WorksheetsUntitled Quiz
Total questions: 81
Worksheet time: 51mins
O que é Aprendizado de Máquina (ML)?
Programar um computador com regras explícitas para todas as situações
Um subcampo da IA onde os computadores aprendem com dados para identificar padrões e tomar decisões
A mesma coisa que Inteligência Artificial
Um tipo de banco de dados para armazenar grandes volumes de informação
A conexão de dispositivos físicos à internet
Qual dos 5 Vs do Big Data se refere à confiabilidade e qualidade dos dados?
Volume
Velocidade
Variedade
Veracidade
Valor
Um sistema que recomenda filmes com base no que você assistiu no passado é um exemplo clássico de:
Internet das Coisas (IoT)
Business Intelligence (BI)
Aprendizado de Máquina não supervisionado
Aprendizado de Máquina supervisionado
Data Warehousing
O principal objetivo de um Data Warehouse é:
Qual das opções a seguir é uma das principais funções do Big Data?
Armazenar dados não estruturados de redes sociais
Suportar consultas e análises complexas de dados históricos
Conectar dispositivos de IoT
Substituir todos os bancos de dados operacionais de uma empresa
Na Ciência de Dados, a fase de "Entendimento do Negócio" é crucial porque:
Envolve a compra de softwares caros
Define o problema a ser resolvido e os objetivos do projeto
É onde os algoritmos de ML são codificados
Foca apenas na limpeza dos dados
Garante que todos os dados sejam armazenados em nuvem
Qual conceito descreve a interconexão de dispositivos físicos com a internet para coleta e troca de dados?
Big Data
Business Intelligence
Internet das Coisas (IoT)
Aprendizado por Reforço
Data Mining
Um algoritmo que agrupa clientes em segmentos com base em seu comportamento de compra, sem usar rótulos prévios, é um exemplo de:
Aprendizado Supervisionado
Aprendizado Não Supervisionado
Business Intelligence
Dashboards interativos com gráficos e KPIs são uma ferramenta característica de:
Redes de Sensores Sem Fio
Linguagens de programação de baixo nível
Sistemas de arquivamento físico
Visualização de Dados no contexto de BI
Desenvolvimento de firmware para IoT
O que caracteriza principalmente o "Volume" no contexto de Big Data?
A) A alta velocidade de geração de dados
B) A enorme quantidade de dados gerada
C) A diversidade de formatos de dados
D) A inconsistência e ruído nos dados
E) O potencial econômico dos dados
Redes de Sensores Sem Fio (RSSF) são fundamentais para:
Programar algoritmos complexos de IA
A fase de visualização de dados em um projeto de BI
A coleta de dados físicos/ambientais em projetos de IoT
Criar regras de negócio para sistemas transacionais
Substituir completamente as redes cabeadas
Qual é a relação entre IA e ML?
ML e IA são termos intercambiáveis
ML é um campo totalmente independente da IA
ML é um subconjunto da IA
IA é um subconjunto do ML
Ambos se referem apenas a robôs humanoides
No Aprendizado por Reforço, o agente aprende:
Com um conjunto de dados de treinamento rotulado
Encontrando estruturas ocultas em dados não rotulados
Por tentativa e erro, recebendo recompensas ou penalidades
Lendo manuais de instruções pré-programados
Copiando o comportamento de outro agente perfeito
O processo de explorar dados para entender "o que pode acontecer no futuro" é conhecido como:
Análise Descritiva
Análise Preditiva
Análise Prescritiva
Processamento de Transação
ETL (Extract, Transform, Load)
Um Data Warehouse é tipicamente alimentado por processos de:
IoT
ETL (Extração, Transformação e Carga)
Visualização em Tempo Real
A "Variedade" no Big Data lida com:
A) A quantidade de dados
B) A velocidade dos dados
C) Diferentes formatos como texto, vídeo, logs, etc
D) A confiabilidade dos dados
E) O custo de armazenamento dos dados
O objetivo final do Business Intelligence (BI) é:
Coletar o maior volume de dados possível
Substituir a intuição humana na tomada de decisões
Apoiar uma melhor tomada de decisão baseada em dados
Automatizar todos os processos de uma empresa
Criar gráficos visualmente complexos
Um smartwatch que monitora batimentos cardíacos e envia os dados para um app é um exemplo de:
Big Data
Data Warehouse
Dispositivo de IoT
Sistema de Aprendizado Supervisionado
Ferramenta de Visualização
Na fase de "Seleção de Dados" de um projeto de Ciência de Dados, o foco principal é:
Limpar todos os dados imediatamente
Identificar quais fontes de dados são relevantes para o problema
Criar os dashboards finais para o usuário
Treinar o modelo de machine learning final
Descobrir qual algoritmo de ML é o mais popular
Qual tipo de análise responde à pergunta "O que aconteceu?"?
