November 2023 1 59 Report
Pode-se considerar intuitivamente que quanto maior a quantidade de objetos e atributos, maior a quantidade de informações disponíveis para o algoritmo de mineração de dados. No entanto, um aumento no número de objetos e na dimensão do espaço (número de atributos na base) pode resultar em dados esparsos e medidas matemáticas instáveis na análise. Além disso, uma grande quantidade de objetos e atributos pode tornar o processamento dos algoritmos de mineração complexo, assim como os modelos gerados. No entanto, é importante destacar que os métodos de redução de dados devem manter a integridade dos dados originais. A mineração dos dados reduzidos deve ser mais eficiente, mas não menos eficaz. Em relação aos tipos de redução de dados, observe as afirmativas a seguir.

I. Seleção de atributos (ou características): realiza-se uma técnica de redução de dimensionalidade em que atributos considerados irrelevantes, pouco relevantes ou redundantes são identificados e eliminados.
II. Discretização: os valores de atributos são substituídos por intervalos ou níveis conceituais mais baixos, aumentando a quantidade final de atributos, deixando informações mais completas.
III. Compressão de atributos: realiza-se uma técnica de redução de dimensionalidade por meio da aplicação de algoritmos de codificação ou transformação de atributos, em vez de selecionar atributos para remoção.

Está correto o que se afirma em:

