February 2023 2 50 Report
a) A tecnologia bluetooth utiliza luz ultravioleta como meio de conexão sem fio.
b) As redes de distribuição de energia elétrica podem ser utilizadas para transmitir dados.
c) Cabos coaxiais e cabos de fibra óptica oferecem taxas de transmissão similares, porém, diferentes durabilidades.
Quais afirmações estão certas?
Please enter comments
Please enter your name.
Please enter the correct email address.
You must agree before submitting.

Lista de comentários

More Questions From This User See All
A regra é determinada por quão bem a parte e o todo da declaração são medidos. Esses valores são calculados com base no tamanho de cada conjunto de itens, especificamente a parte e a lâmina completa. Um valor de suporte de regra alto significa que muitas pessoas acham a regra interessante. As regras com alto suporte têm muitos exemplos no banco de dados. Isso ocorre porque eles incluem muitas regras com poucos exemplos.Com relação às medidas de interesse apresentadas, assinale a alternativa correta.a.Medidas de interesse.b.Compreensibilidade e grau de interesse.d.Lift e convicção.e.Suporte e confiança.
Responda
Ao contrário das regras de classificação, as regras de associação podem prever qualquer atributo em vez de apenas classe. Isso leva à capacidade de prever qualquer combinação de atributos junto com suas regras associadas. Eles não devem ser usados ​​juntos e raramente são aplicados ​​em conjunto com as regras de classificação. Diferentes regras de associação avaliam diferentes regularidades de banco de dados e, geralmente, correlacionam coisas diferentes de uma forma que se estimam relacionamentos entre objetos diferentes. A mineração de regras de associação pode ser realizada com diferentes algoritmos. Apriori, foi o primeiro algoritmo de mineração de regras de associação que foi criado. Outros métodos de mineração de dados usam variações de Apriori. Com relação ao processo geral de minerar regras de associação, avalie as afirmativas a seguir. I. Pré-processamento da base: preparar um banco de dados transacional para mineração de regras II. Análise das regras: análise de metodologia a ser utilizada para as regras de associação ocorrerem da melhor forma. III. Geração do conjunto de itens frequentes: é formada quando ocorre pelo menos um certo número de transações. IV. Mineração das regras: é utilizado um processo que envolve o uso apenas de itens de base frequentes em uma ordem específica. É correto o que se afirma em: a. I, II e III, apenas. b. I e III, apenas. c. I e II, apenas. d. I, apenas. e. I, III e IV, apenas.
Responda
Sobre a análise de regras de associação, indique a alternativa que contém somente exemplos de onde essas regras são frequentemente utilizadas. I. Realização de promoções. II. Campanhas de marketing. III. Identificação de categorias de produtos. IV. Vendas casadas. I, II e III, apenas. III e IV, apenas. I, II e IV, apenas. II e III, apenas. I e IV, apenas.
Responda
Sobre as características do algoritmo FP-Growth, escolha a alternativa que contém somente afirmações corretas a respeito do algoritmo. I. Cada nó na sub-árvore de itens frequentes (FP-Tree) possui três campos: nome_do_item, contagem e link para outro nó (ligação_do_nó). II. O FP-Growth usa uma estrutura de matriz para armazenar o conjunto de itens frequentes de forma comprimida. III. O conjunto de itens frequentes armazenado pela FP-Growth é, no pior caso, do mesmo tamanho da base transacional original. IV. O FP-Growth usa uma estrutura de árvore para armazenar o conjunto de itens frequentes de forma comprimida. I e III, apenas. I e IV, apenas. III e IV, apenas. I, III e IV, apenas. II e III, apenas.
Responda
Uma árvore de itens usada com frequência é chamada de “FP-Tree”. Ela tem um nulo como raiz, sendo que cada subárvore de itens tem uma tabela de cabeçalho de itens frequentes como filhos. Cada nó da árvore possui três campos: nome do item, contagem do número de transações representadas pela parte do caminho que passa por aquele nó e um link para o próximo nó ou nulo (a raiz). Cada entrada na tabela de cabeçalho usada com frequência contém um nome de nó e um link para o primeiro nó que compartilha esse nome. Além disso, cada entrada possui dois outros campos: um nome para o item e um link para o primeiro nó que compartilha esse nome. Avalie as afirmações a seguir sobre construção da FP-Tree e as correlacione adequadamente aos termos ou às ferramentas às quais se referem. 1. Determinação da lista de itens frequentes. 2. Construção da árvore. 3. Função InsertTree([p|P],Tree). I. A árvore possui um descendente D, então, incremente a contagem de D em 1. II. Dados os parâmetros de entrada relativos ao suporte mínimo, minsup, leia o banco de dados. III. Chamada simplesmente de Tree e o rotule como null. Assinale a alternativa que correlaciona adequadamente os dois grupos de informações. a. 1-II; 2-III; 3-I. b. 1-III; 2-I; 3-II. c. 1-III; 2-II; 3-I. d. 1-I; 2-III; 3-II. e. 1-I; 2-II; 3-III.
Responda
vObserve a representação binária da base transacional abaixo contendo cinco transações com itens comprados em um supermercado. Escolha a alternativa que indica corretamente o valor de Lift da regra {Pão} -> {Manteiga}. Lift = ~ 0,93 Lift = ~ 0,53Lift = ~ 0,77Lift = ~ 0,66Lift = ~ 1,2
