Seu próximo nível começa aqui
Com a Assinatura Ilimitada, você tem tudo que precisa para sua aprovação.
Com a Assinatura Ilimitada, você combina prática, teoria e método em uma única assinatura com tudo que você precisa para sua aprovação.
- Gran Questões
- Questões
Questões de Concurso sobre Aprendizado de Máquina
Disciplina
Assunto
1
Banca
Instituição
Cargo
Ano
Carreira
Área de formação
Escolaridade
Dificuldade
Comentários:
Professores
Alunos
Meus Comentários
Vídeo
Minhas questões:
Resolvidas
Não resolvidas
Certas
Erradas
Tipo de questão:
Certo e errado
Múltipla escolha
Incluir questões:
Anuladas
Desatualizadas
Questões:
Todas as questões
Filtro simplificado
Questões
Todas as questões
549
questões
encontradas
20
Mais recentes
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
A
o aumento da taxa de aprendizado combinado à supressão de funções de ativação, o qual reduz a variância do modelo, promovendo melhor capacidade de generalização.
B
a introdução de mecanismos de regularização, dropout durante o treinamento e interrupção antecipada baseada no erro de validação, que atua diretamente na redução do sobreajuste.
C
a diminuição do conjunto de dados de treinamento, associada ao aumento do número de épocas, favorecendo a estabilização do erro de validação, ao limitar a capacidade de memorização do modelo.
D
a substituição de métodos iterativos de otimização por estratégias de busca exaustiva, garantindo a convergência global e eliminando discrepâncias entre erro de treinamento e validação.
E
a exclusão da camada de saída durante o treinamento, o que permite que as camadas internas aprendam representações mais gerais, reduzindo o erro de generalização.
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:
- o uso de dados históricos de estudantes, previamente rotulados quanto à ocorrência de evasão ou de permanência, para estimar o risco de evasão acadêmica;
- 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;
- 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
A
I, apenas.
B
II, apenas.
C
I e III, apenas.
D
II e III, apenas.
E
I, II e III.
Considerando aspectos conceituais e práticos de Redes Neurais Artificiais e Redes Neurais Profundas (Deep Learning), assinale a alternativa INCORRETA.
A
Redes Neurais Artificiais podem ser utilizadas como modelos de aprendizado supervisionado ou não supervisionado, dependendo da configuração da arquitetura e da natureza dos dados de treinamento.
B
As Redes Neurais Profundas caracterizam-se pelo uso de múltiplas camadas ocultas, permitindo a extração de representações progressivamente mais abstratas dos dados de entrada.
C
O processo de treinamento de Redes Neurais Profundas envolve a otimização de pesos por meio de algoritmos baseados em gradiente, sendo a retropropagação (backpropagation) um componente central desse processo.
D
Em comparação com modelos tradicionais de Machine Learning, as Redes Neurais Profundas tendem a apresentar maior capacidade de modelagem, ao custo de maior demanda por recursos computacionais e maior volume de dados para treinamento.
E
A capacidade de Redes Neurais Profundas aprenderem representações complexas decorre exclusivamente do aumento do número de camadas, sendo a escolha da função de ativação um fator irrelevante para a convergência e a expressividade do modelo.
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:
A
Viéses.
B
Funções de perda.
C
Taxas de aprendizado.
D
Camadas de pooling.
E
Gradientes descendentes.
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.
C
Certo
E
Errado
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.
C
Certo
E
Errado
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.
A
É correta apenas a afirmativa 1.
B
São corretas apenas as afirmativas 1 e 2.
C
São corretas apenas as afirmativas 1 e 3.
D
São corretas apenas as afirmativas 2 e 3.
E
São corretas as afirmativas 1, 2 e 3.
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.
C
Certo
E
Errado
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:
A
Classificação
B
Detecção de anomalias
C
Agrupamento
D
Associação
Ano:
2026
Banca:
Fundação Carlos Chagas - FCC
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
A
por reforço, com recompensas associadas a decisões de fiscalização em sequência temporal.
B
supervisionado, com uso de curva ROC para separar contribuintes sem histórico rotulado.
C
supervisionado, com treinamento a partir de classes de regularidade tributária.
D
não supervisionado, com identificação de estruturas e agrupamentos sem variável-alvo definida.
E
supervisionado, com definição manual de regras fiscais como variável-alvo do treinamento.
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:
A
Hebbiano.
B
Boltzmann.
C
Competitivo.
D
Correção de Erros.
E
Baseada em Memória.
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:
A
(1) Compactação ZIP / (2) Criptografia / (3) Kernel do SO
B
(1) Vetores de frequência / (2) Segmentação por palavras / (3) Árvores de decisão
C
(1) Lista de stopwords / (2) Regex / (3) Hashing SHA
D
(1) Vetor de bytes / (2) Base64 / (3) Execução paralela
E
(1) Vetores semânticos / (2) Quebra em unidades / (3) Atenção multi-head
As placas gráficas de processamento (GPU) assim como as unidades centrais de processamento (CPU) têm múltiplas funções e são responsáveis pelo sucesso do método de machine learning no contexto da IA.
