algoritmos de aprendizagem

Antônio, auditor especializado em Análise de Dados, está estudando o uso de algoritmos de aprendizado de máquina (Machine Learning) para a detecção de fraudes em contas públicas. Como parte de seus experimentos, ele dividiu seu conjunto de dados em treinamento e teste. Após treinar um modelo, percebeu que os resultados apresentavam indícios de underfitting. O underfitting ocorre

• quando o modelo se ajuste bem ao conjunto de treinamento, mas acaba por capturar não apenas os padrões, mas também os ruídos, comprometendo sua capacidade de generalização.

•   apenas quando o conjunto de treinamento não contém exemplos de todas as classes, prejudicando o desempenho do modelo em classes minoritárias.

• quando o modelo não consegue capturar adequadamente os padrões nos dados do conjunto de treinamento, resultando em um desempenho insuficiente

•   quando a taxa de aprendizado do modelo é muito baixa, prolongando por exemplo o tempo necessário para que o modelo convirja.

• quando o modelo apresenta uma complexidade muito maior do que o necessário, levando por exemplo ao uso ineficiente de recursos computacionais.

As redes neurais artificiais são um dos pilares da inteligência artificial moderna. Inspiradas no funcionamento do cérebro humano, essas estruturas matemáticas são capazes de aprender padrões a partir de dados, tornando-se ferramentas poderosas para tarefas como reconhecimento de imagens, processamento de linguagem natural e tomada de decisões.  A Deep learning é uma subárea do aprendizado de máquina que utiliza redes neurais profundas para modelar dados complexos. Assinale a alternativa que descreve corretamente uma característica fundamental das redes neurais profundas

• Redes profundas se caracterizam por nunca demandarem grandes volumes de dados para treinar seus modelos de forma eficaz.

• Redes Neurais Recorrentes (RNNs) são adequadas para processar dados sequenciais, como séries temporais e texto

•   Redes Neurais Convolucionais (CNNs) são mais indicadas para a análise de dados tabulares do que para tarefas de visão computacional.

• Redes neurais profundas se caracterizam por não permitirem otimização dos hiperparâmetros para obter um melhor desempenho.

• Redes neurais artificiais simples são sempre uma melhor opção do que abordagens de deep learning, visto que apresentam maior precisão do que redes profundas para dados complexos.

As técnicas de regressão são amplamente utilizadas para modelar a relação entre variáveis e realizar previsões contínuas em aprendizado de máquina. Sobre as diferentes técnicas de regressão, assinale a alternativa correta

•   Regressão Polinomial é uma técnica exclusiva para análise categórica de variáveis.

•    Regressão Linear é adequada apenas para problemas não lineares, devido à sua simplicidade.

•   Regressão Logística é uma técnica de regressão apropriada para prever valores contínuos em vez de classes.

•    Regressão Lasso é uma variante da regressão linear que elimina a necessidade de regularização dos coeficientes.

•    A regressão Ridge adiciona uma penalidade baseada na soma dos quadrados dos coeficientes, sendo útil para reduzir overfitting.

As técnicas de classificação são fundamentais em aprendizado de máquina para prever categorias ou classes com base em dados históricos. Nesse contexto, assinale a alternativa que descreve corretamente uma técnica amplamente utilizada para classificação

• K-means é um algoritmo de aprendizado por reforço baseado na definição de centros em clusters.

• Aprendizagem por Reforço é uma técnica baseada em redes neurais, que utiliza recompensas para treinar modelos.

• Regressão Logística é uma técnica usada para prever classes binárias, como “aprovado” ou “reprovado”.

• A análise de Componentes Principais (PCA) é utilizada para reduzir a dimensionalidade de dados, sendo um algoritmo utilizado para treinar modelos com base em recompensas.

• Árvores de Decisão são algoritmos de classificação que utilizam redes neurais profundas para dividir os dados em diferentes categorias, otimizando a performance por meio de camadas ocultas.

As redes neurais são componentes essenciais da inteligência artificial moderna. Elas operam a partir de estruturas que imitam o cérebro humano, com múltiplas camadas de nós (neurônios artificiais), permitindo a resolução de problemas complexos, desde classificação de imagens até tradução automática. Entre os tipos mais importantes de redes estão as convolucionais, recorrentes e os transformers. As redes convolucionais são amplamente utilizadas para reconhecimento de padrões visuais, enquanto as recorrentes são indicadas para dados sequenciais, como texto e áudio. Os transformers revolucionaram o campo por conseguirem lidar com sequências com maior eficiência e paralelismo, sendo hoje a base de modelos linguísticos como BERT e GPT. Essas redes são alimentadas por algoritmos otimizadores e técnicas como o backpropagation e o mecanismo de atenção, permitindo ajustes finos e aprendizado profundo a partir de grandes volumes de dados :

Considerando as informações apresentadas, avalie as asserções a seguir e a relação proposta entre elas:

I. As redes neurais convolucionais são indicadas para análise de dados sequenciais, como texto e voz, sendo superiores às redes recorrentes nesses contextos.
PORQUE
II. O mecanismo de atenção presente nos transformers permite maior eficiência no processamento de dados sequenciais, tornando esses modelos mais eficazes do que as RNNs em diversas tarefas de linguagem natural.

