Questões de Concurso sobre Aprendizado de Máquina

A avaliação do desempenho de modelos de aprendizado de máquina é uma etapa crítica no desenvolvimento de soluções baseadas em Inteligência Artificial. Ela permite verificar a eficácia da predição, identificar pontos de melhoria e evitar a adoção de modelos com bom desempenho apenas aparente. O uso de métricas adequadas e ferramentas interpretativas auxilia na validação técnica e ética dos sistemas construídos. Diante do exposto, assinale a alternativa correta.

Modelos de aprendizado supervisionado dependem de um conjunto de dados rotulado durante o treinamento para que o algoritmo aprenda a mapear entradas em saídas.

Embora haja o risco de eliminar variáveis que contenham informações relevantes, a seleção de atributos contribui para a redução da complexidade dos modelos e pode, em alguns casos, melhorar a generalização ao reduzir o over fitting e eliminar totalmente os vieses.

O aprendizado de máquina é um sub-ramo da inteligência artificial que é utilizado principalmente devido à sua capacidade de identificar padrões e correlações e, assim, derivar informações úteis dos dados.

O overfitting, é um fenômeno em aprendizado supervisionado onde um modelo se ajusta excessivamente aos dados de treinamento, capturando não apenas os padrões gerais, mas também o "ruído" ou particularidades específicas desses dados. Como resultado, embora o modelo apresente excelente desempenho nos dados de treinamento, sua capacidade de generalização para novos dados é comprometida, levando a previsões imprecisas em cenários não vistos anteriormente. O que caracteriza o overfitting em um modelo de aprendizado supervisionado?

Quanto às relações entre os termos empregados nos sistemas Analytics, especialmente associados às tecnologias de Aprendizado de Máquina (ou ML, Machine Learning) e Inteligência Artificial (ou AI, Artificial Intelligence).

I.Um dos subconjuntos do Machine Learning corresponde à Aprendizagem Profunda (ou Deep Learning)

II.Um subcampo da Artificial Intelligence corresponde ao Machine Learning.

III.As áreas de Machine Learning e de Artificial Intelligence são distintas e não possuem qualquer relacionamento ou conexão.

Estão corretas as afirmativas:

Em redes neurais artificiais, as funções ativação do tipo sigmoide são não lineares, suaves e continuamente diferenciáveis.

A construção de algoritmos educacionais voltados à personalização da aprendizagem impõe reflexões sobre lógica computacional, estruturas condicionais e implicações ético-pedagógicas. Com base nos princípios da ciência da computação e nas discussões contemporâneas sobre algoritmos educacionais, qual alternativa expressa uma compreensão crítica e tecnicamente fundamentada sobre tais estruturas?

No contexto do processo de avaliação de modelos de aprendizado supervisionado, amplamente utilizado em sistemas de inteligência artificial para classificação e regressão, é correto afirmar que:

Em redes neurais artificiais, as funções de ativação não lineares são essenciais para que o modelo possa aprender representações complexas, uma vez que múltiplas camadas de transformações lineares equivaleriam a uma única transformação linear.

A aplicação de PCA (análise de componentes principais) em contexto não supervisionado independe de rótulos para extrair componentes de maior variância.

O analista de suporte Theo está projetando e otimizando a infraestrutura de desenvolvimento de soluções de inteligência artificial do MPU. Theo observou que a maior demanda de recurso computacional ocorre na fase de treinamento de redes neurais, quando a demanda é diretamente proporcional à quantidade de iterações do modelo sobre o conjunto de dados de treinamento. Considerando o observado, Theo deve analisar a quantidade de vezes que o modelo percorre todo o conjunto de dados de treinamento.

Essa quantidade é representada por uma:

O aprendizado não supervisionado é uma técnica de machine learning que permite identificar padrões e relacionamentos em dados sem que haja supervisão humana.

Avalie as afirmativas quanto ao Aprendizado Não Supervisionado:

I.Para redução de dimensionalidade pode ser utilizada a técnica de Análise de componentes principais (PCA, Principal Component Analysis)

II.O algoritmo de agrupamento K-Means divide um conjunto de dados em k grupos distintos

III.Agrupamento Hierárquico produz uma visualização em forma de árvore hierárquica de clusters (ou grupos), chamada dendrograma

IV.Uma regra de associação é um método baseado em regras para encontrar relacionamentos entre variáveis em um determinado conjunto de dados.

Estão corretas as afirmativas:

Atualmente existem várias técnicas de aprendizado de máquina. A técnica que usa uma função que recebe como entrada um vetor de valores de atributos e retorna um único resultado como valor de saída, sendo que os valores de entrada e saída podem ser discretos ou contínuo e para cada elemento do vetor será classificado como verdadeira (um exemplo positivo) ou falso (um exemplo negativo).

Essa técnica é conhecida como

Algoritmos de Aprendizado de Máquina (Machine Learning) podem ser classificados quanto ao tipo de aprendizado. Em relação ao tema, avalie as afirmações a seguir e assinale (V) para a verdadeira e (F) para a falsa.

( ) Tarefas de classificação e regressão são exemplos típicos de aprendizado supervisionado.

( ) No aprendizado não supervisionado, os dados de treinamento não estão rotulados.

( ) SVM, árvores de decisão e regressão logística são exemplos de algoritmos de aprendizado supervisionado.

As afirmativas são, respectivamente,

Muitos cenários de análise de dados envolvem conjuntos sem rótulos disponíveis, como é comum em agrupamentos de clientes, detecção de padrões anômalos ou redução de dimensionalidade. Nesses casos, técnicas de aprendizado não supervisionado são essenciais para extrair conhecimento oculto nos dados.

Com relação ao aprendizado não supervisionado em Machine Learning, assinale a afirmativa correta.

O analista Raimundo sabe que a indução de árvores de decisão é uma das formas mais simples, e ainda assim mais bem sucedidas, de aprendizagem de máquina. No entanto, ao aplicá-la em alguns problemas da empresa em que atua, o algoritmo de aprendizagem-em-árvore-de-decisão gera uma grande árvore quando realmente não há padrão a ser encontrado nos dados.

O nome do problema encontrado por Raimundo é

O Auditor Ricardo treinou e avaliou um modelo de classificação binária, obtendo para a avaliação uma matriz de confusão, tal que a matriz apresentava 90 verdadeiros positivos, 93 verdadeiros negativos, 60 falsos positivos e 10 falsos negativos. Com base nesses valores, o modelo apresenta

Em aprendizado de máquina, classificadores binários e multiclasses são usados para categorizar dados em duas ou mais classes. Considere os cenários a seguir:

1. Um sistema de detecção de fraudes bancárias, onde cada transação deve ser classificada como fraudulenta ou não fraudulenta.

2. Um modelo de classificação de espécies de flores, onde cada flor pode ser categorizada como setosa, versicolor ou virginica.

Em relação aos cenários apresentados, assinale a alternativa que descreve os modelos mais adequados para cada tipo de problema.

Embora a biblioteca Hugging Face ofereça suporte a múltiplos frameworks, alguns modelos específicos — especialmente os mais antigos, originalmente treinados em TensorFlow — podem apresentar dificuldades de integração em pipelines de inferência desenvolvidos em PyTorch, como os utilizados em aplicações jurídicas; nesses casos, pode ser recomendável adaptar ou reconstruir o modelo em PyTorch para assegurar compatibilidade e controle total sobre o fluxo de dados.