Análise Preditiva
Análise Descritiva
Análise Prescritiva
Análise de Negócios
Análise de Dados em Tempo Real
OLAP (Online Analytical Processing) está associado a:
Sistemas transacionais como caixas de supermercado
Redes de sensores sem fio
Consultas complexas em Data Warehouses
Desenvolvimento de aplicativos móveis
Linguagens de programação para IA
Um modelo de ML que prevê o preço de uma casa com base em seu tamanho e localização foi treinado usando:
Aprendizado Não Supervisionado
Aprendizado por Reforço
Qual dos seguintes NÃO é geralmente considerado um dos 5 Vs do Big Data?
Volume
Velocidade
Variabilidade
Veracidade
Valor
A principal diferença entre um banco de dados transacional (OLTP) e um Data Warehouse (OLAP) é que:
O OLTP é para análise e o OLAP é para transações
O OLTP é otimizado para consultas complexas e o OLAP para gravação rápida
O OLTP é para transações do dia a dia e o OLAP para análise e relatórios
O OLTP armazena mais dados históricos que o OLAP
O OLAP não usa SQL, enquanto o OLTP usa
A visualização de dados é importante porque:
Substitui a necessidade de modelos estatísticos
Torna os insights complexos dos dados mais compreensíveis
É a única forma de armazenar dados
Automatiza a coleta de dados de IoT
Em um projeto de IoT, qual componente é responsável pela coleta inicial de dados do ambiente físico?
O Data Warehouse
O algoritmo de Machine Learning
O sensor
O dashboard de BI
A nuvem
O que significa ETL no contexto de Data Warehousing?
Extrair, Transmitir, Logar
Extrair, Transformar, Carregar
Entender, Treinar, Ler
Estruturar, Tabular, Limpar
Explorar, Testar, Lançar
Um sistema de recomendação de produtos em um site de e-commerce que aprende continuamente com os cliques dos usuários pode usar:
A) Apenas Aprendizado Supervisionado
B) Apenas Aprendizado Não Supervisionado
C) Apenas Redes de Sensores Sem Fio
D) Combinações de técnicas, incluindo Aprendizado por Reforço
E) Apenas técnicas de Business Intelligence tradicionais
O conceito de "Valor" no Big Data está diretamente ligado a:
O custo dos servidores para armazenar os dados
A capacidade de extrair insights úteis para a tomada de decisão
A velocidade de processamento dos dados
A quantidade de fontes de dados diferentes
A popularidade do termo "Big Data"
Qual etapa do processo de Ciência de Dados vem logo após o "Entendimento do Negócio"?
Implantação do Modelo
Visualização dos Resultados
Coleta e Entendimento dos Dados
Comunicação dos Resultados
Treinamento do Modelo Final
Um "heatmap" (mapa de calor) é uma ferramenta de:
Programação para IoT
Visualização de Dados
Armazenamento de Big Data
Construção de Redes de Sensores
Mineração de Criptomoedas
A limpeza e a transformação de dados para garantir sua qualidade são etapas críticas para:
Aumentar o Volume de dados
Melhorar a Veracidade dos dados
Um sistema que ajusta automaticamente a temperatura de um escritório com base na ocupação detectada por sensores é uma aplicação de:
BI e Data Warehousing
IA e IoT
Apenas Big Data
Apenas Visualização de Dados
OLTP e OLAP
O que é um "dashboard" no contexto de BI?
