Articles
Register
Sign In
Search
karenvictoriateixeir
Ambicioso
0
Followers
66
Questões
21
Respostas
karenvictoriateixeir
February 2023 | 1 Respostas
No que se refere a área da ciência que trata do reconhecimento de padrões, vamos fazer algumas afirmações, as quais pedimos que avaliem, baseando-se na teoria apresentada, pela disciplina, e classifiquem como falsa ou verdadeira. Na sequência escolham a alternativa que contém a resposta correta. I. Em virtude da evolução dos sistemas de Neural Engine, o hardware associado à sua implementação torna-se cada vez mais simples. II. Os hardwares integrados a um único componente tornam o processo de aprendizagem e consequente extrapolação de conteúdo cada vez mais poderoso. III. Desde criança, classificamos objetos reconhecendo padrões, com o passar do tempo e desenvolvimento da tecnologia, os dispositivos eletrônicos aprenderam a fazer a mesma coisa, com a mesma capacidade de diferenciação do cérebro humano. IV. Sistemas computacionais são capazes de reconhecer diversos objetos, podendo nos ajudar, também, na classificação e na previsão de uma série de eventos. Alternativas Alternativa 1: As afirmativas I e III estão corretas. Alternativa 2: As afirmativas I e IV estão corretas. Alternativa 3: As afirmativas II e IV estão corretas. Alternativa 4: As afirmativas I, II e III estão corretas. Alternativa 5: As afirmativas I, II e III estão corretas.
Responda
karenvictoriateixeir
February 2023 | 1 Respostas
As redes neurais artificiais (RNA) constituem um campo de pesquisa que tem por preocupação lidar com tarefas como o reconhecimento de padrões, a previsão e a tomada de decisões mediante o uso de redes de unidades conectadas, treinadas por algoritmos que funcionam com base em amostras do mundo real e podem, assim, aprender e classificar padrões (Haykin, 2001). De acordo com as afirmações de Haykin, 2001, analise as proposições, referentes as redes neurais e marque a resposta, que não condiz com a base de funcionamento e implementação de uma rede neural. Alternativas Alternativa 1: A solução desenvolvida pelos cientistas, para reproduzir o cérebro humano com seu sistema nervoso, são as Redes Neurais Artificiais. Alternativa 2: As redes neurais estão no nosso cotidiano, em ambientes computacionais, no funcionamento de eletrodomésticos e em dispositivos de última geração. Alternativa 3: O aprendizado a ser utilizado por uma rede neural artificial é somente aquele que utiliza um professor, para fornecer a base de treinamento da rede. Alternativa 4: Uma rede neural pode ser descrita como uma representação matemática de todo o sistema de neurônios, e é ela quem faz a ativação e a interligação entre estes por meio de sinapses de um cérebro humano. Alternativa 5: As redes neurais são implementadas através de algoritmos matemáticos e algoritmos de aprendizado, após a implementação do sistema computacional, a rede pode ser implementada através de hardwares próprios para receber a programação.
Responda
karenvictoriateixeir
January 2023 | 1 Respostas
O novo Relatório sobre as Desigualdades Mundiais é o segundo realizado desde 2018 e teve a colaboração de cerca de uma centena de pesquisadores internacionais. O documento de mais de 200 páginas inclui análise sobre o impacto da pandemia de covid-19, que exacerbou o aumento da fatia dos bilionários no total da riqueza global. Pela primeira vez o estudo inclui dados sobre as desigualdades de gênero e ecológicas (a pegada de carbono entre países ricos e pobres, mas também entre as categorias de renda). O estudo se refere ao Brasil como "um dos países mais desiguais do mundo" e diz que a discrepância de renda no país "é marcada por níveis extremos há muito tempo". Relacionando o fragmento acima com os conhecimentos abordados no Material Digital, avalie as asserções a seguir e a relação proposta entre elas. I. O discurso da meritocracia corrobora com as desigualdades sociais, que mantém determinada elite política e econômica como detentora do poder e que, ao mesmo tempo, exclui grande parcela da população. PORQUE II. O esforço individual é a principal condição para que as pessoas em situação de pobreza alcancem seus objetivos. Isto é, trata-se de uma mudança de classe social que independe de ações políticas e, tampouco, de melhorias na educação pública e no seu acesso. A respeito dessas asserções, assinale a opção correta. Alternativas Alternativa 1: As asserções I e II são verdadeiras, e a II é uma justificativa correta da I. Alternativa 2: As asserções I e II são verdadeiras, mas a II não é uma justificativa correta da I. Alternativa 3: A asserção I é uma proposição verdadeira e a II é uma proposição falsa. Alternativa 4: A asserção I é uma proposição falsa e a II é uma proposição verdadeira. Alternativa 5: As asserções I e II são falsas.