a. I e III, apenas.
b. II e III , apenas.
c. I, apenas.
d. I e II, apenas.
e. I, II e III, apenas.
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
Assinale a opção que apresenta a matriz da Transformação Linear que gira todos os vetores no plano por 30° no sentido anti-horário a. open square brackets table row cell cos 30 degree end cell cell negative cos 30 degree end cell row cell s e n 30 degree end cell cell negative s e n 30 degree end cell end table close square brackets b. open square brackets table row cell cos 30 degree end cell cell negative s e n 30 degree end cell row cell s e n 30 degree end cell cell cos 30 degree end cell end table close square brackets c. open square brackets table row cell cos 30 degree end cell cell cos 30 degree end cell row cell s e n 30 degree end cell cell s e n 30 degree end cell end table close square brackets d. open square brackets table row cell cos 30 degree end cell cell s e n 30 degree end cell row cell negative s e n 30 degree end cell cell negative cos 30 degree end cell end table close square brackets e. open square brackets table row cell cos 30 degree end cell cell s e n 30 degree end cell row cell negative s e n 30 degree end cell cell cos 30 degree end cell end table close square brackets
Responda
Assinale a alternativa que apresenta a Matriz da Transformação Linear que apenas triplica o comprimento de todos os vetores no plano cartesiano: a. open square brackets table row 3 0 row 0 3 end table close square brackets b. open square brackets table row 1 0 row 0 3 end table close square brackets c. open square brackets table row 3 1 row 1 3 end table close square brackets d. open square brackets table row 3 0 row 0 1 end table close square brackets e. open square brackets table row 1 3 row 3 1 end table close square brackets
Responda
Assinale a opção que apresenta a equação da reta que é um subespaço vetorial do straight real numbers cubed a. open curly brackets table attributes columnalign left end attributes row cell x equals 2 end cell row cell y equals 6 end cell row cell z equals t end cell end table close b. open curly brackets table attributes columnalign left end attributes row cell x equals t end cell row cell y equals negative 2 t end cell row cell z equals 3 t end cell end table close c. open curly brackets table attributes columnalign left end attributes row cell x equals 2 plus t end cell row cell y equals 1 minus 2 t end cell row cell z equals 4 plus t end cell end table close d. open curly brackets table attributes columnalign left end attributes row cell x equals 7 end cell row cell y equals negative 2 t end cell row cell z equals 3 t end cell end table close e. open curly brackets table attributes columnalign left end attributes row cell x equals 1 minus t end cell row cell y equals 1 minus 2 t end cell row cell z equals 1 plus 5 t end cell end table close
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 IV, apenas. II e III, apenas. I e III, apenas. I, III e IV, apenas. III e IV, apenas.
Responda
A detecção de anomalias em bancos de dados é fundamental para se observar uma falha de especificação binária, em que um ou mais objetos são determinados como pertencentes a uma classe normal ou __________(Lacuna 1). Portanto, o processo é muito semelhante ao fluxo de tarefa de previsão tradicional. A maioria dos __________(Lacuna 2) de anomalias determina algum limite ou __________(Lacuna 3) em volta de uma das classes (normal ou anormal) e, com base nisso, estabelece um limite de normal ou anormal. Outros métodos incluem o uso de informações sobre a densidade do objeto em uma região, tamanho da região ou outros critérios de limite. Preencha as lacunas, escolhendo a alternativa correta. a. Normalizada, algoritmos de detecção, distância. b. Normalizada, processos de detecção, vizinhança. c. Anômala, processos de detecção, distância. d. Normalizada, algoritmos de detecção,vizinhança. e. Anômala, algoritmos de detecção, vizinhança.
Responda
As redes neurais artificiais são um tipo específico de aprendizado de máquina usado para melhorar o desempenho de um programa por meio da experiência. Muitas outras formas de aprendizado de máquina podem ser agrupadas nessa categoria, mas cada uma tem uma identidade única. Atualmente, a forma mais popular de aprendizado de máquina são as redes neurais artificiais. Muitas técnicas de aprendizado de máquina exigem conhecimento prévio dos dados que estão analisando. Isso inclui métodos de detecção de anomalias neurais e estatísticas, que funcionam com dados contínuos. Outras técnicas, como regras de classificação e árvores de decisão, operam com dados ordenados sem um conhecimento pré-construído da distribuição. Com base em alguns métodos de aprendizagem de máquina, analise as afirmativas a seguir e marque V para as verdadeiras e F para as falsas. I. ( ) Algoritmos de classificação (tipo 2): assim como as árvores de decisão e as regras de classificação, costumam ser usados ​​como métodos supervisionados. II. ( ) Algoritmos de agrupamento (tipo 1): alguns tipos de algoritmos de ajuntamento em aprendizagem de máquina são o k-médias e o k-medoids. III. ( ) Regras de associação (tipo 1): são geradas regras que correspondem a algum método de suporte mínimo (minsup), ou seja, regras que surgem com menos regularidade na biblioteca. Assinale a alternativa que apresenta a sequência correta. a. V - V - V. b. F - F - V. c. V - F - F. d. F - F - F. e. V - F - V.
Responda
As inconsistências em uma análise precisam ser identificadas e corrigidas para que os resultados da análise sejam os mais precisos possíveis. É por isso que anomalia, inconsistência e ruído diferem entre si. Então, essas diferenças resultam em objetivos diferentes para cada tarefa. Isso inclui encontrar e corrigir inconsistências. Ao analisar dados inconsistentes ou anomalias, é possível entender e prevenir problemas, como falhas no sistema, perdas de energia ou equipamentos danificados. É por isso que a maioria dos tratamentos se concentra na remoção do ruído. Avalie as afirmações a seguir e as correlacione adequadamente aos termos ou às ferramentas às quais se referem. 1. Ruídos. 2. Anomalias. 3. Inconsistências. I. São valores fora do domínio ou da normalização de uma variável ou valores que diferem significativamente de outros valores. II. A exceção é que tenham interesse ou relevância prática, como identificar uma falha em um sistema, uma fraude ou um intruso em uma rede. III. Uma quantidade que causa alguma variação no valor dos dados em relação ao valor sem ruído não tem significado prático, mas, geralmente, afeta os resultados da análise de forma negativa. Assinale a alternativa que correlaciona adequadamente os dois grupos de informações. a. 1-III; 2-II; 3-I. b. 1-I; 2-III; 3-II. c. 1-III; 2-I; 3-II. d. 1-I; 2-II; 3-III. e. 1-II; 2-I; 3-III.
Responda
Vários termos são usados ​​quase que de forma intercambiável para a detecção de anomalias. Uma anomalia é um objeto que se parece __________(Lacuna 1) significativamente de outros membros da amostra a que pertence. É um outlier, um __________(Lacuna 2) significativamente do que é considerado normal. É importante observar que uma anomalia não é necessariamente um __________(Lacuna 3). Pode ser uma indicativa de um valor ou uma classe bem definida, mas ocorre em uma taxa baixa, às vezes é indesejada ou está fora de um grupo ou uma classe típicos. Preencha as lacunas, escolhendo a alternativa correta. a. Desviar, valor que difere, erro ou ruído. b. Caminhar, valor que parece, erro ou ruído. c. Caminhar, valor que parece, valor correto. d. Caminhar, valor que difere, valor correto. e. Desviar, valor que parece, valor correto.
Responda
As inconsistências em uma análise precisam ser identificadas e corrigidas para que os resultados da análise sejam os mais precisos possíveis. É por isso que anomalia, inconsistência e ruído diferem entre si. Então, essas diferenças resultam em objetivos diferentes para cada tarefa. Isso inclui encontrar e corrigir inconsistências. Ao analisar dados inconsistentes ou anomalias, é possível entender e prevenir problemas, como falhas no sistema, perdas de energia ou equipamentos danificados. É por isso que a maioria dos tratamentos se concentra na remoção do ruído. Avalie as afirmações a seguir e as correlacione adequadamente aos termos ou às ferramentas às quais se referem. 1. Ruídos. 2. Anomalias. 3. Inconsistências. I. São valores fora do domínio ou da normalização de uma variável ou valores que diferem significativamente de outros valores.II. A exceção é que tenham interesse ou relevância prática, como identificar uma falha em um sistema, uma fraude ou um intruso em uma rede. III. Uma quantidade que causa alguma variação no valor dos dados em relação ao valor sem ruído não tem significado prático, mas, geralmente, afeta os resultados da análise de forma negativa. Assinale a alternativa que correlaciona adequadamente os dois grupos de informações.a. 1-III; 2-II; 3-I.b. 1-I; 2-III; 3-II.c. 1-III; 2-I; 3-II.d. 1-I; 2-II; 3-III.e. 1-II; 2-I; 3-III.
Responda
Os modelos preditivos podem ser contínuos ou discretos. Modelos contínuos, como estimativa, são melhores na generalização do que modelos discretos, como classificação. As previsões geralmente são expressas como classificações ou estimativas que categorizam novos dados em valores específicos. As árvores de decisão e as redes neurais artificiais são modelos preditivos populares. Com base nas duas etapas iniciais para o desenvolvimento de um modelo preditivo, assinale a alternativa que melhor descreve as duas etapas. a. Treinamento: gerado por um preditor, em que se consegue discriminar um determinado conjunto de classes; e Teste: etapa aplicada a testes para entender o desempenho do preditor. b. Treinamento: etapa em que é gerado um preditor, que consegue discriminar um determinado conjunto de classes; e Generalização: etapa responsável por analisar as classes e generalizar testes para saber possíveis informações. c. Programação e teste: etapa em que são aplicados testes para entender o desempenho do preditor. d. Treinamento: fase em que um preditor é desenvolvido para discriminar entre um conjunto específico de classes.; e Generalização: etapa responsável por analisar as classes e generalizar testes para saber possíveis informações. e. Programação: etapa responsável por desenvolver estruturas para que possam ser realizados testes; e Teste: etapa em que são aplicados testes para entender o desempenho do preditor.
Responda

Helpful Links

Helpful Social

Copyright © 2025 ELIBRARY.TIPS - All rights reserved.