Responda
A mineração de itens frequentes requer a mineração de um algoritmo eficiente que possa minerar todo o conjunto. No entanto, construir uma FP-Tree não é suficiente. Pesquisas adicionais são necessárias para criar um algoritmo eficiente que também possa minerar itens frequentes com eficiência. Esse processo envolve uma técnica de “avançar e dividir” chamada “FP-Crescimento”. Ele divide o problema em subproblemas menores para que um método de “dividir e conquistar”, chamado “FP-Growth”, possa ser aplicado. Com base no método de construção de uma FP-Tree compacta, assinale a alternativa que melhor descreve esse processo. a. As regras com confiança mínima de 30% ou mais devem ser selecionadas antes de qualquer outra regra. Isso ocorre porque todas as regras suportadas têm uma confiança superior a 30%, e o cálculo da confiança é necessário ao selecionar quais regras usar. b. No algoritmo Apriori, que gera repetidamente um conjunto de itens de ocorrência frequente, é necessário combinar os dois itens selecionados em três, com o objetivo de determinar seu suporte. c. Para o algoritmo Apriori e o algoritmo FP-Growth, um conjunto inicial de itens com frequência maior do que o suporte mínimo atribuído, minsup, deve ser selecionado. Isso pode ser feito usando o algoritmo FP-Growth ou o algoritmo Apriori. d. O algoritmo explora a FP-Tree das folhas até a raiz. Seja um nó na folha da FP-Tree. Em seguida, ele encontra os conjuntos de itens frequentes de o e continua até o-1. Após a exploração até a raiz, ele continua explorando as árvores até o-2, e assim por diante. e. Primeiro, combine dois itens do conjunto inicial em um único item. Em seguida, determine o suporte para cada par de itens e elimine quaisquer pares com menos de 30% de suporte. Em seguida, o algoritmo Apriori é usado para gerar o conjunto de itens frequentes.
Responda
Para agrupar objetos, é necessário definir a sua similaridade ou distância de outros grupos. Esses métodos usam dados sobre a distância entre grupos de objetos agrupados semelhantes e diferentes. Muitos algoritmos de agrupamento medem a proximidade dos objetos calculando as medidas de distância a partir das medidas de dissimilaridade. Antes de calcular a distância, um banco de dados deve identificar se contém dados numéricos, categóricos ou ambos. Com relação a alguns tipos de medidas de similaridade, avalie as afirmativas a seguir. I. Medidas para dados categóricos são empregadas em dados categóricos e costumam ser atribuídas por intervalos de 0 e 1 ou 0% a 100%. II. Medidas de similaridade para dados nominais são empregadas em dados completamente diferentes ou quando não existe alguma similaridade. III. Medidas de similaridade para dados ordinais são semelhantes ao atributo ordinal, sendo que a diferença é que o atributo ordinal é ordenado por algum critério. IV. Medidas de similaridade para dados nominais e ordinais são a união de semelhanças entre o atributo de dados ordinais e os dados nominais, sendo objetos diferentes, de formas ordenadas. É correto o que se afirma em: a. I e II, apenas. b. I e III, apenas. c. I, II e IV, apenas. d. I, apenas. e. I, II e III.
Responda
Para entender um banco de dados, é necessário analisar suas principais características. É por isso que a ___________________(Lacuna 1) é usada para descrever, simplificar e resumir as informações contidas em um banco de dados. Uma distinção entre ADD e mineração de dados é que o primeiro se concentra em descrever o que está _______________(Lacuna 2), enquanto o último analisa os dados e tenta tirar _____________(Lacuna 3) sobre algo fora deles. Preencha as lacunas escolhendo a alternativa CORRETA. a. Análise de dados descritiva (ADD), fora dos dados, conclusões. b. Knowledge Discovery in Databases (KDD), dentro dos dados, início. c. Knowledge Discovery in Databases (KDD), fora dos dados, conclusões. d. Análise de dados descritiva (ADD), dentro dos dados, conclusões. e. Knowledge Discovery in Databases (KDD), fora dos dados, início.
Responda
Quando se integram bases de dados diferentes, que podem ter valores ausentes ou ruídos, é comum encontrar dados que não seguem um padrão único. Por exemplo, um mesmo atributo pode ter variações na escrita ou na unidade de medida. Para resolver esses problemas, é necessário padronizar os dados. Em relação ao objetivo principal da padronização , avalie as afirmativas a seguir. Capitalização: costuma-se padronizar as fontes, geralmente para maiúsculas. Conversão de unidades: todas as informações precisam ser mudadas para ficarem com diferentes tipos. Caracteres especiais: conjunto de caracteres pode influenciar o desempenho de certas ferramentas de mineração de dados. Padronização de formatos: podemos usar formatos variados para certos atributos, como números de documentos e datas. Está correto o que se afirma em: a. I, III e IV, apenas. b. II e III apenas. c. I, II e III, apenas. d. III e IV apenas. e. I, apenas.
Responda

Helpful Links

Helpful Social

Copyright © 2025 ELIBRARY.TIPS - All rights reserved.