Responda
karenvictoriateixeir
December 2022 | 1 Respostas
Almeida, Tokumoto e Freitas (2022) salientam que o Machine Learning (ML) permite que os dados possam ser analisados de forma mais assertiva e rápida. Estes mesmos autores dizem que I) as empresas que assumem o ML como uma solução tecnológica para vencer os seus desafios, buscam por vantagem competitiva no mercado POIS II) o ML permite que as empresas construam soluções rápidas e práticas quando há grande volume de dados complexos que devem ser processados. ALMEIDA, Iara Carnevale de; TOKUMOTO, Ronie Cesar; FREITAS, Janaína Aparecida de. Técnicas de Machine Learning (Aprendizagem de Máquina). Maringá - PR.: Unicesumar, 2021. A respeito dessas asserções, assinale a opção correta: Alternativas Alternativa 1: As asserções I e II são proposições falsas. Alternativa 2: A asserção I é uma proposição verdadeira, e a II é uma proposição falsa. Alternativa 3: A asserção I é uma proposição falsa, e a II é uma proposição verdadeira. Alternativa 4: As asserções I e II são proposições verdadeiras, e a II é uma justificativa correta da I. Alternativa 5: As asserções I e II são proposições verdadeiras, mas a II não é uma justificativa correta da I.
Responda
karenvictoriateixeir
December 2022 | 2 Respostas
Conforme Almeida, Tokumoto, Freitas (2022), existem diferentes formas de classificar aprendizagem em sistemas inteligentes, uma delas I) aprendizagem dedutiva é uma forma restrita de aprendizado, no qual o conhecimento é adquirido sem o auxílio de quem já possua este conhecimento (por exemplo, um especialista, tutor, entre outros); I) aprendizagem por descoberta ocorre quando as novas informações são consequências válidas de uma ação, processo ou atividade já conhecida; III) aprendizagem indutiva ocorre pela inferência indutiva de fatos fornecidos por um especialista ou pelo ambiente, em que, por exemplo, o programa aprende a classificar objetos baseados em rótulos que lhe são apresentados. ALMEIDA, Iara Carnevale de; TOKUMOTO, Ronie Cesar; FREITAS, Janaína Aparecida de. Técnicas de Machine Learning (Aprendizagem de Máquina). Maringá - PR.: Unicesumar, 2021. É correto o que se afirma em: Alternativas Alternativa 1: I, apenas. Alternativa 2: III, apenas. Alternativa 3: I e III, apenas. Alternativa 4: II e III, apenas. Alternativa 5: I, II e III.
Responda
karenvictoriateixeir
December 2022 | 1 Respostas
Conforme Almeida, Tokumoto, Freitas (2022), a Inteligência Artificial Geral (IAG) procura imitar a inteligência do ser humano permitindo que as máquinas tenham capacidade de pensar, compreender, aprender e aplicar a inteligência adquirida para resolver qualquer problema. Estes mesmos autores salientam que I) Características que sistemas IAG devem ter são conhecimento prévio, senso comum, aprendizagem por transferência, causalidade e abstração. II) Sistemas IAG são gerados por um ramo da ciência da computação, que possibilita a construção de máquinas inteligentes, capazes de realizar tarefas semelhantes às humanas. III) Aprendizado de Máquina busca pela construção de algoritmos que, a partir de um certo conjunto de dados, podem aprender com as suas falhas e, possivelmente, prever novos dados. IV) Sistemas baseados em ML são construídos por um campo de estudo que dá a um computador a capacidade de aprender sem ser, explicitamente, programado para isso. ALMEIDA, Iara Carnevale de; TOKUMOTO, Ronie Cesar; FREITAS, Janaína Aparecida de. Técnicas de Machine Learning (Aprendizagem de Máquina). Maringá - PR.: Unicesumar, 2021. A respeito dessas asserções, assinale a opção correta: Alternativas Alternativa 1: I e II, apenas. Alternativa 2: II e IV, apenas Alternativa 3: I, III e IV, apenas. Alternativa 4: II, III e IV, apenas Alternativa 5: I, II, III e IV.
