Grátis: Leia o texto a seguir: "A análise de grupos pode ser aplicada em diversas áreas do conhecimento, por exemplo, na medicina, para a identificação de... – Questões Respondidas

Outros

Outros

Leia o texto a seguir:

"A análise de grupos pode ser aplicada em diversas áreas do conhecimento, por exemplo, na medicina, para a identificação de categorias de diagnósticos, pacientes e remédios; na biologia, para propor uma taxonomia de animais e plantas; na agricultura, para categorizar plantas, solos e frutos em diferentes tipos; [...] e muitas outras."

Fonte: CASTRO, L. N.; FERRARI, D. G. Introdução à mineração de dados: conceitos básicos, algoritmos e aplicações. São Paulo: Saraiva, 2016. p. 89.

Avalie as seguintes asserções e a relação proposta entre elas.
I. Na classificação, os objetos considerados são identificados, previamente, com seus respectivos rótulos que definem sua pertinência à classe.
II. No agrupamento, o problema consiste em segmentar uma base de dados não rotulada em grupos que tenham algum significado ou utilidade prática.

A respeito dessas asserções, assinale a opção correta:
As asserções I e II são ambas proposições falsas.
As asserções I e II são proposições verdadeiras, mas a II não é uma justificativa da I.
A asserção I é uma proposição falsa, e a II é uma proposição verdadeira.
A asserção I é uma proposição verdadeira, e a II é uma proposição falsa.
As asserções I e II são proposições verdadeiras, e a II é uma justificativa da I.

CuriosidadesGerais

há 6 meses

CuriosidadesGerais

há 6 meses

AO2-BIG[1]

Respostas

Ed

há 6 meses

Vamos analisar cada asserção: I. Na classificação, os objetos considerados são identificados, previamente, com seus respectivos rótulos que definem sua pertinência à classe. Verdadeiro. Na classificação, os dados são rotulados antes do processo, o que permite que os algoritmos aprendam a associar os rótulos às características dos dados. II. No agrupamento, o problema consiste em segmentar uma base de dados não rotulada em grupos que tenham algum significado ou utilidade prática. Verdadeiro. O agrupamento (ou clustering) realmente envolve a segmentação de dados não rotulados em grupos significativos, sem a necessidade de rótulos prévios. Agora, vamos avaliar as opções: 1. As asserções I e II são ambas proposições falsas. (FALSO) 2. As asserções I e II são proposições verdadeiras, mas a II não é uma justificativa da I. (VERDADEIRO) 3. A asserção I é uma proposição falsa, e a II é uma proposição verdadeira. (FALSO) 4. A asserção I é uma proposição verdadeira, e a II é uma proposição falsa. (FALSO) 5. As asserções I e II são proposições verdadeiras, e a II é uma justificativa da I. (FALSO) A opção correta é: As asserções I e II são proposições verdadeiras, mas a II não é uma justificativa da I.

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:

AO2-BIG[1]

Mais perguntas desse material

Leia o texto abaixo:

Árvore de decisão é uma das técnicas mais populares de mineração de dados. Mais comumente usada para resolver a tarefa de classificação de dados, a árvore de decisão consiste em uma coleção de nós internos e nós folhas, organizados em um modelo hierárquico (da mesma forma que se organizam as estruturas de dados do tipo árvore). No contexto da resolução da tarefa de classificação, uma árvore de decisão representa o modelo capaz de guiar a tomada de decisão sobre a determinação da classe à qual um exemplar pertence.

A figura abaixo traz um exemplo de um modelo classificador hipotético, na forma de uma árvore de decisão, para escolha de pratos em um restaurante.

A imagem mostra uma árvore de decisão para escolha de pratos em um restaurante. A árvore começa com um nó raiz rotulado como 'Temperatura', que se divide em dois ramos: 'baixa' e 'alta'. Cada ramo leva a um nó rotulado como 'Refeição', que se divide em 'almoço' e 'jantar'. Os nós folhas indicam o tipo de prato: 'Prato quente' ou 'Prato frio'.

Fonte: SILVA, L. A. Introdução à mineração de dados: com aplicações em R. Rio de Janeiro: Elsevier, 2016.

