No aprendizado de máquina não supervisionado, as tarefas podem ser categorizadas como:

A) predição, associação, agrupamento.
B) agrupamento, associação, sumarização.
C) classificação, predição, regressão.
D) regressão, associação, classificação.
E) regressão, associação, sumarização.
Com relação ao algoritmo k-NN (k-Nearest Neighbour), baseado em distância, podemos afirmar que:

por ser um algoritmo "lazy" (preguiçoso), o algoritmo k-NN não obtém uma representação compacta dos objetos do conjunto de treinamento.
uma das vantagens do k-NN é que o espaço definido pelos atributos de um problema cresce linearmente com o número de atributos.
no limite (quando o número de objetos tende a infinito) o erro do algoritmo k-NN tende ao erro do classificador Bayes ótimo.

Diante das afirmações, assinale a alternativa correta:

A) Somente as afirmações II e III estão corretas.
B) Nenhuma das afirmações está correta.
C) Todas as afirmações estão corretas.
D) Somente a afirmação II está correta.
E) Somente as afirmações I e III estão corretas.
Em relação às SVMs (Support Vector Machines), podemos afirmar que:

I - nas SVMs não lineares, o conjunto de dados é mapeado para um novo espaço de maior dimensão, denominado espaço de características (feature space), onde as classes sejam linearmente separáveis, e o novo conjunto de dados possa ser separado por um SVM linear.

II - o "kernel trick" utilizado por SVMs não lineares, consiste na utilização de uma função “kernel”, que permite operar no espaço original sem a necessidade de computar as coordenadas dos dados em um espaço de dimensão superior.

III - a SVM com margens suaves tolera bem a presença de ruídos e outliers no conjunto de dados, ao contrário da SVM de margens rígidas.

Considerando as afirmações, assinale a alternativa correta:

A) Nenhuma das afirmações está correta.
B) Todas as afirmações estão corretas.
C) Somente as afirmações II e III estão corretas.
D) Somente a afirmação I está correta.
E) Somente as afirmações I e II estão corretas.