Um painel de instrumentos de um carro
Um tipo de sensor para IoT
Uma interface que consolida e exibe métricas e KPIs importantes
Um algoritmo de Aprendizado de Máquina
Outro nome para um Data Warehouse
A segmentação de clientes para campanhas de marketing é uma aplicação clássica de:
OLTP
Aprendizado Não Supervisionado
Redes de Sensores Sem Fio
Linguagem SQL
Aprendizado por Reforço
A nuvem (cloud computing) teve um impacto significativo em áreas como Big Data e IoT porque:
Forneceu a capacidade de armazenamento e processamento escalável sob demanda
Tornou os dados obsoletos
Substituiu a necessidade de profissionais de dados
É a única forma de implementar Machine Learning
Padronizou um único algoritmo para todos os problemas
A Inteligência Artificial pode ser definida como:
A) A capacidade de programar sistemas especialistas apenas em linguagem de baixo nível.
B) O uso exclusivo de redes neurais artificiais para prever resultados.
C) A área da computação que busca criar máquinas capazes de realizar tarefas que exigem inteligência humana.
D) O armazenamento massivo de dados em sistemas distribuídos.
E) Um software que executa apenas funções aritméticas.
O aprendizado supervisionado no Machine Learning é caracterizado por:
Utilizar apenas redes neurais convolucionais.
Usar dados rotulados para treinar modelos.
Não precisar de nenhum dado histórico.
Trabalhar exclusivamente com aprendizado por reforço.
Não permitir avaliação do desempenho.
Um exemplo clássico de aprendizado não supervisionado é:
Classificação de e-mails como spam ou não-spam.
Previsão de valores de imóveis.
Agrupamento de clientes por comportamento de compra.
Treinamento de um robô em um jogo.
O aprendizado por reforço é baseado em:
Regras fixas e estáticas.
Análise de dados sem rótulos.
Recompensas e punições para otimizar decisões.
Modelos estatísticos lineares apenas.
Armazenamento em nuvem.
Qual aplicação está diretamente ligada ao uso de IA?
Impressão 3D de peças.
Controle de versão em repositórios.
Reconhecimento facial em sistemas de segurança.
Criação de redes de computadores locais.
Armazenamento em banco de dados relacional.
A principal característica da Internet das Coisas (IoT) é:
Exclusivamente conectar computadores pessoais.
Conectar dispositivos físicos à internet para troca de dados.
Substituir totalmente os Data Centers.
Funcionar apenas em ambientes industriais.
Utilizar apenas cabos de rede tradicionais.
Um exemplo de aplicação da IoT é:
Um processador dual-core em um notebook.
Um sistema de lâmpadas que pode ser controlado pelo smartphone.
Um servidor de e-mail corporativo.
Um sistema de backup em fita magnética.
Uma planilha de Excel.
As Redes de Sensores Sem Fio são utilizadas principalmente para:
Monitorar ambientes físicos com dispositivos conectados.
Monitorar ambientes físicos com dispositivos conectados.
Reduzir o tamanho de servidores locais.
Criar páginas da web.
Automatizar tarefas de escritório.
O termo Big Data é caracterizado principalmente por:
A) A necessidade de conexão exclusiva com redes 5G.
B) O armazenamento apenas em Data Warehouses.
C) O grande volume, variedade e velocidade de dados.
D) O uso exclusivo de planilhas eletrônicas.
E) A restrição ao setor financeiro.
Os 5Vs do Big Data incluem:
Volume, Variedade, Veracidade, Velocidade e Valor.
Velocidade, Virtualização, Volume, Validação e Visualização.
Variância, Variabilidade, Verificação, Valor e Volatilidade.
Volume, Validação, Virtualização, Variedade e Valor.
Variedade, Volatilidade, Volume, Verificação e Velocidade.
A Ciência de Dados combina:
Estatística, programação e conhecimento de domínio.
