Questões de Concurso sobre Aprendizado de Máquina

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

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

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.

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.

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.

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:

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

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:

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:

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

Modelos preditivos dispensam validação em um conjunto separado de dados porque a acurácia calculada durante o treinamento já representa a capacidade real do modelo de prever eventos futuros.

Na modelagem estatística utilizando aprendizado de máquina, a principal razão para separar os dados em conjuntos de treinamento, validação e teste é

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:

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)

O aprendizado profundo, ou deep learning, diferencia‑se de sistemas tradicionais de automação por extrair padrões diretamente de dados não estruturados, sem exigir que humanos cataloguem previamente as regras que o sistema deverá buscar.