Revisão AV1 - Machine Learning

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.

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.