WorksheetsProva Tópicos Especiais em Computação I
Total questions: 10
Worksheet time: 50mins
No contexto da mineração de dados, certos conjuntos de informações são extraídos a partir de estruturas organizadas conhecidas como __________________ ou data warehouse. Qual das opções abaixo representa corretamente esse tipo de estrutura?
Arquivo convencional
Linguagem estruturada de consulta
Inteligência de negócios
Depósito de dados
Conjunto de procedimentos
A Mineração de Dados refere-se à extração não trivial de informações implícitas, anteriormente desconhecidas e potencialmente úteis, dos dados armazenados nos bancos de dados. Por meio de etapas, o processo de KDD faz a análise da descoberta e a seleção desses dados. Considerando o processo de KDD, classifique as etapas a seguir como verdadeiras (V) caso elas façam parte do processo ou falsas (F) caso elas não façam parte: I- Seleção de dados e pré-processamento. II- Transformação e mineração. III- Definição de algoritmos e tecnologias necessárias. Assinale a resposta correta:
F, V, F
V, V, F
V, V, V
F, F, F
V, F, V
Com o aumento do uso de técnicas de análise de dados, o termo mineração de dados tem ganhado destaque, embora ainda haja confusão em sua relação com o processo KDD.
Qual alternativa descreve corretamente como a mineração de dados se relaciona com o KDD?
São equivalentes. Os dois termos se referem à etapa de preparação dos dados antes da análise.
O KDDéapenas uma etapa do processo de extração de conhecimento da base de dados, e a mineração de dados representa todas as etapas.
O KDDéutilizado para processar os dados, e a mineração de dados é responsável por interpretar os resultados do KDD.
A mineração de dados é uma etapa do processo KDD e é utilizada na etapa de pré-processamento dos dados.
A mineração de dados corresponde a uma das fases do processo KDD, sendo responsável por empregar técnicas que identifiquem padrões nos dados que já passaram por etapas de preparação.
Dentro do processo KDD, é possível dividir o fluxo em diversas fases. Uma dessas fases é a de preparação ou tratamento prévio dos dados.
A etapa de pré-processamento utiliza ferramentas que não são sofisticadas e tem como objetivo quantificar, explorar e descrever características intrínsecas aos dados.
A etapa de pré-processamento é responsável por transformar os dados em um formato adequado ao exigido pela metodologia empregada na mineração dos dados.
O pré-processamento dos dados é responsável por aplicar técnicas de agrupamento para organizar as variáveis em grupos, para uso na etapa de mineração dos dados.
A etapa de preparação dos dados tem como objetivo tornar a análise mais precisa, corrigindo informações incorretas, removendo ruídos e completando dados ausentes.
O pré-processamento dos dados é responsável por obter medidas de posição e dispersão para começar a gerar conhecimentos úteis a partir da base de dados
A escolha de atributos, conhecida em inglês como feature selection, é utilizada na mineração de dados para identificar as características ou registros mais importantes, que servirão como entrada para o processo. Essa técnica é especialmente recomendada para trabalhar com grandes volumes de dados.
A seleção de atributos permite a remoção de indivíduos não relevantes do conjunto de dados binários.
A seleção de atributos permite uma redução dimensional do conjunto de dados, removendo linhas e colunas relevantes.
Não é recomendado utilizar seleção de atributos em bases de dados grandes, uma vez que dados relevantes podem ser removidos.
A seleção de atributos possibilita a exclusão de características irrelevantes durante o processo de mineração de dados.
A seleção de atributos não pode ser usada em pequenas bases de dados, uma vez que algoritmos de mineração não permitem isso.
Para que a análise seja eficiente, os cientistas de dados devem realizar algumas considerações iniciais nos processos de descoberta de conhecimento e tomada de decisão. Nesse cenário, um conjunto de diretrizes, chamado aqui de pilares da descoberta de conhecimento, pode ser adotado para orientar a abordagem.
Conhecer a equipe de aplicação, avaliar recursos disponíveis e avaliar os resultados obtidos.
Compreender o problema, conhecer a equipe de aplicação e avaliar os resultados obtidos.
Compreender o problema, avaliar recursos disponíveis e avaliar os resultados obtidos.
Compreender os algoritmos de mineração, avaliar recursos disponíveis e conhecer a equipe de aplicação.
Compreender os algoritmos de mineração, avaliar recursos disponíveis e compreender o problema.
Reconhecer os diferentes tipos de dados é essencial para determinar as operações que podem ser aplicadas. Uma abordagem comum consiste em classificar os dados como qualitativos ou quantitativos. Com base nesses conceitos, escolha a alternativa correta:
Dados qualitativos normalmente espelham um comportamento categórico, enquanto dados quantitativos apresentam uma estrutura numérica, podendo ser categóricos, desde que sejam nominais.
Dados qualitativos normalmente espelham um comportamento numérico e categórico, enquanto dados quantitativos apresentam uma estrutura numérica.
Dados qualitativos normalmente espelham um comportamento numérico, enquanto dados quantitativos apresentam uma estrutura categórica, podendo ser categóricos, desde que haja um esquema de codificação.
Dados qualitativos normalmente espelham um comportamento categórico, enquanto dados quantitativos apresentam uma estrutura composta por elementos categóricos e numéricos, desde que sejam valores discretos apenas.
Dados qualitativos representam informações classificadas em categorias, enquanto dados quantitativos são expressos por valores numéricos.
Informações não tratadas frequentemente contêm muitos ruídos, o que pode dificultar o desempenho de um modelo de aprendizado de máquina. Identifique quais fatores podem interferir negativamente nesse processo de aprendizagem.
Dados obtidos de maneira pura costumam carregar ruídos, que são dados fora do padrão para determinado atributo. Nesse contexto, apenas os outliers representam empecilhos
Dados coletados em seu estado original frequentemente contêm ruídos, que são valores inconsistentes para certos atributos, além de registros repetidos e, especialmente, informações faltantes.
Dados obtidos de maneira pura podem carregar consigo outliers e dados duplicados, sendo estes os principais problemas de ruídos. Como os dados faltosos podem ser preenchidos ou removidos, não oferecem risco ao modelo de aprendizado.
Dados obtidos de maneira pura podem carregar consigo valores faltosos, sendo este o principal problema de ruídos. Como os dados faltosos podem ser preenchidos ou removidos, não oferecem risco ao modelo de aprendizado.
Dados obtidos de maneira pura costumam carregar ruídos, que são dados fora do padrão para determinado atributo. Nesse contexto, apenas os outliers e os valores ausentes representam empecilhos ao aprendizado.
A ferramenta WEKA oferece uma interface intuitiva e uma variedade de recursos. A seguir, leia a descrição de uma funcionalidade do WEKA e selecione a alternativa que corresponde a ela: "Permite importar arquivos de dados e realizar modificações no conteúdo."
Classificação
Agrupamento
Visualização de dados
Pré-processamento de dados
Regras de associação
As tarefas de predição procuram identificar padrões nos dados, como correlações, para realizar suas análises. Escolha a alternativa que descreve a função de aprendizado responsável por classificar os dados de entrada em um conjunto limitado de categorias.
Regressão
Sumarização
Classificação
Outliers
Agrupamento