Apenas linguagens de marcação.
Somente algoritmos de busca binária.
Criação de páginas web.
Exclusivamente hardware de alto desempenho.
O principal objetivo do Business Intelligence (BI) é:
Substituir completamente os bancos de dados transacionais.
Transformar dados em informações úteis para apoiar decisões.
Criar algoritmos de redes neurais complexas.
Configurar sistemas operacionais em nuvem.
Criar páginas de e-commerce.
O Data Warehouse é:
Um banco de dados relacional para transações diárias.
Um repositório centralizado e estruturado para análise de dados históricos.
Um algoritmo de aprendizado supervisionado.
Uma técnica de backup incremental.
Uma ferramenta de monitoramento de redes.
Ferramentas como Power BI e Tableau são exemplos de:
Sistemas de gerenciamento de bancos de dados relacionais.
Ferramentas de visualização e análise de dados.
Protocolos de comunicação de IoT.
Linguagens de programação para IA.
Dispositivos de armazenamento em nuvem.
A análise de negócios busca:
Eliminar bancos de dados transacionais.
Entender padrões nos dados e apoiar a tomada de decisão.
Substituir os sistemas de IoT.
Criar apenas dashboards estáticos.
Utilizar dados exclusivamente financeiros.
Uma aplicação típica de redes neurais artificiais é:
Cálculo de juros compostos em planilhas.
Previsão de preços de ações com base em dados históricos.
Compressão de arquivos de texto.
Montagem de circuitos eletrônicos manuais.
Controle de versionamento de software.
O termo “overfitting” no aprendizado de máquina significa:
O modelo é simples demais e não aprende os padrões.
O modelo memoriza os dados de treinamento e não generaliza bem para novos dados.
O modelo é incapaz de ser treinado.
O modelo depende apenas de dados não supervisionados.
O modelo só pode ser usado em regressão linear.
Verdadeiro
Falso
O aprendizado de máquina é fundamental para sistemas como:
Impressoras a jato de tinta.
Filtros de spam em e-mails.
Drivers de impressora.
Protocolos de rede.
Compactadores de arquivos ZIP.
Qual dos seguintes NÃO é um tipo de aprendizado de máquina?
Supervisionado.
Não supervisionado.
Reforço.
Semi-supervisionado.
Sequencial determinístico estático.
Em um problema de classificação, o objetivo do modelo é:
Prever valores contínos.
Dividir dados em categorias predefinidas.
Estimar a média aritmética de uma população.
Organizar dados em estruturas hierárquicas.
Apenas agrupar dados similares sem rótulos.
Um exemplo de IoT aplicado à saúde é:
Um aplicativo de planilhas financeiras.
Um smartwatch que monitora batimentos cardíacos e envia dados para a nuvem.
Um sistema de e-mail corporativo.
Um banco de dados de imagens.
Uma rede social tradicional.
As Redes de Sensores Sem Fio são geralmente compostas por:
Dispositivos de baixo consumo energético e comunicação sem fio.
Dispositivos de baixo consumo energético e comunicação sem fio.
Exclusivamente cabos de fibra óptica.
Robôs industriais de grande porte.
Redes locais de computadores pessoais.
Em uma cidade inteligente, um exemplo de aplicação de IoT seria:
Controle de estoque em supermercados.
Semáforos inteligentes que ajustam os tempos de acordo com o fluxo de veículos.
Um editor de textos com corretor ortográfico.
Um jogo de videogame online.
Backup automático de documentos em nuvem.
Um desafio da IoT está relacionado à:
Exclusão dos sistemas de nuvem.
Segurança dos dispositivos conectados.
Redução da capacidade de armazenamento dos sensores.
Eliminação da análise de dados.
Impossibilidade de uso em ambientes industriais.
A principal função de sensores em IoT é:
Armazenar grandes volumes de dados históricos.
Capturar informações do ambiente e enviá-las a sistemas de análise.
Substituir sistemas de visualização de dados.
Gerar relatórios financeiros automatizados.
Funcionar apenas como dispositivos de saída.
