Questões de Concurso sobre Aprendizado de Máquina

Um sistema analisa dados históricos de clientes para prever se um novo cliente será bom ou mau pagador, com base em atributos como renda, idade e profissão.

Com base nessa informação, é possível concluir que essa tarefa caracteriza um problema de:

Matheus foi empossado recentemente pela ALEGO como analista e está se aprofundando nos estudos das redes neurais (RN). Ele sabe que as RN podem ter diversas formas de aprendizagem não supervisionada.

O tipo de aprendizado onde os neurônios de saída da rede disputam entre si para se tornarem ativos e somente um neurônio de saída é ativado em determinado instante se denomina:

Analise as afirmativas abaixo sobre Deep Learning.

1. É um tipo ou subconjunto de machine learning ou aprendizagem de máquina.

2. Trabalha sempre com aprendizado não supervisionado, no qual o aprendizado emerge naturalmente através dos nós da rede.

3. Emprega redes neurais artificiais multicamadas, atribuindo pesos e vieses distintos em camadas e nós, ou neurônios artificais, distintos.

Assinale a alternativa que indica todas as afirmativas corretas.

Durante a investigação de possíveis discursos de ódio em grande volume, foi utilizada IA generativa baseada em LLMs. O perito precisa entender como o modelo constrói sua representação interna dos textos.

1. Embeddings

2. Tokenização

3. Modelo Transformer

Associe as técnicas ao seu propósito:

O uso de OCR dispensa a necessidade de revisão humana em documentos digitalizados, pois a taxa de reconhecimento é suficiente para garantir precisão total em qualquer tipo de documento.

Uma rede neural profunda pode apresentar baixo erro no conjunto de treinamento e desempenho insatisfatório em dados não vistos, mesmo após múltiplas épocas de treinamento. Nesse contexto, considerando restrições que preservam a arquitetura fundamental do modelo, a estratégia que atua de forma mais adequada sobre o fenômeno descrito é

Um Instituto Federal de Educação está desenvolvendo diferentes soluções baseadas em aprendizado de máquina para apoiar a gestão acadêmica e pedagógica. Entre as iniciativas consideradas, estão:

1. o uso de dados históricos de estudantes, previamente rotulados quanto à ocorrência de evasão ou de permanência, para estimar o risco de evasão acadêmica;
2. a análise de dados acadêmicos e de frequência com o objetivo de identificar padrões e perfis semelhantes entre estudantes, sem a definição prévia de categorias;
3. o desenvolvimento de um agente inteligente capaz de recomendar intervenções pedagógicas ao longo do tempo, ajustando suas decisões a partir de recompensas associadas ao desempenho dos estudantes.

Com base nesse cenário, dadas as afirmativas,

I. A estimativa do risco de evasão acadêmica, a partir de dados históricos previamente rotulados, caracteriza um problema de aprendizado supervisionado.

II. A identificação de padrões e perfis semelhantes entre estudantes pode ser tratada como um problema de aprendizado supervisionado, desde que os dados estejam organizados e armazenados em sistemas acadêmicos.

III. O agente que recomenda intervenções pedagógicas e ajusta suas decisões, a partir de recompensas ao longo do tempo, utiliza aprendizado por reforço.

verifica-se que está/ão correta/s

Uma Secretaria da Fazenda analisa declarações fiscais sem rótulos prévios para identificar padrões de comportamento econômico atípico entre contribuintes, visando a subsidiar auditorias. A abordagem de aprendizado de máquina corretamente aplicada ao cenário descrito é aprendizado

Considerando aspectos conceituais e práticos de Redes Neurais Artificiais e Redes Neurais Profundas (Deep Learning), assinale a alternativa INCORRETA.

Um exemplo de algoritmo de aprendizado de máquina que tenta, por padrão, maximizar as verossimilhanças condicionais do treinamento é o

Em um modelo de rede neural artificial, além dos pesos das conexões entre neurônios, cada unidade de processamento recebe um valor fixo adicionado à soma ponderada de suas entradas, cuja função é ajustar o limiar de ativação do neurônio, permitindo maior flexibilidade na modelagem de padrões complexos. A alternativa que corretamente identifica esse componente é:

Em algoritmos de aprendizado de máquina, a validação cruzada (cross-validation) é utilizada para aumentar o conjunto de treinamento ao duplicar os dados disponíveis, elevando assim a capacidade de generalização do modelo.

