021 Avaliação Online 2: G.MAI.FIAR.5 - Fundamentos de Inteligência Artificial
https://newtonpaiva.instructure.com/courses/11634/quizzes/26202 8/14
Pela própria característica da fórmula do Min-Max, a
normalização é feita de forma que os novos valores são
calculados dentro de um regime intervalar entre o mínimo e o
máximo da distribuição. Isso faz com que os novos valores
fiquem sempre dentro do intervalo [0,1], ou seja, mínimo = 0 e
máximo = 1. Reveja esses conceitos na unidade 5, tópico 2.
2 / 2 ptsPergunta 6
A presença de dados ausentes em conjuntos de dados é algo presente
na maior parte das informações provenientes do mundo real. É
possível remediar a existência de dados ausentes utilizando técnicas
estatísticas, como a média, a mediana e a moda. 
Marque a alternativa INCORRETA a respeito das razões que propiciam
a ocorrência de dados ausentes:
 
Campos não obrigatórios que, ao serem preenchidos, são deixados em
branco ou zerados, como idade, endereço, renda etc.
 
Campos obrigatórios, mas sem a correta consistência que obrigue a
correta captura do preenchimento (nome completo, CPF, RG etc.).
 
Campos com opção correta faltante, por exemplo, uma lista de cidades
onde não consta uma delas em particular. A pessoa, ao preencher e
notar que não tem a sua cidade, provavelmente irá deixar em branco.
 
Campos que possuam cálculo automático dependente de outros
campos do conjunto de dados e que o sistema aleatoriamente possa
estar deixando de executar essa tarefa, que fica pré-agendada no
sistema.
13/06/2021 Avaliação Online 2: G.MAI.FIAR.5 - Fundamentos de Inteligência Artificial
https://newtonpaiva.instructure.com/courses/11634/quizzes/26202 9/14
 
Campos que dependem de uma ação temporal, por exemplo, os dados
de navegação em um e-commerce, em que o nome do produto
adquirido e o valor somente existirão no conjunto de dados se o cliente
fizer a compra, senão eles estarão em branco até que o referido evento
ocorra.
A existência de dados ausentes sempre envolve uma questão
de modelagem do sistema para fazer a aquisição das
informações, seja por negligência de validação dos campos
e/ou pela coleta esparsa em tabelas pré-formatadas. Os
sistemas de informação simplesmente vão fazer o que o
programador mandou e não o que ele desejaria que pudesse
ser feito, já que os sistemas não agem por conta própria e de
forma aleatória. Reveja esses conceitos na unidade 5, tópico
1.1.
2 / 2 ptsPergunta 7
O trecho de código em Python a seguir, desenvolvido dentro do
Jupyter Notebook, está relacionado ao tratamento de dados ausentes
dentro de um DataFrame.
Fonte: elaborado pelo autor.
13/06/2021 Avaliação Online 2: G.MAI.FIAR.5 - Fundamentos de Inteligência Artificial
https://newtonpaiva.instructure.com/courses/11634/quizzes/26202 10/14
Considerando os valores mostrados dentro do Jupyter Notebook para
o método df.isnull().sum() e, na sequência, a chamada do método
df.dropna(), pode-se afirmar que o DataFrame resultante:
 
 
Terá somente a coluna ’Cliente’ do DataFrame inicial, já que as demais
serão removidas por conter dados ausentes.
 
Terá somente os dados cujas linhas do DataFrame contenham ao
menos um valor ausente.
 
Terá os mesmos dados do DataFrame inicial, exceto a coluna ‘Cliente’,
porque não contém valores ausentes.
 
Terá os mesmos dados do DataFrame inicial, exceto: as 14 linhas que
continham ‘Região’ sem informação; as 16 linhas que continham ‘Mês’
sem informação; e as 28 linhas que continham ‘Valor Compra’ sem
informação, totalizando, portanto, 58 linhas removidas do DataFrame
inicial.
 
Terá os mesmos dados do DataFrame inicial, exceto que as linhas que
continham algum tipo de valor ausente não estarão mais presentes.
O método dropna() remove do DataFrame todas as linhas que
contêm ao menos algum valor ausente (NaN) e retorna um
novo DataFrame com essa característica. Assim, o novo
DataFrame é exatamente o mesmo do original, exceto pela
supressão das linhas com algum valor ausente. Não se pode
deduzir o total de linhas a serem removidas somente com as
informações prestadas, porque uma mesma linha pode conter
mais que um valor ausente, então, a soma dos valores
ausentes não é necessariamente o total de linhas a serem
removidas. Reveja esses conceitos na unidade 5, tópico 1.1.
13/06/2021 Avaliação Online 2: G.MAI.FIAR.5 - Fundamentos de Inteligência Artificial
https://newtonpaiva.instructure.com/courses/11634/quizzes/26202 11/14
2 / 2 ptsPergunta 8
Ao definir os hiperparâmetros para a construção de uma árvore de
decisão, a biblioteca sklearn (scikit-learn), através do construtor
DecisionTreeClassifier(), admite uma série de parâmetros, entre eles o
max_depth, que serve para regular a profundidade máxima que uma
árvore pode atingir. A respeito de como esse hiperparâmetro pode
afetar o desempenho do classificador, julgue as asserções abaixo: 
I. Quanto maior o valor de max_depth, melhor será o desempenho da
árvore de decisão para ficar bem ajustada aos dados. 
 