Responda
karenvictoriateixeir
December 2022 | 1 Respostas
Conforme Almeida, Tokumoto, Freitas (2022), adquirir novos conhecimentos, desenvolver técnicas motoras e cognitivas, por meio de instrução ou prática, generalizar conhecimentos adquiridos, representar conhecimento e a descobrir novos fatos/teorias são alguns dos processos da aprendizagem. Estes mesmos autores salientam que: I) Na aprendizagem não supervisionada, a classificação, realiza tarefas de: separar os e-mails em spam ou não spam; e indicar se um tumor é benigno ou maligno através da análise de imagens. II) Na aprendizagem supervisionada, a regressão permite estimar um valor para uma variável dependente por meio de variáveis independentes. III) A aprendizagem supervisionada ocorre quando as entradas e as saídas são fornecidas por um supervisor (especialista) humano, envolvendo a aprendizagem de uma função, a partir dos exemplos obtidos pelas entradas e saídas. IV) A aprendizagem não supervisionada é um modelo que trabalha com o recebimento de uma grande quantidade de dados não identificados e uma pequena quantidade de dados identificados (considerados como a resposta certa). ALMEIDA, Iara Carnevale de; TOKUMOTO, Ronie Cesar; FREITAS, Janaína Aparecida de. Técnicas de Machine Learning (Aprendizagem de Máquina). Maringá - PR.: Unicesumar, 2021. É correto o que se afirma em: Alternativas Alternativa 1: I e II, apenas. Alternativa 2: II e III, apenas. Alternativa 3: I, III e IV, apenas. Alternativa 4: I, II e IV, apenas. Alternativa 5: I, II e III.
Responda
karenvictoriateixeir
December 2022 | 2 Respostas
Conforme Almeida, Tokumoto, Freitas (2022), na aprendizagem por reforço, o agente aprende a partir de uma recompensa (ou seja, o reforço). Diferente dos outros tipos de aprendizagem, neste não há um conjunto de treinamento, rotulado ou não. Este tipo de aprendizagem procura detectar como devem ser as ações em ambientes predeterminados. Esta aprendizagem realiza a interação entre dois elementos de forma que o ambiente é o local onde o agente de aprendizagem interage ao tomar suas decisões. Quando o agente de aprendizagem toma uma decisão: I) se as ações estão corretas, o agente recompensa o ambiente; CONTUDO, II) o agente aplica uma penalidade ao ambiente, sinalizando que as ações são negativas. ALMEIDA, Iara Carnevale de; TOKUMOTO, Ronie Cesar; FREITAS, Janaína Aparecida de. Técnicas de Machine Learning (Aprendizagem de Máquina). Maringá - PR.: Unicesumar, 2021. A respeito dessas asserções, assinale a opção correta: Alternativas Alternativa 1: As asserções I e II são proposições falsas. Alternativa 2: A asserção I é uma proposição verdadeira, e a II é uma proposição falsa. Alternativa 3: A asserção I é uma proposição falsa, e a II é uma proposição verdadeira. Alternativa 4: As asserções I e II são proposições verdadeiras, e a II é uma justificativa correta da I. Alternativa 5: As asserções I e II são proposições verdadeiras, mas a II não é uma justificativa correta da I.
Responda
karenvictoriateixeir
December 2022 | 2 Respostas
Conforme Almeida, Tokumoto e Freitas (2022), a Inteligência Artificial Estreita (IAE) prevê o processamento restrito de habilidades e a Inteligência Artificial Geral (IAG) procura imitar a inteligência humana, com capacidade para resolver qualquer problema, assim como os humanos fazem em qualquer situação. Estes mesmos autores salientam que I) os sistemas baseados em IAE não podem fazer qualquer outra tarefa que não seja a que lhe foi atribuîda; II) exemplos de IAE são jogar xadrez, reconhecer rostos em imagens ou gravações de vídeo e fazer a previsão de preços; III) algumas caracterîsticas que os sistemas IAG devem ter são: conhecimento prévio, senso comum, abstração, causalidade e aprendizagem por transferência. ALMEIDA, Iara Carnevale de; TOKUMOTO, Ronie Cesar; FREITAS, Janaína Aparecida de. Técnicas de Machine Learning (Aprendizagem de Máquina). Maringá - PR.: Unicesumar, 2021. É correto o que se afirma em: Alternativas Alternativa 1: I, apenas. Alternativa 2: III, apenas. Alternativa 3: I e III, apenas. Alternativa 4: II e III, apenas. Alternativa 5: I, II e III.
