Mas para fazer adoção e o desenvolvimento de Machine Learning, alguns passos devem ser seguidos, como: I. Data Selection; II. Feature Selection; II...

Mas para fazer adoção e o desenvolvimento de Machine Learning, alguns passos devem ser seguidos, como:
I. Data Selection; II. Feature Selection; III. Model Selection; IV. Learning
Que podem ser interpretados como:
P - escolher as características dos dados empregados é um passo muito importante. Deve-se indicar os dados menos sensíveis a ruídos e que sejam mais fáceis de serem manipulados. Nesta ocasião é realizada a divisão entre os dados que serão utilizados para treinamento do modelo e os dados para realização dos testes.

Q- carece iniciar por modelos mais simples e acrescentar a complexidade se necessário. Este modelo é uma parte de uma realidade ocorrida, em que se deve obter total controle sobre aquilo que aconteceu. Desta forma será possível realizar as fases seguintes de treinamento e testes identificando se o algoritmo será capaz de prever com o maior nível de assertividade.

R- a assimilação dos dados que serão empregados para atingir o objetivo é essencial para o acontecimento do projeto. Este processo compreende a limpeza, seleção e adequação dos dados que serão empregados. Se você não tem os dados adequados, não há como buscar fazer previsões.

S- a etapa de treinamento é bem importante para que o processo seja concluído com êxito. Aproxime os parâmetros adequados que minimizem o erro do algoritmo. Entenda que o algoritmo precisa destes parâmetros e dos resultados para saber como se comportar nas fases posteriores.
Relacione cada passo à interpretação e marque a opção correta:


A I – S; II – P; III – Q; IV – R.
B I – R; II – S; III – Q; IV – P.
C I – R; II – P; III – Q; IV – S.
D I – P; II – Q; III – R; IV – S.