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 Técnicas de pré-processamento
Disciplina
1
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
25
questões
encontradas
20
Mais recentes
Em um projeto de mineração de dados para um banco de varejo que deseja prever a probabilidade de inadimplência de empréstimos, são coletados dados de clientes, incluindo histórico de crédito, renda, emprego e comportamento de pagamento. Ao preparar esses dados para análise, qual dos seguintes tipos de atributos é essencial para a modelagem preditiva da inadimplência?
A
Atributos nominais, como o tipo de emprego, que categorizam os clientes em grupos sem uma ordem intrínseca.
B
Atributos ordinais, como faixas de renda, que classificam os clientes em categorias com uma ordem ou classificação específica.
C
Atributos binários, como histórico de inadimplência (sim/não), que fornecem uma distinção clara na capacidade de pagamento do cliente.
D
Atributos de intervalo, como taxas de juros dos empréstimos, que medem quantidades em escalas contínuas, permitindo cálculos matemáticos.
Para desenvolver uma aplicação de Processamento de Linguagem Natural (PLN), é necessário realizar tarefas de pré-processamento no corpus de entrada, como a separação do texto em palavras. Observe a execução do seguinte fragmento de uma tarefa de PLN:
Entrada: “Bia é uma forte candidata do concurso da CVM.”
Saída: quantidade de unidades linguísticas = 14
A tarefa de PLN que faz a separação do texto em unidades linguísticas mínimas é a:
A
sentenciação;
B
tokenização;
C
lematização;
D
radicalização;
E
etiquetagem.
Assim como no caso das outras tarefas de mineração de dados, a mineração de regras de associação também pode ser executada por diferentes algoritmos, sendo que muitos deles são variações e melhorias de um algoritmo pioneiro, o processo geral de minerar regras de associação está dividido em quatro passos. Com relação ao passo de pré-processamento da base, assinale a alternativa correta.
A
O pré-processamento envolve etapas como: limpeza, integração, redução, transformação e discretização, a preparação de uma base transacional para a mineração de regras pode exigir que essa base seja transformada em uma base binária ou baseada em frequência
B
O pré-processamento envolve gerar um conjunto de itens frequentes, são aqueles que satisfazem algum critério mínimo de frequência, por exemplo, itens que aparecem ao menos em determinado número de transações
C
O pré-processamento envolve a criação de regras de associação, estas regras são geradas em uma etapa específica usando apenas os itens frequentes da base
D
O pré-processamento envolve a criação de regras de associação, que devem ser avaliadas utilizando-se diferentes medidas de interesse, dependendo do contexto
A análise de dados depende diretamente de dados representativos, válidos e sem viés. Assinale a alternativa correta relativa às técnicas de pré-processamento de dados.
A
Remover todas as colunas que possuem valores nulos ou faltantes.
B
Transformar atributos numéricos em nominais, pois os algoritmos têm um melhor desempenho com texto.
C
Manter os dados como nas fontes originais, permitindo haver escalas de ordens de grandezas diferentes.
D
Remover outliers se os valores estiverem fora do intervalo estatístico esperado quando eles podem influenciar negativamente o resultado da análise.
E
Remover todas as colunas que possuem pelo menos um valor inválido.
Durante a etapa do pré-processamento da base de dados, a análise de Outliers é uma tarefa comum e relevante para obter modelos de aprendizado de máquina consistentes. A presença de outliers pode levar a modelos imprecisos quando o modelo é testado ou colocado em produção. Analise as assertivas a seguir e assinale a alternativa correta.
I. Outliers são dados com padrões muito diferentes aos demais, que fogem ao padrão dos dados. Estes dados precisam ser identificados e analisados.
II. Outliers podem ser produzidos por erros de medição, valores default assumidos durante o preenchimento de uma base de dados ou podem corresponder a valores corretos, mas pertencentes a uma base de dados desbalanceada.
III. Na prática, os outliers comumente são eliminados. Porém, pode-se estar negligenciando um conjunto de instâncias que podem trazer novos conhecimentos acerca do domínio de problema.
IV. A detecção de outliers pode ser feita por meio de técnicas univariadas, que consistem em explorar cada atributo e variabilidade dos valores em torno da média. Quando a variabilidade é grande, pode indicar registros, potenciais outliers.
A
Todas estão corretas.
B
Todas estão incorretas.
C
Apenas II e IV estão corretas.
D
Apenas I, II e III estão corretas.
E
Apenas II, III e IV estão corretas.
Gerar simulado