Vamos analisar cada afirmativa: I. Dividir os dados em conjuntos de desenvolvimento e teste, usando apenas o conjunto de teste após a finalização do modelo. Verdadeiro, essa é uma prática comum para evitar sobreajuste, onde o conjunto de teste é reservado para a avaliação final do modelo. II. Realizar validação cruzada estratificada para manter a proporção de classes em todos os subconjuntos utilizados. Verdadeiro, a validação cruzada estratificada é importante para garantir que a distribuição das classes seja mantida em todos os subconjuntos, especialmente em problemas de classificação. III. Aplicar normalização aos dados, equalizando as escalas dos atributos antes do treinamento do modelo. Verdadeiro, a normalização é uma prática comum para garantir que os atributos estejam na mesma escala, o que pode melhorar o desempenho do modelo. IV. Utilizar o conjunto de validação para ajustar hiperparâmetros e o conjunto de teste para calcular o erro final. Verdadeiro, essa é uma prática correta, onde o conjunto de validação é usado para ajuste e o conjunto de teste é reservado para a avaliação final. V. Codificar atributos categóricos com ordens semânticas sempre usando one-hot encoding, independentemente da hierarquia entre categorias. Falso, o one-hot encoding é adequado para atributos categóricos sem ordem, mas não é a única abordagem para atributos com ordens semânticas, onde outras técnicas, como a codificação ordinal, podem ser mais apropriadas. Com base nas análises, os itens verdadeiros são I, II, III e IV. Portanto, a alternativa correta que contém todos os itens verdadeiros é: e) I, II, III e IV, apenas.