Grátis: Qual técnica é utilizada para detecção de anomalies? a) Regressão Linear. b) Isolation Forest. c) K-Nearest Neighbors (KNN). d) PCA (Análise de Com... – Questões Respondidas

Inteligência Artificial

Outros

Qual técnica é utilizada para detecção de anomalies?
a) Regressão Linear.
b) Isolation Forest.
c) K-Nearest Neighbors (KNN).
d) PCA (Análise de Componentes Principais).
e) Todas as anteriores.

Desafios Para o Conhecimento

há 8 meses

Desafios Para o Conhecimento

há 8 meses

Prova de Ciência de Dados_ Processos e Análise

Prova de Ciência de Dados_ Processos e Análise

Respostas

Ed

há 8 meses

Para identificar a técnica mais adequada para detecção de anomalias, vamos analisar cada uma das opções: a) Regressão Linear - Essa técnica é utilizada para prever valores contínuos e não é especificamente voltada para detecção de anomalias. b) Isolation Forest - Esta é uma técnica específica para detecção de anomalias, que funciona isolando observações em árvores de decisão. É uma das melhores opções para esse propósito. c) K-Nearest Neighbors (KNN) - Embora possa ser usado para detecção de anomalias, não é a técnica mais comum ou eficaz para esse fim. d) PCA (Análise de Componentes Principais) - PCA pode ser usado para redução de dimensionalidade e, indiretamente, para detectar anomalias, mas não é uma técnica dedicada a isso. e) Todas as anteriores - Como analisado, nem todas as técnicas listadas são adequadas para detecção de anomalias. Dessa forma, a alternativa correta é: b) Isolation Forest.

Essa resposta te ajudou?

0

0

left-side-bubbles-background

right-side-bubbles-background

Crie sua conta grátis para liberar essa resposta. 🤩

Já tem uma conta?

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Ainda com dúvidas?

Envie uma pergunta e tenha sua dúvida de estudo respondida!

Essa pergunta também está no material:

Prova de Ciência de Dados_ Processos e Análise

Prova de Ciência de Dados_ Processos e Análise

Mais perguntas desse material

Esta prova explora aspectos técnicos e práticos da análise de dados e construção de modelos na Ciência de Dados. Responda as questões baseando-se em seus conhecimentos sobre as etapas e metodologias da área.
Qual é a etapa inicial do processo de Ciência de Dados?
a) Coleta de dados.
b) Preparação de dados.
c) Modelagem de algoritmos.
d) Validação de resultados.
e) Entendimento do problema de negócios.

Qual é o objetivo de um modelo de classificação?
a) Prever valores contínuos com base em variáveis independentes.
b) Agrupar dados em categorias não rotuladas.
c) Identificar padrões em dados não supervisionados.
d) Prever categorias ou classes com base em dados rotulados.
e) Reduzir a dimensionalidade dos dados.

O que é o método de eliminação recursiva de variáveis (Recursive Feature Elimination - RFE)?
a) Uma técnica para avaliar o desempenho de um modelo.
b) Um método para selecionar as variáveis mais importantes para um modelo.
c) Um processo de balanceamento de dados desbalanceados.
d) Uma técnica de redução de dimensionalidade para variáveis categóricas.
e) Um algoritmo de agrupamento para dados grandes.

O que é uma rede neural convolucional (Convolutional Neural Network - CNN) comumente usada?
a) Análise de texto em PLN.
b) Processamento de dados tabulares.
c) Visualização de dados em gráficos dinâmicos.
d) Processamento de imagens e visão computacional.
e) Análise estatística de séries temporais.

Qual é o principal benefício da regularização em aprendizado de máquina?
a) Aumentar a complexidade do modelo para ajustar os dados.
b) Melhorar a capacidade de generalização ao penalizar pesos extremos.
c) Reduzir o tempo de treinamento do modelo.
d) Balancear conjuntos de dados desbalanceados.
e) Maximizar o desempenho de modelos não supervisionados.

O que é precision em métricas de classificação?
a) A proporção de verdadeiros positivos em relação a todas as previsões positivas.
b) A proporção de verdadeiros positivos em relação ao total de casos reais positivos.
c) A proporção de casos corretamente previstos entre todos os casos.
d) A diferença entre as previsões do modelo e os valores reais.
e) A taxa de falsos negativos no modelo.

Qual é a diferença principal entre aprendizado supervisionado e não supervisionado?
a) A disponibilidade ou ausência de rótulos nos dados.
b) A complexidade dos algoritmos usados.
c) A aplicação restrita a dados estruturados no aprendizado supervisionado.
d) A necessidade de validação cruzada no aprendizado não supervisionado.
e) A utilização de técnicas de regressão em ambos.

O que é clustering em Ciência de Dados?
a) Uma técnica de aprendizado supervisionado para prever categorias.
b) Um método para dividir dados em grupos com características semelhantes.
c) Uma forma de validar a performance de modelos preditivos.
d) Um algoritmo exclusivo para redução de dimensionalidade.
e) Uma ferramenta usada apenas em séries temporais.

Qual métrica é mais usada para avaliar modelos de regressão?
a) Acurácia.
b) Recall.
c) RMSE (Raiz do Erro Quadrático Médio).
d) Matriz de confusão.
e) F1-Score.