Considerando as informações apresentadas, assinale a opção correta.
A construção da árvore é realizada por meio de um algoritmo que não precisa analisar os atributos descritivo conjunto de dados previamente rotulado, consistindo apenas no processo de aprendizado do modelo classif
Os nós internos da árvore (tipo de prato) dizem respeito a atributos prescritivos de uma ocasião em que alguém está no restaurante para realizar uma refeição.
Segundo o modelo representado pela árvore, se a ocasião se refere à temperatura alta e à hora do jantar, deve-se optar por um prato frio.
A árvore de decisão está classificando as ocasiões em: apropriadas para consumo de pratos no jantar ou inapropriadas para consumo de pratos no jantar.
Cada nó folha (temperatura) representa uma decisão sugerida pelo modelo classificador para a ocasião, sugestão esta, presente no atributo rótulo do conjunto de dados usado para induzir o modelo.

Leia o texto a seguir: A governança de dados é a gestão do ciclo de vida dos dados dentro de uma empresa ou instituição. Na era em que dados são o novo tesouro e é até regulamentado por leis, este departamento está cada vez mais em alta e presente nas principais empresas do planeta.
Qual alternativa indica a ordem correta dos níveis funcionais dentro da Governança de Dados?
Nível de Suporte – Nível Operacional – Nível Tático – Nível Estratégico – Nível Executivo.
Nível Estratégico – Nível de Suporte – Nível Operacional – Nível Tático – Nível Executivo.
Nível de Suporte – Nível Operacional – Nível Executivo – Nível Tático – Nível Estratégico.
Nível Operacional – Nível de Suporte – Nível Tático – Nível Estratégico – Nível Executivo.
Nível Tático – Nível de Suporte – Nível Operacional –Nível Estratégico – Nível Executivo.

Leia o texto a seguir:

Tradeoffs são trocas em que se abre mão de uma característica de bancos de dados para se fortificar ou possibilitar a existência de outras. Os teoremas CAP e sua evolução, o PACELC representam características de bancos de dados distribuídos que devem ser escolhidas de acordo com as necessidades de cada projeto.

Seu atual projeto precisa de três bancos de dados. Um que seja rápido e sempre disponível para processamento de dados não críticos, outro seguro para processamento de dados críticos que podem ser perdidos ou corrompidos de forma alguma e um terceiro que funcione em sistema distribuído sem interrupções em caso de quebra de comunicação.

Considerando o texto acima, assinale a opção correta:
O primeiro sistema pode ser um AP, pois é disponível (available) e tolerante a partições (partition tolerant). O segundo sistema pode ser CP, pois é consistente e tolerante a partições. Finalmente, o terceiro sistema pode ser AP, pois é disponível (available) e tolerante a partições (partition tolerant).
Todos os sistemas devem ser CP, pois serão consistentes e tolerantes a partições.
O primeiro sistema pode ser um RP, pois é rápido e disponível (available) e tolerante a partições (partition tolerant). O segundo sistema pode ser AP, pois é consistente e tolerante a partições. Finalmente, o terceiro sistema pode ser DP, pois é disponível e tolerante a partições (partition tolerant).
O primeiro sistema pode ser um CP, pois é disponível (available) e tolerante a partições (partition tolerant). O segundo sistema pode ser AP, pois é consistente e tolerante a partições. Finalmente, o terceiro sistema pode ser CP, pois é disponível (available) e tolerante a partições (partition tolerant).
Todos os sistemas devem ser CA, pois assim serão consistentes e sempre disponíveis.

Leia o texto a seguir:

"As funcionalidades da mineração de dados são usadas para especificar os tipos de informações a serem obtidas nas tarefas de mineração. [...] Em muitos casos, o usuário não tem ideia do tipo de conhecimento contido nos dados ou como usá-lo para gerar modelos preditivos, [...]"

Fonte: CASTRO, L. N.; FERRARI, D. G. Introdução à mineração de dados: conceitos básicos, algoritmos e aplicações. São Paulo: Saraiva, 2016. p. 7.

Considere as seguintes descrições a respeito das tarefas de Mineração de Dados:
I. A análise descritiva tem por objetivo medir, explorar e descrever características intrínsecas aos dados.
II. A predição tem por objetivo produzir modelos para avaliar a classe ou valor de um objeto rotulado.
III. A análise de grupos tem por objetivo separar um conjunto de objetos em grupos, a partir da aprendizagem supervisionada.
IV. A associação tem por objetivo encontrar relações entre os atributos em uma base de dados transacional.

É correto o que se afirma apenas em:
II, apenas.
II e IV, apenas.
III, apenas.
IV, apenas.
II e III, apenas.

Leia o texto a seguir:

"O algoritmo k-médias toma como entrada o parâmetro k, correspondente ao número de grupos desejados, e particiona o conjunto de n objetos em k grupos, de forma que a similaridade intragrupo seja alta e a similaridade intergrupo seja baixa. A similaridade intragrupo é avaliada considerando o valor médio dos objetos em um grupo, que pode ser visto como o seu centro de gravidade ou centroide."

