@10marcelopes10

10marcelopes10

Ambicioso

4. O problema das 8 rainhas é de otimização e pode ser resolvido com buscas heurísticas e abordagens de inteligência artificial (IA). Além de algoritmos genéticos, qual das técnicas a seguir é uma boa alternativa para se encontrar uma solução para o problema das 8 rainhas? A. Força bruta. B. Backtracking. C. RSA.
Responda
5. Os algoritmos genéticos têm inspiração na teoria evolutiva de Darwin, em que um conjunto de possíveis soluções iniciais é considerado uma população e cada solução é considerada um indivíduo. Como é chamada a função responsável por inicializar a população de um algoritmo genético? A. Função de criação. B. Função de mutação. C. Função de reprodução.
Responda
3. O aprendizado de máquina não supervisionado é um tipo de aprendizado que desenvolve padrões em dados que não são rotulados. Algoritmos que encontram regras de associação são exemplos de algoritmos não supervisionados. Sobre esse tipo de algoritmo, considere as asserções a seguir: I. O algoritmo Apriori é um tipo de algoritmo não supervisionado que busca encontrar clusters em um conjunto de dados não rotulado. II. O K-means é um exemplo de algoritmo para encontrar regras de associação. III. Clustering e encontrar regras de associação são tarefas de algoritmos de aprendizado não supervisionado. Qual é a alternativa correta? A. Apenas a afirmativa III está correta. B. As afirmativas I e II estão corretas. C. Apenas a afirmativa II está correta.
Responda
4. O algoritmo Apriori é um algoritmo de aprendizado não supervisionado, utilizado para encontrar associação de regras em um dataset. Durante sua execução, são utilizadas as métricas de suporte e confiança para a avaliação dos conjuntos encontradas. Sobre o algoritmo Apriori e suas métricas, considere as seguintes asserções: I. A métrica de confiança limita o número de regras que devem ser consideradas na execução de uma iteração do algoritmo. II. A métrica de suporte avalia quantas vezes uma regra encontrada é válida dentro de um dataset. III. O algoritmo Apriori é muito utilizado para o problema de análise de cestas de mercado. Qual é a alternativa correta? A. As afirmativas I, II e III estão corretas. B. As afirmativas I e II estão corretas. C. Apenas a afirmativa III está correta.
Responda
5. Dentro dos grupos de tarefas que são resolvidas por algoritmos de aprendizado não supervisionado estão as tarefas de agrupamento e regras de associação. Em relação a essas tarefas e ao aprendizado não supervisionado, considere as asserções a seguir: I. Nessas tarefas, é necessário um banco de dados no qual as instâncias sejam rotuladas. II. O algoritmo Apriori é um bom algoritmo para resolver tarefas de agrupamento e regras de associação. III. A tarefa de encontrar regras de associação consiste em descobrir elementos que ocorrem conjuntamente em uma determinada base de dados. IV. A tarefa de agrupamento consiste em encontrar grupos de dados dentro de uma base de dados. Qual é a alternativa correta? A. As afirmativas III e IV estão corretas. B. As afirmativas II e IV estão corretas. C. Apenas a afirmativa I está correta.
Responda
1. Em mineração de dados e machine learning as regras de associação são utilizadas para descobrir elementos que ocorrem conjuntamente em uma determinada base de dados. Sobre as regras de associação, considere as asserções a seguir: I. São bastante utilizadas em problemas nos quais é preciso encontrar conjuntos de itens frequentes. II. A vantagem do algoritmo Apriori é que ele desconsidera o conjunto de regras com baixa frequência. III. O problema de análise de cestas de compras é uma adversidade clássica de conjuntos de itens frequentes. Qual é a alternativa correta? A. As afirmativas I, II e III estão corretas. B. Apenas a afirmativa II está correta. C. As afirmativas I e II estão corretas.
Responda
3. Métricas, geralmente, são utilizadas para medir a performance de execução de um algoritmo. Para o caso do algoritmo Apriori, durante suas iterações são usadas métricas que avaliam a qualidade dos conjuntos analisados pelo algoritmo. Escolha a alternativa correta sobre as métricas do algoritmo Apriori. A. O algoritmo Apriori utiliza a acurácia para decidir para quais itens deverão ser gerados pares. B. A métrica de suporte é utilizada para decidir quais itens ocorrem com frequência, e a métrica de confiança é usada para calcular a porcentagem de vezes que uma regra é válida no dataset. C. Suporte e confiança são as métricas utilizadas no algoritmo Apriori. O suporte de um par de itens só é calculado se existir confiança acima de 50%.