Qual tecnologia é comumente associada ao processamento de Big Data?
Hadoop.
Microsoft Word.
Photoshop.
Dreamweaver.
Em Ciência de Dados, a etapa de pré-processamento envolve:
Apenas visualizar gráficos.
Limpeza, transformação e preparação dos dados.
Execução direta de algoritmos sem revisão.
Somente armazenar dados em nuvem.
Exclusivamente selecionar amostras aleatórias.
Qual dos seguintes é um exemplo de dado não estruturado?
Tabela de vendas em Excel.
Relatório financeiro em banco relacional.
Fotos e vídeos em redes sociais.
Planilha de inventário.
Base de dados SQL.
A análise exploratória de dados é importante porque:
Evita o uso de algoritmos de ML.
Ajuda a entender padrões e possíveis problemas nos dados.
Substitui o processo de coleta de dados.
Elimina a necessidade de visualização.
Só se aplica a dados estruturados.
A etapa de entendimento do negócio em projetos de Ciência de Dados serve para:
Substituir os especialistas de domínio.
Definir objetivos e alinhar os dados ao problema real.
Automatizar totalmente os processos sem intervenção humana.
Criar apenas modelos estatísticos.
Usar apenas dados públicos.
Qual vantagem do Data Warehouse?
Qual das alternativas acima está correta?
Organização histórica e integração de dados para análise.
Redução do tamanho físico dos bancos de dados.
Exclusão de relatórios gerenciais.
Uso apenas em bancos de dados não relacionais.
Em BI, um dashboard é:
Um banco de dados não estruturado.
Um painel visual que apresenta indicadores de forma resumida.
Um sistema operacional para servidores.
Uma linguagem de programação.
Uma rede de sensores de IoT.
O ETL (Extract, Transform, Load) é utilizado em:
Redes de comunicação.
Processos de carga e transformação de dados em Data Warehouses.
Criação de redes neurais convolucionais.
Modelagem de sensores em IoT.
Armazenamento em dispositivos móveis.
A diferença entre banco de dados transacional e Data Warehouse é que:
Ambos são usados apenas para armazenamento em nuvem.
O transacional registra operações do dia a dia, enquanto o DW suporta análise histórica.
O DW é usado apenas para e-mails corporativos.
O transacional é voltado à análise de grandes volumes de dados.
Não existe diferença significativa entre eles.
Qual dos itens abaixo NÃO é um exemplo de ferramenta de BI?
Tableau.
Power BI.
QlikView.
Excel (complementado com Power Query).
Qual é a resposta correta?
Raspberry Pi
BeagleBone
ESP32
Intel Edison
Arduino.
A visualização de dados tem como objetivo:
Tornar as informações mais compreensíveis por meio de gráficos e relatórios.
Substituir bancos de dados relacionais.
Evitar o uso de Data Warehouses.
Coletar dados de sensores.
Reduzir o tamanho físico dos servidores.
Um dos benefícios do BI para empresas é:
Redução dos custos com hardware de sensores.
Apoio à tomada de decisão estratégica com base em dados.
Substituição do processo de coleta de dados.
Automatização exclusiva de relatórios fiscais.
Eliminação da necessidade de análise de negócios.
Em projetos de BI, indicadores como KPIs são usados para:
Medir o desempenho e resultados de processos.
Substituir totalmente os relatórios tradicionais.
Criar modelos de aprendizado supervisionado.
Controlar o consumo de energia em sensores IoT.
Executar consultas em linguagem SQL.
Uma empresa que utiliza BI para entender padrões de consumo está aplicando:
Armazenamento em nuvem.
Análise de negócios baseada em dados.
Somente aprendizado não supervisionado.
Processamento paralelo em clusters.
Exclusivamente mineração de dados não estruturados.
O uso de storytelling com dados em BI refere-se a:
Utilizar narrativas visuais para facilitar a compreensão e engajamento.
Excluir completamente os dashboards.
Criar algoritmos de Machine Learning automáticos.
Usar apenas gráficos em linha.
Evitar relatórios interativos.
