Free Printable Revisão AV1 - Machine Learning

Worksheets

Revisão AV1 - Machine Learning

Total questions: 17

Worksheet time: 14mins

Name

Class

Date

Qual das seguintes alternativas descreve melhor o conceito de Aprendizado de Máquina (Machine Learning)?

Um tipo de algoritmo utilizado para gerar imagens 3D a partir de modelos matemáticos.

Um método de programação que utiliza uma linguagem de programação específica para a criação de sistemas de inteligência artificial.

Um ramo da matemática que se dedica ao estudo de sistemas complexos.

Um conjunto de técnicas que permitem aos computadores aprender a partir de dados, sem a necessidade de serem explicitamente programados.

Um método de otimização de processos industriais baseado em modelos matemáticos.

Qual é a principal diferença entre aprendizado supervisionado e aprendizado não supervisionado?

O aprendizado supervisionado usa técnicas de clustering para agrupar dados sem rótulos, enquanto o aprendizado não supervisionado usa dados rotulados para fazer previsões.

O aprendizado supervisionado não precisa de um conjunto de dados de treinamento, enquanto o aprendizado não supervisionado requer um conjunto de dados de treinamento.

O aprendizado supervisionado é usado apenas para problemas de classificação, enquanto o aprendizado não supervisionado é usado apenas para problemas de regressão.

O aprendizado supervisionado é mais eficiente do que o aprendizado não supervisionado, mas menos preciso.

O aprendizado supervisionado requer a presença de um professor para rotular os dados, enquanto o aprendizado não supervisionado não precisa.

Qual das seguintes técnicas é utilizada no aprendizado não-supervisionado?

Árvores de Decisão

Regressão Linear

Clusterização

Redes Neurais

SVM

O que é o agrupamento (clustering) em aprendizado não-supervisionado?

É uma técnica que utiliza redes neurais para classificar os dados em categorias pré-definidas.

É uma técnica que utiliza um conjunto de dados rotulados para treinar o modelo.

É uma técnica que encontra as características mais importantes dos dados para fazer previsões.

É uma técnica que busca agrupar os dados em clusters baseados em similaridades.

É uma técnica que utiliza árvores de decisão para fazer previsões.

O que é overfitting em machine learning?

É quando o modelo não consegue aprender nada

É quando o modelo se ajusta muito bem aos dados de treinamento, mas não generaliza bem para novos dados

É quando o modelo não consegue se ajustar aos dados de treinamento

É quando o modelo não consegue generalizar para novos dados

É quando o modelo acerta sempre todos os dados de treinamento, independentemente do método de treinamento

Qual é uma possível solução para o problema de underfitting?

Reduzir o número de dados de treinamento para tornar o modelo mais preciso

Adicionar mais ruído aos dados de treinamento para aumentar a variabilidade do modelo

Selecionar um modelo mais poderoso, com mais parâmetros

Utilizar um algoritmo de aprendizado supervisionado em vez de não supervisionado

Remover todas as características irrelevantes dos dados de treinamento

O que é um pipeline de dados em aprendizado de máquina?

Um modelo de aprendizado de máquina que processa dados em tempo real.

Uma sequência de etapas para coletar dados de diferentes fontes.

Uma sequência de etapas para pré-processar, transformar e preparar dados para o treinamento de um modelo de aprendizado de máquina.

Uma rede neural que aprende a combinar diferentes fontes de dados.

Um algoritmo de clustering que agrupa dados similares.

Qual a importância de um pipeline de dados em aprendizado de máquina?

Permite o treinamento de modelos de aprendizado de máquina sem a necessidade de dados de treinamento.

Permite a coleta de dados de diferentes fontes sem a necessidade de pré-processamento.

Permite a execução de um modelo de aprendizado de máquina em tempo real.

Garante que o modelo de aprendizado de máquina seja capaz de lidar com qualquer tipo de dado.

Garante que os dados de treinamento estejam prontos e de qualidade para o treinamento de um modelo de aprendizado de máquina.

O que pode ser feito durante a etapa de pré-processamento em um pipeline de dados?

Remoção de dados faltantes ou inconsistentes.

Transformação de dados categóricos em numéricos.

Normalização de dados para evitar a influência de outliers.

Seleção de características mais relevantes para o modelo de aprendizado de máquina.