Responda
4. Em aprendizado de máquina, o algoritmo Apriori cria conjuntos de itens de forma iterativa com base em métricas. Assinale a alternativa que contém um cenário correto para o uso do algoritmo Apriori. A. Um problema no qual é necessário classificar diferentes imagens em classes específicas. B. Um problema no qual é preciso encontrar agrupamentos de dados sem uma relação evidente. C. Um problema no qual é preciso encontrar os livros que são comprados frequentemente juntos em uma livraria on-line.
Responda
5. O algoritmo Apriori é um algoritmo de associação de regras bastante utilizado no contexto de análise de cestas de mercado. Para que haja uma execução correta, o engenheiro de dados deve definir um valor de limiar para a métrica de suporte. Escolha a alternativa que contenha a razão correta para a escolha de um valor de limiar. A. É o valor mínimo de suporte que um item ou um conjunto de itens deve ter para ser considerado frequente. B. Serve para estabelecer um número máximo de itens do dataset que serão avaliados. C. Para definir o tamanho máximo do conjunto de itens frequentes.
Responda
2. Agrupamento é a tarefa de encontrar grupos (clusters) de dados similares em um dataset. A tarefa de agrupamento pode ser separada, de forma mais geral, em cinco etapas. Assinale a alternativa que apresenta a ordem correta das etapas em uma tarefa de agrupamento. A. Preparação dos dados de entrada; definição da medida de proximidade; validação; agrupamento dos dados; e interpretação dos resultados. B. Preparação dos dados de entrada; agrupamento dos dados; definição da medida de proximidade; validação; e interpretação dos resultados. C. Preparação dos dados de entrada; definição da medida de proximidade; agrupamento dos dados; validação; e interpretação dos resultados.
Responda
3. O agrupamento é considerado uma técnica de aprendizado não supervisionado. O aprendizado é a capacidade de um agente melhorar sua performance com base em experiências passadas. Sobre o aprendizado e a diferença entre aprendizado supervisionado e não supervisionado, assinale a alternativa correta. A. O aprendizado supervisionado se preocupa em dividir os dados em clusters únicos, enquanto o não supervisionado se preocupa em dividi-los em clusters de forma hierárquica. B. O aprendizado supervisionado separa os dados em grupos conforme a densidade de uma vizinhança, delimitando os grupos de acordo com espaços menos densos. Já o aprendizado não supervisionado é uma abordagem que separa os dados em grupos hierárquicos. C. O aprendizado supervisionado conta com um conjunto de dados em que já temos uma resposta correta esperada, chamada de rótulo, e treinamos nosso modelo com esses dados. Já para o aprendizado não supervisionado, não temos nenhuma indicação da saída esperada para a função de nosso modelo.
Responda
4. O algoritmo k-means é um dos mais utilizados para a tarefa de agrupamento. Ele se baseia na distribuição de centroides em um espaço de dados e atribui a cada instância de dado um cluster com base nesses centroides. Sobre o objetivo da função de proximidade no algoritmo k-means, assinale a alternativa correta. A. Calcular a distância de cada instância de dado do dataset para o centroide do cluster em cada iteração do algoritmo. A instância será alocada para o cluster em que tenha a menor distância para seu centroide. B. Calcular a distância entre os centroides dos clusters. C. Calcular a distância entre cada par de instância de dados.
Responda
5. O aprendizado é a capacidade de um agente melhorar sua performance por meio da análise de suas experiências passadas. Entre os algoritmos de aprendizado, um dos mais utilizados é o k-means, para encontrar clusters de dados em um dataset. Para a execução do k-means, não desejamos que nossos dados contenham um rótulo indicando a saída esperada do algoritmo. Sobre os dados não serem rotulados, assinale a alternativa correta. A. O k-means é um algoritmo que utiliza uma estratégia de agrupamento hierárquica. B. O k-means é um algoritmo não supervisionado cujo objetivo é justamente encontrar agrupamentos que possam indicar relações desconhecidas entre os dados. C. Não é possível utilizar funções de proximidade em dados rotulados.
Responda
1. O k-means é um algoritmo de agrupamento muito utilizado por sua simplicidade e bons resultados. É inicializado utilizando centroides aleatórios, que são atualizados a cada iteração do algoritmo. Qual é a condição de parada do algoritmo k-means? A. Quando os valores dos centroides chegam a zero. B. Após todos os dados serem atribuídos a algum cluster. C. Quando existe a convergência dos dados para os centroides, isto é, não há mudanças de clusters para nenhuma instância de dado.