Responda
karenvictoriateixeir
December 2022 | 1 Respostas
Conforme Almeida, Tokumoto e Freitas (2022), o Machine Learning (ML) e o Deep Learning (DL) estão presentes em nossa rotina. Estes autores assumem que já tivemos algum contato com aplicações baseadas em ML ou DL, ou conhecemos alguma empresa que utiliza técnicas de aprendizagem através de aplicações práticas, executadas com sucesso. Finalmente, esses mesmos autores indicam que I ) aplicações baseadas em ML que envolve análise de dados, recomendação de produto e análise de sentimentos POIS II) a análise de dados possibilita que hajam resultados relevantes para as empresas, no que refere às previsões, apoio para tomada de decisões, detectar oportunidades e/ou mudanças nos diferentes setores destas empresas; a recomendação de produtos é um exemplo desta análise dos dados pois pode-se ter um serviço de recomendação de produtos que considere o perfil e os desejos dos clientes, permitindo que a empresa possa realizar marketing direcionado de produtos; e finalmente, a análise de sentimentos permite que se detectem sentimentos bons (ou ruins) que os clientes têm sobre as suas marcas e/ou produtos através de, por exemplo, comentários nas redes sociais ou em e-mails. ALMEIDA, Iara Carnevale de; TOKUMOTO, Ronie Cesar; FREITAS, Janaína Aparecida de. Técnicas de Machine Learning (Aprendizagem de Máquina). Maringá - PR.: Unicesumar, 2021. Alternativas Alternativa 1: As asserções I e II são proposições falsas. Alternativa 2: A asserção I é uma proposição verdadeira, e a II é uma proposição falsa. Alternativa 3: A asserção I é uma proposição falsa, e a II é uma proposição verdadeira. Alternativa 4: As asserções I e II são proposições verdadeiras, e a II é uma justificativa correta da I. Alternativa 5: As asserções I e II são proposições verdadeiras, mas a II não é uma justificativa correta da I.
Responda
karenvictoriateixeir
December 2022 | 1 Respostas
Em Almeida, Tokumoto e Freitas (2021) foram apresentados conceitos e aplicações que envolvem Inteligência Artificial (IA) baseada em Aprendizado de Máquina (AM) ou Aprendizado Profundo (AP). Neste material salientou-se a diferença entre ML ou AP com IA é a capacidade de “aprender”, pois nem toda IA tem essa capacidade. ALMEIDA, Iara Carnevale de; TOKUMOTO, Ronie Cesar; FREITAS, Janaína Aparecida de. Técnicas de Machine Learning (Aprendizagem de Máquina). Maringá - PR.: Unicesumar, 2021. Analisando o texto acima, assinale a alternativa que apresenta uma aplicação baseada em IA e que não necessita de algoritmos de aprendizado. Alternativas Alternativa 1: Robô que busca automatizar um processo manual em linhas de fabricação tal como, parafusar peças de um carro. Alternativa 2: Sistema para treinar robôs de linhas de fabricação a identificarem objetos para, por exemplo, separá-los conforme o seu formato. Alternativa 3: Programa que tem capacidade de análise linguística que responde à perguntas realizadas com um ser-humano, tal como o IBM Watson. Alternativa 4: Programa de vídeo game que usa tática defensiva para evitar que você marque gols, sempre da mesma maneira, em uma partida de futebol. Alternativa 5: Programas que permitem análise de dados, recomendação de produtos e até análise de sentimentos, de forma a aumentar a competitividade da empresa.
