No arsenal de um cientista de dados, o Adaline pode ser visto como um modelo linear de base, cuja complexidade é mínima. Sua equivalência funcional com a regressão linear o torna uma ferramenta útil para estabelecer um baseline de desempenho ou para problemas em que a interpretabilidade de um modelo simples é mais valiosa do que o poder preditivo de uma arquitetura complexa. A decisão de empregar um Adaline em um projeto moderno, portanto, passa por uma análise crítica do problema: a relação subjacente nos dados é suficientemente simples para ser capturada por uma fronteira linear? A necessidade é de uma previsão categórica ou de uma estimativa de probabilidade? A resposta a essas perguntas dita a adequação do Adaline frente a alternativas como MLPs ou Regressão Logística.Fonte: adaptado de: GÉRON, A. Hands-On Machine Learning with Scikit-Learn, Keras e TensorFlow. 3. ed. Sebastopol: O'Reilly Media, 2022.Considerando a função do Adaline no contexto de projetos de data science, sobre as decisões de modelagem, analise as afirmativas a seguir:I. Para um projeto de previsão do preço de um imóvel utilizando uma única variável com forte correlação linear (como a metragem quadrada), a decisão de usar o Adaline (sem sua função degrau) é acertada, pois oferece um modelo interpretável e computacionalmente barato. II. Na tarefa de classificar clientes de um e-commerce em múltiplos perfis de compra (e.g., 'caçador de promoções', 'comprador de luxo') com base em seu histórico de navegação, a decisão de usar Adaline é estratégica devido à sua simplicidade e rápida implementação. III. Ao iniciar um novo projeto de classificação binária, uma abordagem metodológica sólida é treinar um Adaline como um modelo de baseline. Se modelos mais complexos (como Gradient Boosting ou Redes Neurais) não superarem significativamente seu desempenho, isso pode indicar que a relação nos dados é predominantemente linear. IV. Em uma análise de risco de crédito, a decisão de usar o Adaline se justifica porque seu resultado linear contínuo, antes da