A respeito dessas asserções, assinale a opção correta:

• As asserções I e II são proposições verdadeiras, e a II é uma justificativa correta da I.

• As asserções I e II são proposições verdadeiras, mas a II não é uma justificativa correta da I.

• A asserção I é uma proposição verdadeira, e a II é uma proposição falsa.

• A asserção I é uma proposição falsa, e a II é uma proposição verdadeira.

• As asserções I e II são proposições falsas.

O aprendizado de máquina é um dos pilares da inteligência artificial moderna. Ele se baseia na construção de modelos computacionais capazes de aprender a partir de dados e tomar decisões ou realizar previsões sem serem explicitamente programados para cada tarefa. Essa abordagem se divide principalmente em três categorias: o aprendizado supervisionado, que utiliza dados rotulados para ensinar o modelo a prever saídas; o aprendizado não supervisionado, que trabalha com dados sem rótulos, buscando padrões ocultos; e o aprendizado por reforço, em que o agente aprende interagindo com o ambiente, tomando decisões, recebendo recompensas ou punições, e ajustando suas ações com base nesse retorno. Cada uma dessas abordagens é aplicável a diferentes cenários, como diagnóstico médico, recomendação de produtos, robótica e jogos. :

Com base nas características do aprendizado supervisionado, assinale a alternativa que melhor representa sua aplicação:

• Um agente de software que joga xadrez e melhora suas jogadas ao longo do tempo por meio de recompensas.
  
  

• Um sistema de recomendação que agrupa usuários com base em comportamento similar, sem uso de rótulos prévios.

• Um modelo que recebe imagens de animais rotuladas e aprende a distinguir gatos de cachorros.

• Um algoritmo que analisa dados de sensores ambientais e forma grupos com base na similaridade dos sinais.

• Um programa que simula decisões econômicas em um ambiente virtual para maximizar retorno financeiro.

A evolução das redes neurais artificiais ampliou significativamente as aplicações de aprendizado profundo, permitindo o processamento eficiente de imagens, textos, áudios e sequências temporais. No domínio da visão computacional, as redes neurais convolucionais (CNNs) se destacam por sua capacidade de extrair características visuais relevantes, utilizando camadas de convolução e pooling. Já as redes neurais recorrentes (RNNs), com variantes como LSTM e GRU, foram projetadas para tratar sequências de dados, mantendo informações anteriores por meio de ciclos internos, o que as torna valiosas em tarefas como tradução automática e geração de texto. Mais recentemente, os transformers passaram a dominar o campo, substituindo as RNNs em muitas tarefas, devido ao seu mecanismo de atenção, que permite foco contextualizado sem depender da ordem sequencial direta. A diversidade de arquiteturas reflete a complexidade e especificidade dos desafios enfrentados pela inteligência artificial. ponto):

Com base nas informações acima. assinale as afirmativas corretas:

I. As redes convolucionais utilizam filtros para extrair características visuais relevantes em tarefas como classificação de imagens.
II. As redes recorrentes são indicadas para problemas que envolvem dados temporais, como séries de tempo e reconhecimento de voz.
III. Transformers superam RNNs em diversas tarefas linguísticas por não dependerem da sequência exata das palavras para atribuir significado.
IV. As CNNs são mais indicadas para processamento de texto do que para visão computacional.

assinale as afirmativas corretas:

• I e II, apenas.

• I, II e III, apenas.

• II, III e IV, apenas.

• I, III e IV, apenas

• I, II, III e IV.

O aprendizado por reforço é uma das abordagens mais dinâmicas da inteligência artificial. Diferente do aprendizado supervisionado e não supervisionado, ele se baseia na interação de um agente com um ambiente. A cada ação tomada, o agente recebe um retorno na forma de recompensa ou punição, o que influencia suas decisões futuras. O objetivo é maximizar a recompensa acumulada ao longo do tempo. Esse processo envolve conceitos como estados, ações, política, função de valor e recompensa. Algoritmos como Q-Learning, SARSA, e Deep Q-Networks (DQN) são amplamente utilizados. O Q-Learning, por exemplo, constrói uma tabela de valores que orienta as melhores decisões a partir de cada estado, enquanto as variações mais recentes utilizam redes neurais para lidar com ambientes mais complexos e com grande número de estados possíveis. Essa forma de aprendizado é amplamente aplicada em jogos, sistemas autônomos e robótica, pois permite ao agente aprender estratégias por meio de tentativa e erro.

Com base na leitura do texto, avalie as seguintes afirmações :

I. No aprendizado por reforço, o agente aprende observando padrões em grandes volumes de dados rotulados, como no aprendizado supervisionado.
II. O Q-Learning é um algoritmo que permite ao agente aprender quais ações tomar em cada estado com base na maximização de recompensas futuras.
III. O aprendizado por reforço é especialmente útil em contextos onde o agente precisa tomar decisões sequenciais sem conhecimento prévio do ambiente.
IV. Algoritmos baseados em redes neurais, como o Deep Q-Network, permitem ao agente lidar com ambientes simples e de baixa complexidade.

