Questões de Concurso sobre Algoritmos e técnicas

O Pensamento Computacional é uma habilidade fundamental para a resolução de problemas na era digital, não se restringindo apenas à programação de computadores. Assinale a alternativa que apresenta os quatro pilares fundamentais que estruturam o Pensamento Computacional.

Em uma Secretaria Estadual de Atendimento ao Cidadão, foi implantado um sistema que analisa automaticamente milhares de mensagens enviadas por e-mail e redes sociais. O sistema identifica o assunto tratado, extrai sentimentos expressos pelos usuários e encaminha as demandas para os setores competentes de forma automatizada, reduzindo o tempo de resposta e melhorando a gestão das manifestações recebidas.

Esse cenário representa uma aplicação de

Uma SEFAZ faz a análise de milhões de notas fiscais eletrônicas com relações não lineares, presença de ruído e necessidade de reduzir autuações indevidas decorrentes de variância do modelo. Nesse cenário, o algoritmo adequado para ser utilizado é

Em algoritmos de otimização local, existe uma técnica que inicia com uma solução candidata e, a cada iteração, avalia modificações possíveis, sempre escolhendo aquela que proporciona o maior aumento imediato na função objetivo. O algoritmo não aceita soluções que reduzam o valor da função, o que pode levar a ficar preso em máximos locais, sem garantir o valor global ótimo.

Com base nessas características, é correto afirmar que o algoritmo descrito é

Em validação cruzada k-fold, o modelo é treinado k vezes, cada vez usando uma partição diferente como conjunto de teste, o que produz uma estimativa mais robusta do erro de generalização do que uma única divisão treino-teste.

O algoritmo k-Nearest Neighbors (KNN) baseia-se fundamentalmente em calcular a distância entre o novo ponto e todos os pontos de dados do conjunto de treinamento. As medidas de distância do KNN definem quão “próximos” ou “semelhantes” dois pontos são no espaço de recursos. Analise a fórmula da distância de Minkowski

Com relação a derivação da fórmula da distância de Minkowski, analise as afirmativas a seguir.

I. Se P = 2, a fórmula calculará a distância Euclidiana.

II. Se P = 1, a fórmula calculará a distância de Manhattan.

III. Se P = 0, a fórmula calculará a distância Hamming.

Está correto o que se afirma em

No projeto de um sistema de reconhecimento facial para controle de acesso, a Engenharia de Computação utiliza Redes Neurais Convolucionais (CNNs).

O papel principal da camada convolucional em uma CNN na análise de imagens é

Na teoria da complexidade computacional, problemas podem ser classificados quanto à existência de algoritmos eficientes para sua resolução. É correto afirmar que problemas intratáveis são aqueles

No algoritmo random forest, cada árvore de decisão é treinada com um subconjunto diferente de variáveis, mas todas utilizam exatamente o mesmo conjunto de observações, para garantir que a variância do modelo seja reduzida sem comprometer o viés.

Uma IA generativa cujo aprendizado é realizado a partir da distribuição de probabilidade conjunta p(x,y), em que x é o dado de entrada e y é o rótulo que se queira classificar, pode gerar mais amostras por si só artificialmente, com base em suposições a respeito da distribuição de dados.

A respeito do aprendizado supervisionado, assinale a opção correta.

Sobre o algoritmo Florestas Aleatórias (Random Forests), considere as afirmativas a seguir.

I → Uma Floresta Aleatória é um método de conjunto projetado especificamente para a classificação com árvores de decisão.

II → Um exemplo de Floresta Aleatória é o algoritmo Ada Boost.

III → Bagging usando Árvores de Decisão é um caso especial de Florestas Aleatórias, em que a aleatoriedade é inserida no processo de construção do modelo, escolhendo aleatoriamente N exemplos, com substituição, a partir do conjunto de treinamento original.

Está(ão) correta(s)

Em aprendizado supervisionado, o algoritmo random forest utiliza múltiplas árvores de decisão para melhorar a precisão das previsões e reduzir o risco de overfitting.

O trabalho que José executa todos os dias é acessar o site do Detran, baixar extratos e incluí-los no sistema de procuradorias para subsidiar análises sobre dívida ativa. Para otimizar esse trabalho, o Departamento de Tecnologia da Informação implementou uma solução que automatiza as tarefas repetitivas do processo que José executa. Para iniciar o processo, José deve dar um clique em um botão para que as tarefas programadas na solução sejam executadas.

A solução implementada no órgão em que José trabalha é do tipo:

Na análise de séries temporais com dados de alta frequência e com padrões complexos de sazonalidade, o método de Monte Carlo via cadeia de Markov é a técnica com a maior eficiência computacional.

Existem muitas formas de representar algoritmos e estruturas de dados. Nesse sentido, como é chamada a imagem abaixo, utilizada para representar um algoritmo?

Fonte: elaborado especialmente para esta prova.

O treinamento em redes neurais artificiais é, essencialmente, um problema de otimização, em que se busca minimizar o erro entre as predições do modelo neural e os valores alvo preexistentes no conjunto de dados de treinamento.

Com respeito aos métodos relacionados à otimização de parâmetros em redes neurais artificiais, analise as afirmativas a seguir.

I. No algoritmo backpropagation, a aplicação da regra da cadeia é fundamental para o cálculo dos gradientes dos erros com respeito aos pesos (parâmetros) da rede neural artificial.

II. O método do gradiente (também chamado de método do máximo declive ou Gradient Descent – GD) escolhe aleatoriamente um pequeno número de instâncias de dados de treinamento a cada passo, aumentando a velocidade inicial de minimização das métricas de erro.

III. As técnicas de regularização L1 (Lasso) e L2 (Ridge) podem ser utilizadas para mitigar problemas relacionados a inicialização indevida de pesos (parâmetros) em redes neurais.

Está correto o que se afirma em

O gráfico a seguir apresenta o comportamento de uma rede neural artificial:

Considerando que o modelo foi validado como insatisfatório, as duas técnicas que podem contornar o problema apresentado são:

Umas das principais diferenças entre o backpropagation e o SGD (stochastic gradient descent) é a forma como os pesos são atualizados, visto que o SGD utiliza o gradiente calculado para todos os dados de treinamento, ao passo que o backpropagation usa o gradiente calculado apenas para um mini-batch de dados de treinamento.

As técnicas de aprendizado supervisionado estão baseadas na determinação de modelos capazes de otimizar o mapeamento entre entradas e saídas de um conjunto de dados. Por vezes, o processo de treinamento pode gerar modelos muito complexos que “aprendem” o ruído existente nos conjuntos de dados, caracterizando o fenômeno de sobreajuste ou overfitting.

Um método que pode ajudar a mitigar a ocorrência do overfitting consiste em

I. dividir o conjunto de dados em k partes;

II. utilizar uma das partes para teste e as outras k-1 para treinamento;

III. repetir o processo para cada uma das k partes do conjunto de dados; e

IV. avaliar a média das métricas de performance para o modelo.

O método acima é chamado de