Responda
2. Um dataset é um conjunto de dados em que podemos aplicar algoritmos de aprendizado de máquina para extrair novas informações relevantes. Um dataset muito famoso é o de flores íris. Nele, quando utilizamos algoritmos de agrupamento, idealmente queremos separar os dados em três clusters diferentes. Assinale a alternativa que contenha a razão correta para buscarmos esse número de clusters no dataset. A. Porque é um dataset em que cada instância tem três atributos. B. Porque existem três valores diferentes para o atributo tipo de flor. C. Porque é o número de iterações necessárias para o algoritmo convergir.
Responda
3. O k-means é um algoritmo de aprendizado não supervisionado utilizado para encontrar agrupamentos em um dataset. Sobre o algoritmo k-means, considere as afirmações a seguir: I. O algoritmo k-means busca maximizar a similaridade intragrupos e minimizar a intergrupos. II. O número de clusters é definido automaticamente. III. É um algoritmo de partição. Qual(is) afirmação(ões) está(ão) correta(s)? A. Apenas I. B. Apenas II. C. Apenas I e III.
Responda
A linguagem C# trabalha com poucos tipos nativos, os quais podem ser encapsulados em classes Wrapper. Assinale qual classe deve ser utilizada para encapsular o tipo nativo int. Int64. Int32. Single. Int16. Double.
Responda
Qual o componente mais adequado para uma barra de energia por uso direto, na construção de um HUD gráfico? Slider. Button. Rich Text. Toogle. Field.
Responda
Qual solução é ideal para depuração de jogos criados na Unity. Play do Editor. Project Settings. Editor. Canvas Selector. Unity Remote.
Responda
O ambiente principal da Unity 3D é dividido em cinco partes, onde uma delas permite alterar valores dos atributos de um Game Object ou Asset selecionado. Qual o nome desta divisão? Scene View. Project Window. Toolbar. Inspector. Hierarchy View.
Responda
Para a definição de relacionamento físico semelhante a dobradiças, onde os objetos estão conectados a partir de um eixo central, qual seria o componente necessário? Rigidbody. BoxCollider. PollygonCollider2D. SpringJoint. HingeJoint.
Responda
2. Encontrar associação de regras é, basicamente, reaver regras que definem itens ocorridos com certa frequência de forma conjunta. Sobre a associação de regras, considere um conjunto de itens I {A, B, C, D} e um conjunto de transações, como pode ser visto no Quadro 1.Descrição da imagem não disponívelQuadro 1 - Conjunto de transações. Fonte: Elaborado pelo autor (2022).Caso fosse executado um algoritmo Apriori no conjunto de dados acima, qual seria a execução desse algoritmo? Assinale a alternativa correta.A. O suporte do item D é 2.B. O suporte do item A é 3.C. O suporte de {C, D} é 2.
Responda
4. O dataset de flores íris é um dos mais tradicionais na área de aprendizado de máquina. Nele, cada instância de flor é descrita por cinco atributos: largura e comprimento de pétala, tamanho e comprimento de sépala e tipo de flor. O atributo tipo de flor é utilizado quando aplicamos algum algoritmo de aprendizado supervisionado. Porém, para algoritmos de aprendizado não supervisionado, como os de agrupamento, esse atributo não é considerado. Assinale a alternativa que contenha a razão correta para não considerarmos o atributo tipo de flor em algoritmos de aprendizado não supervisionado. A. O atributo tipo de flor é o rótulo do dado. Como a tarefa de agrupamento é uma técnica de aprendizado não supervisionado, não há necessidade de um rótulo. B. Para melhorar o desempenho computacional do algoritmo k-means. C. Porque é um atributo do tipo string.
Responda
5. Em aprendizado de máquina, existem várias técnicas adequadas para tarefas diferentes. Não existe uma única técnica que seja eficiente para qualquer tipo de problema. Para o caso do k-means, assinale a alternativa que contenha uma tarefa que ele é capaz de resolver. A. Temos um conjunto de imagens anotadas com suas devidas classes e queremos gerar um modelo capaz de classificar novas imagens. B. Temos uma base de dados de compradores e queremos segmentá-la em grupos de diferentes perfis. C. Temos uma base de dados de compras em supermercados e queremos encontrar itens que são comprados juntos com frequência.
Responda

Helpful Links

Helpful Social

Copyright © 2024 ELIBRARY.TIPS - All rights reserved.