Vamos analisar cada afirmação: I. A utilização de técnicas de amostragem para a seleção de parte dos dados é uma etapa importante na avaliação de modelos preditivos. Verdadeiro, a amostragem é fundamental para garantir que o modelo seja avaliado de forma justa e que não haja viés nos resultados. II. Utilizar o mesmo conjunto de dados para as fases de treinamento e avaliação do preditor pode ajudar a nossa análise do desempenho do algoritmo, vez podemos produzir estimativas otimistas acerca dos resultados. Falso, essa prática é inadequada, pois pode levar a um overfitting, onde o modelo se ajusta muito bem aos dados de treinamento, mas não generaliza para novos dados. III. Existem duas técnicas de amostragem bastante comuns em Machine Learning, holdout e validação cruzada. Verdadeiro, tanto a técnica holdout quanto a validação cruzada são amplamente utilizadas em Machine Learning para avaliar o desempenho dos modelos. Com base nas análises, as afirmações corretas são I e III. Portanto, a alternativa que contém todas as afirmações corretas é: a) I e III.