II. Um valor muito pequeno de max_depth pode fazer com que a
árvore de decisão não tenha nós suficientes para adquirir o
conhecimento do conjunto de dados e sofrerá com o fenômeno do
underfitting. 
 
III. Por padrão, é melhor utilizar max_depth = 10, que é um valor
praticado pela comunidade acadêmica e profissional por produzir
sempre árvores de decisão com o máximo desempenho. 
Pode-se afirmar que são falsas as asserções:
 I e III. 
 I e II. 
 Somente III. 
 Somente II. 
 II e III. 
13/06/2021 Avaliação Online 2: G.MAI.FIAR.5 - Fundamentos de Inteligência Artificial
https://newtonpaiva.instructure.com/courses/11634/quizzes/26202 12/14
O desempenho de uma árvore de decisão está intimamente
ligado à profundidade, que normalmente é um parâmetro
automático que o próprio indutor decide qual o melhor.
Entretanto, ajustes manuais são necessários porque o indutor
olha apenas para os dados de treinamento e não os de testes a
fim de evitar overfitting. Então, profundidades elevadas podem
levar a esse fenômeno (overfitting), o que não é bom e, por
isso, a asserção I é falsa. Não existe padrão para configurar a
profundidade da árvore porque é uma questão muito sensível
aos dados, por isso a asserção III é falsa. Árvores de decisão
rasas podem não aprender toda a informação dos dados,
causando underfitting, por isso a asserção (II) é verdadeira.
Reveja esse conceito na unidade 6, tópico 3.
2 / 2 ptsPergunta 9
A validação do modelo utilizando K-fold cross-validation é uma
estimativa de erro bem aceita por produzir uma estatística confiável e
normalizada em relação à predição de exemplos futuros. A respeito
das partições, é correto afirmar que:
 
Cada exemplo é uma partição individual que participa, portanto, (K)
vezes do processo de treinamento e teste, em que n é o número de
linhas do conjunto de dados.
n
 
Cada exemplo do conjunto de dados participa uma única vez da
partição de teste e (K-1) vezes da partição de treinamento.
 
Cada exemplo do conjunto de dados participa uma única vez da
partição de treinamento e (K-1) vezes da partição de teste.
 
Cadaexemplo do conjunto de dados participa K vezes das partições de
treinamento e teste.
13/06/2021 Avaliação Online 2: G.MAI.FIAR.5 - Fundamentos de Inteligência Artificial
https://newtonpaiva.instructure.com/courses/11634/quizzes/26202 13/14
 
Cada exemplo é uma partição individual que participa, portanto, (n)
vezes do processo de treinamento e teste, em que n é o número de
linhas do conjunto de dados.
K
A avaliação por k fold cross-validation divide o conjunto de
dados em K partições iguais e sem repetição dos dados entre
as partições. O classificador é testado K vezes sobre as
partições de modo que em cada iteração o classificador é
treinado sobre (K-1) partições e testado sobre uma única
partição. Reveja esse conceito na unidade 6, tópico 4.
2 / 2 ptsPergunta 10
O overfitting possui uma característica muito marcante quando
estamos validando um classificador. Essa característica é fundamental
para sabermos se a principal funcionalidade de um classificador está
de acordo com seu papel esperado. Então, pense em um caso
hipotético em que possa estar ocorrendo overfitting e aponte abaixo o
que identificaria corretamente o overfitting no desempenho do um
classificador:
 
Não é possível identificar uma situação de overfitting com as
informações fornecidas no enunciado da questão.
 
O desempenho do classificador sobre os dados de treinamento é bom,
mas muito superior ao desempenho do classificador sobre os dados de
teste que não foram previamente vistos.
 
O desempenho do classificador sobre os dados de treinamento é tão
ruim quanto o desempenho do classificador sobre os dados de teste
que não foram previamente vistos.
13/06/2021 Avaliação Online 2: G.MAI.FIAR.5 - Fundamentos de Inteligência Artificial
https://newtonpaiva.instructure.com/courses/11634/quizzes/26202 14/14
 
A situação descrita no enunciado da questão faz remeter ao conceito
de underfitting e não de overfitting.
 
O desempenho do classificador sobre os dados de treinamento é tão
bom quanto o desempenho do classificador sobre os dados de teste
que não foram previamente vistos.
Para detectar se está ocorrendo overfitting, basta você
comparar o desempenho do classificador sobre os dados de
treinamento e comparar o desempenho do mesmo classificador
sobre os dados de teste. Se o desempenho sobre os dados de
teste for muito pior que sobre os dados de treinamento, significa
que o classificador decorou os dados de treinamento, ocorrendo
o fenômeno chamado overfitting. Reveja esse conceito na
unidade 6, tópico 4.
Pontuação do teste: 18 de 20