Fonte: CASTRO, L. N.; FERRARI, D. G. Introdução à mineração de dados: conceitos básicos, algoritmos e aplicações. São Paulo: Saraiva, 2016. p. 116.

Considere as seguintes descrições a respeito da tarefa de agrupamento, mais especificamente ao algoritmo k-médias.
I. A detecção de agrupamentos é uma tarefa de aprendizado preditiva também conhecida como clustering. Nesse caso, as técnicas utilizadas são, comumente, relativas ao aprendizado supervisionado, ou seja, o conjunto de dados não possui rótulos e o aprendizado usa apenas atributos preditivos;
II. Os algoritmos para tarefas preditivas produzem modelos a partir de um processo de treinamento que utiliza todo o conjunto de dados disponível. O objetivo é organizar os dados rotulados em grupos de acordo com uma medida de similaridade ou correlação;
III. Um grupo é um conjunto de objetos similares (homogêneos) e os objetos que pertencem a grupos diferentes são não similares (heterogêneos). O principal objetivo do agrupamento é maximizar a homogeneidade interna nos grupos e a heterogeneidade entre os grupos.
IV. Dependendo do atributo selecionado, poderemos ter diferentes grupos. Nesse contexto, a detecção de agrupamentos poderá resultar em diferentes quantidades de grupos e em composições, também diferentes, para cada grupo obtido.

É correto apenas o que se afirma em:
II e IV, apenas.
III e IV, apenas.
II e III, apenas.
III, apenas.
IV, apenas.

Leia o texto a seguir:

Big Data é um conjunto de estratégias e ferramentas para processamento rápido de grandes volumes de dados para geração de inteligência para tomada de decisão. Grande parte do sucesso vem da essência de Big Data derivada de seus 5 Vs.

Considerando o texto, avalie as afirmações sobre os 5 Vs abaixo:
I. Volume é um dos Vs que representa a quantidade de dados que precisam ser processados.
II. Valor não é um dos Vs, pois dados sem processamento ainda não agregam valor à empresa.
III. Velocidade é um dos Vs e representa a importância de os dados representarem a realidade.
IV. Variedade é um dos Vs e representa a quantidade de formatos de dados que são processados.

É correto o que se afirma em:
III, apenas.
I, apenas.
IV, apenas.
I e II, apenas.

Leia o texto a seguir:

"Uma árvore de decisão é uma estrutura em forma de árvore na qual cada nó interno corresponde a um teste de um atributo, cada ramo representa um resultado do teste e os nós folhas representam classes ou distribuições de classes. O nó mais elevado da árvore é conhecido como nó raiz, e cada caminho da raiz até um nó folha corresponde a uma regra de classificação."

Fonte: CASTRO, L. N.; FERRARI, D. G. Introdução à mineração de dados: conceitos básicos, algoritmos e aplicações. São Paulo: Saraiva, 2016. p. 170.

Qual alternativa descreve, corretamente, uma característica da árvore de decisão.
Um algoritmo que induz uma árvore de decisão produzirá o mesmo resultado a partir do mesmo conjunto de dados.
A divisão das partições na árvore de decisão deve ser realizada até que haja nós folha unitários.
A escolha do atributo que dividirá o conjunto de dados é feita a partir de medidas de pureza.
Uma árvore de decisão particionará um conjunto em duas partições por nível, produzindo uma árvore binária.
O objetivo principal para cada divisão feita na árvore de decisão é a obtenção de partições heterogêneas.

Leia o texto abaixo: A mineração de dados é parte integrante de um processo mais amplo, conhecido como descoberta de conhecimento em bases de dados (knowledge discovery in databases, ou KDD) [...] A preparação ou pré-processamento de dados é uma das partes principais do KDD, e correspondem as etapas anteriores à mineração que visam preparar os dados para uma análise eficiente e eficaz. Fonte: DE CASTRO, L. N. Introdução à mineração de dados: conceitos básicos, algoritmos e aplicações. São Paulo: Saraiva, 2016.
A preparação ou pré-processamento de dados inclui
a análise descritiva, a associação e a detecção de anomalias nos dados.
a limpeza, a integração, a seleção ou redução e a transformação dos dados.
o agrupamento e a associação dos dados.
a análise descritiva, o agrupamento e a predição dos dados.
a transformação, a mineração e a avaliação dos dados.