Todas as alternativas anteriores estão corretas.

10.

O que é a técnica de feature engineering utilizada na fase de modelagem em um pipeline de dados em aprendizado de máquina?

Um processo de engenharia reversa para entender como o modelo está fazendo previsões.

Um processo de seleção do melhor modelo para o problema.

Um processo de treinamento do modelo com os dados de treinamento.

Um processo de limpeza e preparação dos dados para o treinamento do modelo.

Um processo de seleção de características relevantes para alimentar o modelo.

11.

Qual é a finalidade da fase "avaliação" na metodologia CRISP-DM?

Definir o escopo e os objetivos do projeto

Gerar insights e descobertas a partir dos dados

Transformar os dados brutos em um formato adequado para análise

Medir o desempenho do modelo de aprendizado de máquina

Selecionar as características mais importantes dos dados

12.

Qual é a diferença entre Regressão e Classificação em Aprendizado de Máquina?

Regressão lida com dados categóricos, enquanto a Classificação lida com dados numéricos.

Regressão prevê valores contínuos, enquanto a Classificação prevê rótulos de classe.

Regressão é supervisionada, enquanto a Classificação é não supervisionada.

Regressão não é uma técnica usada em Aprendizado de Máquina.

13.

O que é Aprendizado por Reforço?

Um método de treinamento de redes neurais profundas.

Um algoritmo de clustering.

Um tipo de Aprendizado de Máquina Supervisionado.

Um paradigma de Aprendizado de Máquina em que um agente interage com um ambiente e aprende a tomar ações para maximizar uma recompensa cumulativa.

14.

Um hospital desenvolveu uma árvore de decisão para prever se um paciente deve ser encaminhado para atendimento emergencial. Em um dos nós, a regra extraída foi:
“Se idade > 65 e pressão arterial > 140 → Encaminhar para emergência.”
Esse exemplo mostra por que árvores de decisão são consideradas modelos interpretáveis.
Qual alternativa representa a principal razão dessa característica?

Porque os modelos sempre apresentam a maior acurácia em comparação com redes neurais.

Porque é possível transformar as regras dos nós em frases compreensíveis para humanos.

Porque funcionam apenas com variáveis numéricas, facilitando a leitura.

Porque não utilizam nenhuma métrica matemática em sua construção.

15.

Uma empresa de marketing digital quer classificar e-mails como spam ou não spam. O cientista de dados optou por usar o algoritmo Naive Bayes devido à sua simplicidade e eficiência.
Qual alternativa descreve corretamente o funcionamento desse modelo?

Funciona apenas quando todas as variáveis são numéricas.

É um algoritmo não probabilístico que calcula apenas médias aritméticas.

Usa árvores de decisão para calcular probabilidades de cada classe.

Baseia-se no Teorema de Bayes, assumindo independência condicional entre as variáveis.

16.

Um sistema de classificação de textos com Naive Bayes precisa calcular a probabilidade de uma mensagem ser spam dado que contém a palavra "promoção".
Qual alternativa explica corretamente como esse cálculo é feito?

Divide-se a frequência da palavra "promoção" pela quantidade de palavras da mensagem.

Multiplica-se a probabilidade da classe "spam" pela probabilidade da palavra "promoção" aparecer em mensagens spam, e normaliza-se pelo total.

Escolhe-se a classe que aparece mais vezes no conjunto de treinamento, sem considerar palavras.

Usa-se apenas a frequência da palavra "promoção" no corpus geral, sem considerar as classes.

17.

Um cientista comparou duas árvores de decisão:

Árvore A (sem poda): 200 nós, profundidade 25, taxa de acerto no treino = 100%, taxa de acerto no teste = 62%.
Árvore B (com poda): 40 nós, profundidade 10, taxa de acerto no treino = 93%, taxa de acerto no teste = 88%.
Qual alternativa explica a diferença entre os modelos?

A Árvore A sofre de overfitting; a Árvore B generaliza melhor devido à poda.

A Árvore A é melhor porque obteve 100% de acurácia no treino.

A Árvore B é pior porque tem menos nós.

A poda aumenta a variância, reduzindo a capacidade do modelo.

100 %

Revisão AV1 - Machine Learning

Total questions: 17

Worksheet time: 14mins

Similar Resources on Wayground