Questões de Concurso sobre Aprendizado de Máquina

A fim de se evitar o underfitting, o primeiro passo é treinar os modelos para minimizar o erro de classificação, ou seja, evitar que o modelo não consiga capturar os padrões dos dados de treino.

O aprendizado supervisionado analisa dados sem respostas predefinidas, identificando padrões ou categorias de forma autônoma, sem orientações específicas.

O algoritmo Naive Bayes é inadequado para, por exemplo, a análise de dados de produção agrícola na previsão da qualidade de grãos de café, pois exige uma independência completa entre variáveis como pH do solo, umidade e temperatura, e não apresenta bons resultados quando essas variáveis são correlacionadas.

As Árvores de Decisão são algoritmos de aprendizagem supervisionada usados para classificação e regressão, modelando decisões com base em regras derivadas dos dados. Elas são amplamente utilizadas em diversas áreas, como saúde, finanças e análise de risco.

Como exemplo, considere a Árvore de Decisão (fictícia), a seguir, que classifica pacientes com base no risco de ter um infarto. As decisões são feitas com base em três critérios: idade, peso e se é fumante, ou não.

Em relação ao funcionamento das Árvores de Decisão, assinale a alternativa que descreve seu princípio de operação e comportamento na modelagem de dados.

Os LLMs se destacaram recentemente em decorrência do aprimoramento das técnicas de treinamento com feedback humano; da maior acessibilidade via interfaces de uso simples como ChatGPT e Gemini; do avanço da potência computacional com GPUs; e da melhoria dos dados de treinamento.

O modelo de aprendizado supervisionado ajusta uma função de mapeamento a partir de exemplos rotulados para generalizar dados ainda não vistos.

A figura abaixo mostra o comportamento de redes Perceptron de múltiplas camadas. Assim, assinale a opção INCORRETA.

Árvores de decisão são técnicas de modelagem preditiva que particionam iterativamente os dados em subconjuntos homogêneos baseados em variáveis explicativas.

A respeito da modelagem centrada em dados (Data-Centric Artificial Intelligence), analise as opções a seguir e marque a correta.

A inteligência artificial fraca é capaz de tomar decisões autônomas em contextos diversos, com raciocínio semelhante ao humano, mesmo sem programação específica para cada tarefa.

A respeito do conceito e dos tipos de aprendizado de máquinas, qual a alternativa CORRETA?

Em um projeto de implantação de sistemas de apoio à decisão judicial, a equipe de analistas de um tribunal se depara com a necessidade de avaliar o desempenho de diferentes modelos de aprendizado de máquina. Durante os testes, observa-se que um dos modelos apresenta excelente desempenho nos dados de treinamento, mas performance insatisfatória nos dados de validação. Para diagnosticar e corrigir problemas como esse e selecionar o modelo mais adequado, a equipe deve considerar conceitos como

Um cientista de dados de uma agência reguladora está desenvolvendo modelos de Machine Learning para dois problemas distintos: classificar empresas de alto e baixo risco de fraude focando na Classificação Binária e prever o valor futuro de um indicador econômico tendo por base os fundamentos da Regressão.

Sobre as técnicas de modelagem e avaliação mais adequadas para cada cenário, avalie as afirmativas a seguir.

I. No problema de Classificação Binária com uma base desbalanceada, a métrica do coeficiente de determinação R 2 deve ser priorizada sobre a acurácia.

II. No problema de Regressão, o erro quadrático médio (MSE - Mean Squared Error) é altamente sensível a outliers, e sua raiz quadrada RMSE possui a mesma unidade de medida da variável alvo.

III. O modelo de Regressão Logística é uma técnica de classificação que é adequada para estimar a probabilidade de um evento, mas é incorreto utilizá-lo para prever um valor contínuo como na Regressão.

Está correto o que se afirma em

O Aprendizado de Máquina (Machine Learning) é uma das áreas mais importantes e ativas da Inteligência Artificial. Ele permite que máquinas aprendam a realizar tarefas a partir dos dados, sem serem programadas explicitamente para cada situação. A ideia central é aprender com a experiência. Dessa forma, existem alguns tipos de Aprendizado de Máquina, tais como: aprendizado supervisionado, aprendizado não supervisionado e aprendizado por reforço.

Em relação aos tipos de Aprendizado de Máquina, avalie as seguintes afirmações:

I. No aprendizado não supervisionado, o algoritmo aprende com dados rotulados.

Il. No aprendizado supervisionado, o algoritmo agrupa dados com base em similaridade sem rótulos.

IIl. O aprendizado por reforço pode ser usado quando o sistema toma decisões baseadas em interações com o ambiente e feedback em forma de recompensa.

IV. A classificação é uma tarefa adequada para utilização do aprendizado de máquina supervisionado.

Assinale a alternativa que apresenta APENAS as afirmações corretas.

Com o avanço do deep learning, redes neurais profundas e grandes modelos de linguagem (LLMs) vêm sendo amplamente utilizados em aplicações como tradução automática, geração de texto, reconhecimento de imagens e assistentes virtuais.

A respeito de redes neurais profundas, deep learning e grandes modelos de linguagem (LLMs), assinale a afirmativa correta.

Uma instituição financeira deseja implementar um sistema de detecção automática de fraudes em transações bancárias, com base em registros históricos rotulados como fraude e transação legítima. O objetivo é classificar novas transações em tempo real.

A técnica de aprendizado de máquina supervisionado mais indicada para esse cenário é:

Em um problema de classificação binária com aprendizado de máquina, a técnica geralmente mais adequada para ajustar o modelo e evitar o overfitting é

O VAE (variational autoencoder) é um autoencoder cuja distribuição de codificações é regularizada somente após o treinamento, o que garante que seu espaço latente tenha boas propriedades e maior dimensão para capturar padrões subjacentes, permitindo a geração de novos dados.

Técnicas de machine learning podem ser aplicadas a ambientes de Big Data para detectar padrões e realizar análises preditivas em tempo real.

No contexto do deep learning, a função das camadas ocultas (hidden layers) em uma rede neural profunda é extrair e processar os dados de forma que a rede aprenda características progressivamente mais complexas nas camadas mais profundas.