C
Certo
E
Errado
Uma equipe de engenheiros está criando um sistema para detectar fissuras em estruturas de concreto usando imagens. Como há poucos exemplos rotulados, eles aproveitam um modelo treinado em um grande banco de imagens e ajustam seus parâmetros para identificar essas fissuras.
Essa abordagem, que consiste em reaproveitar conhecimentos prévios para resolver um problema com poucos dados, é conhecida como
A
Data Augmentation (Aumento de Dados).
B
Reinforcement Learning (Aprendizado por Reforço).
C
Transfer Learning (Aprendizado por Transferência).
D
Unsupervised Clustering (Agrupamento Não Supervisionado).
Um exemplo de algoritmo de aprendizado de máquina que tenta, por padrão, maximizar as verossimilhanças condicionais do treinamento é o
A
Decision Tree.
B
Random Forest.
C
K-Nearest Neighbors.
D
Gradient Boosting.
E
Logistic Regression.
Aplicações de ciência de dados empregam métodos estatísticos e de aprendizado de máquina para extração de padrões, construção de modelos preditivos e suporte analítico a decisões, em tarefas como classificação, detecção de anomalias e análise de grandes volumes de dados.
C
Certo
E
Errado
No modelo de Machine Learningo Overfitting ocorre quando:
A
Generaliza bem.
B
Ajusta demais aos dados de treinamento.
C
Os dados são balanceados.
D
O modelo é simples demais.
E
Regularização é aplicada.
O aprendizado de máquina (machine learning) é frequentemente categorizado em diferentes paradigmas, dependendo da natureza dos dados disponíveis e do problema a ser resolvido. Dois dos tipos mais comuns são o aprendizado supervisionado e o aprendizado não supervisionado.
A principal diferença conceitual entre essas duas abordagens reside no fato de que, no aprendizado supervisionado:
A
o algoritmo opera sobre dados que não possuem classificação prévia, buscando encontrar padrões ou estruturas ocultas por conta própria;
B
o conjunto de dados de treinamento contém pares de dados de entrada e seus respectivos rótulos (labels) ou respostas corretas desejadas;
C
o sistema aprende através da interação com um ambiente dinâmico, recebendo sinais de recompensa ou punição baseados em suas ações;
D
o objetivo principal é sempre reduzir a dimensionalidade dos dados para facilitar a visualização, ignorando as variáveis de saída;
E
não é necessário separar os dados em conjuntos de treino e teste, visto que a validação ocorre simultaneamente ao processamento.
Um grupo de indivíduos é suspeito de utilizar aprendizado de máquina para realizar fraudes bancárias. Para fazer a análise apropriada ele precisa identificar qual tipo de aprendizado está sendo usado em cada etapa.
1. Detecção de anomalias em transações sem rótulos
2. Classificação de transações como “fraude” ou “legítima”
3. Agente que ajusta estratégia de detecção com base em feedback de penalidade e recompensa
Associe corretamente o tipo de aprendizado ao cenário:
A
(1) Supervisionado/(2) Supervisionado / (3) Supervisionado
B
(1) Supervisionado / (2) Reforço / (3) Não supervisionado
C
(1) Reforço / (2) Supervisionado / (3) Não supervisionado
D
(1) Não supervisionado / (2) Supervisionado / (3) Reforço
E
(1) Não supervisionado / (2) Reforço / (3) Supervisionado
A secretaria de fazenda de certo estado visa implantar um sistema inteligente capaz de detectar automaticamente indícios de fraude em notas fiscais eletrônicas, com base em padrões históricos de transações regulares e irregulares. O sistema deverá aprender com exemplos rotulados e ajustar-se continuamente a novos tipos de fraude à medida que recebe novos dados.
Na situação hipotética apresentada, a técnica de inteligência artificial mais adequada para que o sistema em apreço atenda às demandas dessa secretaria de fazenda corresponde ao uso de
A
sistemas especialistas, que utilizam aprendizado indutivo supervisionado para detectar fraudes a partir da análise estatística de grandes volumes de dados.
B
máquinas de vetores de suporte não supervisionadas, que classificam novas transações com base em agrupamentos obtidos a partir de variáveis latentes.
C
redes neurais convolucionais não supervisionadas, projetadas para processar dados tabulares de transações financeiras e gerar regras de decisão simbólicas.
D
redes neurais artificiais supervisionadas, capazes de ajustar pesos sinápticos por meio de algoritmos de retropropagação, aprendendo padrões complexos a partir de dados rotulados.
E
algoritmos genéticos, baseados em regras simbólicas fixas e invariáveis, que garantem explicabilidade total no reconhecimento de transações suspeitas.
Gerar simulado