A técnica de lematização (lemmatization) reduz palavras à sua raiz por meio de regras heurísticas, frequentemente resultando em formas que não constituem palavras válidas no dicionário do idioma original.

O desempenho de modelos de aprendizado de máquina está intrinsecamente relacionado ao equilíbrio entre viés e variância. Modelos com alto viés tendem a simplificar excessivamente o problema, resultando em subajuste (underfitting), enquanto modelos com alta variância podem capturar ruído nos dados de treinamento, levando ao sobreajuste (overfitting). Para mitigar esses problemas, diversas técnicas de regularização podem ser empregadas, ajustando a complexidade do modelo e melhorando sua capacidade de generalização.

Considerando os conceitos de compensação viés-variância, sobreajuste, subajuste e técnicas de regularização, é correto afirmar que:

Uma empresa de e-commerce implantou um modelo de machine learning para prever a probabilidade de churn, métrica que indica a rotatividade ou evasão de clientes. Após seis meses em produção, a equipe de dados observou que, embora as distribuições estatísticas das features de entrada permanecessem estáveis (mesmas médias, mesmos desvios-padrão e mesmas distribuições), o relacionamento entre essas features e a variável-alvo (churn) havia mudado significativamente devido a alterações no comportamento dos consumidores causadas por novas políticas de fidelização da empresa.

Diante desse cenário, é correto afirmar que o modelo:

Em um laboratório de ciência de dados voltado ao setor público, três equipes desenvolvem soluções distintas baseadas em aprendizado de máquina, elencadas com os itens I, II e III.

I. Uma equipe cria um modelo que identifica se solicitações de serviços enviadas por cidadãos pertencem às categorias saúde, educação ou segurança pública, com base no texto da mensagem.

II. Outra equipe desenvolve um modelo que prevê o valor estimado de arrecadação tributária para o próximo mês, considerando dados históricos e indicadores econômicos.

III. A terceira equipe elabora um modelo que segmenta municípios com perfis socioeconômicos semelhantes.

Com base nos conceitos fundamentais de aprendizado de máquina, os tipos de algoritmos utilizados nas soluções correspondem a

Após treinar um modelo de Deep Learning para classificar documentos sigilosos versus documentos públicos, o Engenheiro da Computação precisa avaliar o desempenho do modelo. O custo de classificar erroneamente um documento sigiloso como público (Falso Negativo) é muito maior do que o custo de classificar um documento público como sigiloso (Falso Positivo).

A métrica de classificação mais crítica a ser maximizada nesse cenário de alto custo de Falsos Negativos é a(o)

As máquinas de vetores de suporte (SVM) são um conjunto de métodos de aprendizado usados para tratar problemas de classificação, regressão e detecção de outliers. Considerando as vantagens e desvantagens do uso do SVM no python 3.0 através da biblioteca scikit learn (versão 1.7.2), avalie se as afirmativas a seguir são verdadeiras (V) ou falsas (F).

( ) Como vantagem, as SVM são eficazes em espaços de alta dimensionalidade e eficaz nos casos em que o número de dimensões é maior que o número de amostras.

( ) Como desvantagem, as SVM utilizam um subconjunto de pontos de treinamento na função de decisão, sendo, portanto, sendo pouco eficiente em termos de uso de memória.

( ) Como desvantagem, se o número de características for muito maior que o número de amostras, evitar o sobreajuste na escolha das funções Kernel e do termo de regularização é crucial.

( ) Como vantagem, as SVMs fornecem estimativas de probabilidade diretamente; estas são calculadas usando uma validação cruzada de muitas partes que é um processo dispendioso.

As afirmativas são, respectivamente,

O aprendizado de máquina (Machine Learning) é um subconjunto da inteligência artificial que permite que os algoritmos aprendam e melhorem a partir de um conjunto de dados.

Nesse contexto, o tipo de aprendizagem de máquina na qual o sistema toma decisões sequenciais, recebendo recompensas ou penalidades em troca, é denominado:

No que se refere à ciência de dados aplicada à gestão pública e à saúde.

O fenômeno garbage in, garbage out (GIGO) é mitigado automaticamente pelo uso de algoritmos de deep learning, que conseguem extrair insights precisos mesmo de bases de dados públicos altamente inconsistentes e mal preenchidas.