Responda
karenvictoriateixeir
December 2022 | 1 Respostas
Conforme Almeida, Tokumoto, Freitas (2022), o computador pode aprender uma tarefa por tentativa e erro, realizando análise de muitos exemplos de treinamento. As Redes Neurais Artificiais (RNA) podem aprender a resolver diferentes tipos de problema e são utilizadas para construir soluções de problemas complexos. Algoritmos de Aprendizagem baseado em RNA são procedimentos utilizados para realizar todo o processo de aprendizagem e modificar os pesos sinápticos da rede para alcançar o objetivo desejado, de forma ordenada. Esta modificação de pesos sinápticos é um dos métodos para os projetos que usam redes neurais. I) RNA extraem poder computacional de uma estrutura paralela distribuída como também da habilidade de aprender e generalizar. CONTUDO, II) diz-se generalizar pois a rede neural produz saídas adequadas para as entradas que, ainda, não foram aprendidas via processo de treinamento. ALMEIDA, Iara Carnevale de; TOKUMOTO, Ronie Cesar; FREITAS, Janaína Aparecida de. Técnicas de Machine Learning (Aprendizagem de Máquina). Maringá - PR.: Unicesumar, 2021. A respeito dessas asserções, assinale a opção correta: Alternativas Alternativa 1: As asserções I e II são proposições falsas. Alternativa 2: A asserção I é uma proposição verdadeira, e a II é uma proposição falsa. Alternativa 3: A asserção I é uma proposição falsa, e a II é uma proposição verdadeira. Alternativa 4: As asserções I e II são proposições verdadeiras, e a II é uma justificativa correta da I. Alternativa 5: As asserções I e II são proposições verdadeiras, mas a II não é uma justificativa correta da I
Responda
karenvictoriateixeir
December 2022 | 1 Respostas
Segundo Haykin (2007), afirma-se que: "o cérebro humano é um computador (sistema de processamento de imagens) altamente complexo, não linear e paralelo...". Assim como nosso cérebro, que possui uma rede de neurônios, uma inteligência artificial pode possuir uma Rede Neural Artificial (RNA), o objetivo dessa rede é simular o cérebro humano afim de tornar uma inteligência computacional o mais próximo da inteligência humana, ou seja, um sistema capaz de resolver problemas complexos. HAYKIN, S. Redes Neurais: princípios e práticas. [S. l.]: Bookman, 2007. Adaptado. Com base no texto, analise as alternativas que melhor correspondem com as características de uma Rede Neural Artificial: I. A RNA deve ser tolerante a falhas. II. A Rede Neural Artificial deve ser flexível, ou seja, ela tem a capacidade de adaptar os pesos sinápticos e pode ser treinada novamente caso necessário. III. O processamento para reconhecer um padrão de determinada imagem deve acontecer de forma rápida e precisa, por isso o processamento deve ser escalável caso necessário. IV. O processo de treinamento de uma RNA deve possuir um mapeamento das entradas e saídas para que a rede possa acertar o resultado com mais precisão, ou seja, quanto mais a RNA é treinada maior será o percentual de acerto. É correto o que se afirma em: Alternativas Alternativa 1: I e IV, apenas. Alternativa 2: II e III, apenas. Alternativa 3: III e IV, apenas. Alternativa 4: I, II e III, apenas. Alternativa 5: I, II, III e IV, apenas.
Responda
karenvictoriateixeir
December 2022 | 1 Respostas
Conforme Almeida, Tokumoto, Freitas (2022), a clusterização é uma técnica de classificação “primitiva”, pois nenhuma suposição é feita a respeito dos grupos analisados. Além disto, estes mesmo autores indicam que existem diferentes tipos de agrupamento de clusters: 1) Grupo Exclusivo - onde cada registro pertence a um único grupo; 2) Sobreposto - os registros podem pertencer a mais de um grupo ou cluster; 3) Completo ou parcial - onde se consegue separar (ou não) todos os registros; 4) Homogêneo ou heterogêneo - agrupamento que apresenta (ou não) tamanhos, formas e densidades similares; 5) Hierárquico - a hierarquia entre os grupos que podem conter subgrupos e outros registros. Desses grupos, percebe-se que I) Grupos Exclusivo, Homogêneo e Completo permitem uma melhor análise dos resultados pois os elementos dos grupos estão claramente em um cluster. CONTUDO, II) Grupos Sobreposto e Parcial possibilitam identificar que os elementos têm características que permitem estar em mais de um cluster. ALMEIDA, Iara Carnevale de; TOKUMOTO, Ronie Cesar; FREITAS, Janaína Aparecida de. Técnicas de Machine Learning (Aprendizagem de Máquina). Maringá - PR.: Unicesumar, 2021. A respeito dessas asserções, assinale a opção correta: Alternativas Alternativa 1: As asserções I e II são proposições falsas. Alternativa 2: A asserção I é uma proposição verdadeira, e a II é uma proposição falsa. Alternativa 3: A asserção I é uma proposição falsa, e a II é uma proposição verdadeira. Alternativa 4: As asserções I e II são proposições verdadeiras, e a II é uma justificativa correta da I. Alternativa 5: As asserções I e II são proposições verdadeiras, mas a II não é uma justificativa correta da I.
