As máquinas de vetores de suporte (SVM) são um método de aprendizado de máquina que pode lidar tanto com dados lineares quanto não lineares. Elas funcionam encontrando um hiperplano que separa as classes de dados, e essa separação pode ser feita de forma linear ou utilizando técnicas de kernel para dados não lineares. Analisando as alternativas: a) Somente dados lineares - Incorreto, pois SVM pode trabalhar com dados não lineares também. b) Apenas dados não lineares - Incorreto, pois SVM também pode trabalhar com dados lineares. c) Ortogonalidade para separação de classes - Correto, pois SVM busca um hiperplano ortogonal que maximiza a margem entre as classes. d) Dados com alta correlação - Incorreto, pois a SVM não é restrita a dados com alta correlação. Portanto, a alternativa correta é: c) Ortogonalidade para separação de classes.