As afirmativas corretas são:

• I e II, apenas.

• II e III, apenas

• I, II e IV, apenas.

• II, III e IV, apenas.

• I, III e IV, apenas.

No universo dos algoritmos de aprendizado supervisionado, o classificador Naive Bayes destaca-se por sua simplicidade e eficiência. Baseado no Teorema de Bayes, esse algoritmo estima a probabilidade de uma determinada classe com base nas características observadas em um dado de entrada. O termo "naive" (ingênuo) refere-se à suposição de independência entre os atributos – ou seja, o algoritmo assume que todas as características são estatisticamente independentes umas das outras em relação à classe, o que raramente é verdade na prática, mas funciona bem em muitas situações. Apesar dessa suposição simplificadora, o Naive Bayes é amplamente utilizado em aplicações como filtragem de spam, classificação de sentimentos em textos, e diagnóstico médico, onde oferece resultados competitivos com algoritmos mais complexos. Sua principal vantagem está na velocidade de treinamento e inferência, mesmo com grandes volumes de dados.

No universo dos algoritmos de aprendizado supervisionado, o classificador Naive Bayes destaca-se por sua simplicidade e eficiência. Baseado no Teorema de Bayes, esse algoritmo estima a probabilidade de uma determinada classe com base nas características observadas em um dado de entrada. O termo "naive" (ingênuo) refere-se à suposição de independência entre os atributos – ou seja, o algoritmo assume que todas as características são estatisticamente independentes umas das outras em relação à classe, o que raramente é verdade na prática, mas funciona bem em muitas situações. Apesar dessa suposição simplificadora, o Naive Bayes é amplamente utilizado em aplicações como filtragem de spam, classificação de sentimentos em textos, e diagnóstico médico, onde oferece resultados competitivos com algoritmos mais complexos. Sua principal vantagem está na velocidade de treinamento e inferência, mesmo com grandes volumes de dados.

Com base no texto acima, avalie as afirmações a seguir:

I. O classificador Naive Bayes é baseado na aplicação do Teorema de Bayes, com a suposição de independência entre os atributos.
II. O desempenho do Naive Bayes é sempre inferior ao de algoritmos como Redes Neurais e SVM, sendo útil apenas em conjuntos de dados pequenos.
III. Apesar da suposição de independência entre atributos, o Naive Bayes pode apresentar bons resultados em tarefas reais, como detecção de spam e análise de sentimentos.
IV. A principal desvantagem do Naive Bayes é o alto custo computacional necessário para processar grandes volumes de dados.

Está correta o que se afirma em :

• I e II, apenas.

• II e IV, apenas.

• I e III, apenas

• III e IV, apenas

• I, III e IV, apenas.

As Máquinas de Vetores de Suporte (Support Vector Machines – SVM) são modelos de aprendizado supervisionado utilizados tanto para classificação quanto para regressão. Um dos principais conceitos que fundamentam o SVM é a maximização da margem entre as classes, ou seja, o algoritmo busca encontrar o hiperplano que melhor separa os dados, garantindo que a distância entre os vetores de suporte (pontos mais próximos do hiperplano) e esse hiperplano seja a maior possível. Essa maximização é essencial para promover a generalização do modelo, reduzindo o risco de overfitting.

No entanto, dados reais muitas vezes não são linearmente separáveis. Para esses casos, o SVM utiliza o conceito de "kernel trick", que transforma os dados em uma dimensão superior onde a separabilidade linear pode ser obtida. Funções kernel comuns incluem o polinomial, o radial basis function (RBF) e o sigmoide. O desempenho do SVM depende fortemente da escolha do kernel e de seus parâmetros, bem como do parâmetro de regularização C, que controla o trade-off entre a maximização da margem e a penalização de erros de classificação.

O SVM também é conhecido por ser eficiente mesmo em espaços de alta dimensão, sendo amplamente utilizado em problemas como classificação de texto, reconhecimento de padrões e bioinformática.

Com base no texto acima, assinale a alternativa que descreve corretamente uma característica das Máquinas de Vetores de Suporte (SVM)

• O SVM encontra o hiperplano que minimiza a distância entre os vetores de suporte, focando na redução da complexidade computacional, mesmo que isso reduza a generalização.
  
  

• A utilização de funções kernel permite que o SVM evite completamente a criação de margens, eliminando a necessidade de considerar dados não linearmente separáveis.

• O parâmetro de regularização C, quando muito elevado, favorece a maximização da margem ao custo de uma maior taxa de erros de classificação.

• O SVM pode ser aplicado em espaços de alta dimensão, sendo eficiente mesmo com um número elevado de atributos, desde que bem parametrizado

• O SVM apresenta bons resultados somente quando os dados são linearmente separáveis, sendo ineficaz quando a separabilidade exige transformações no espaço de atributos.