Responda
karenvictoriateixeir
December 2022 | 1 Respostas
Conforme Almeida, Tokumoto, Freitas (2021), aprendizagem supervisionada objetiva encontrar ótimos parâmetros que possam ser trabalhados em um modelo de conjunto de testes de rótulos desconhecidos; já a aprendizagem não supervisionada pretende a aprendizagem de padrões na entrada e tem o objetivo é analisar as semelhanças entre os objetos e agrupá-los, quando não são fornecidos valores de saída específicos. ALMEIDA, Iara Carnevale de; TOKUMOTO, Ronie Cesar; FREITAS, Janaína Aparecida de. Técnicas de Machine Learning (Aprendizagem de Máquina). Maringá - PR.: Unicesumar, 2021. I) A partir de soluções baseadas em aprendizagem, pode-se resolver problemas de classificação e regressão POIS II) se a tarefa tem um rótulo oriundo de um conjunto finito e não ordenado, aplicamos uma classificação; caso o rótulo seja um número real, temos regressão. Em outras palavras, a classificação é a atribuição de casos ou instâncias de dados a uma ou mais possíveis classes e a regressão é a estimativa do valor de uma variável baseada em exemplos. A respeito dessas asserções, assinale a opção correta: Alternativas Alternativa 1: As asserções I e II são proposições falsas. Alternativa 2: A asserção I é uma proposição verdadeira, e a II é uma proposição falsa. Alternativa 3: A asserção I é uma proposição falsa, e a II é uma proposição verdadeira. Alternativa 4: As asserções I e II são proposições verdadeiras, e a II é uma justificativa correta da I. Alternativa 5: As asserções I e II são proposições verdadeiras, mas a II não é uma justificativa correta da I.
Responda
karenvictoriateixeir
December 2022 | 1 Respostas
Conforme Almeida, Tokumoto, Freitas (2021), o cérebro humano pode ser visto como um computador, ou seja, sistema de processamento de imagens por ser paralelo, altamente complexo e não-linear. O cérebro humano tem a capacidade de organizar seus constituintes estruturais, conhecidos por neurônios, de forma a realizar processamentos rápidos”. Além disso, estes mesmos autores salientam que o cérebro humano realiza tarefas de reconhecimento de imagens de forma rotineira em, aproximadamente, 100-220 ms. Finalmente, esses autores indicam que um computador convencional pode levar dias para executar tarefas de menor complexidade. ALMEIDA, Iara Carnevale de; TOKUMOTO, Ronie Cesar; FREITAS, Janaína Aparecida de. Técnicas de Machine Learning (Aprendizagem de Máquina). Maringá - PR.: Unicesumar, 2021. I) Pode-se dizer que um neurônio humano em desenvolvimento é sinônimo de um cérebro plástico e esta plasticidade permite que o sistema nervoso em desenvolvimento se adapte ao seu meio ambiente. PORTANTO, II) a rede neural é uma máquina projetada para modelar a maneira como o cérebro realiza uma tarefa particular ou função de interesse. Para alcançar bom desempenho, as redes neurais empregam uma interligação maciça de células computacionais simples denominadas “neurônios” ou “unidades de processamento''. A respeito dessas asserções, assinale a opção correta: Alternativas Alternativa 1: As asserções I e II são proposições falsas. Alternativa 2: A asserção I é uma proposição verdadeira, e a II é uma proposição falsa. Alternativa 3: A asserção I é uma proposição falsa, e a II é uma proposição verdadeira. Alternativa 4: As asserções I e II são proposições verdadeiras, e a II é uma justificativa correta da I. Alternativa 5: As asserções I e II são proposições verdadeiras, mas a II não é uma justificativa correta da I.
Responda
karenvictoriateixeir
December 2022 | 1 Respostas
Conforme Almeida, Tokumoto, Freitas (2021), os programas baseados em Machine Learning (ML) têm o objetivo de descobrir o relacionamento entre as variáveis de entrada/saída do sistema, a partir de uma amostra de dados. Esta amostra é necessária quando os relacionamentos entre as variáveis do problema devem ser compreendidas. I) Elementos importantes para o aprendizado supervisionado de ML são os dados de treinamento, espaço de hipóteses e o algoritmo de aprendizado POIS II) os dados de treinamento pois permitem que seja feito um mapeamento funcional da entrada para a saída; o espaço de hipóteses é um conjunto de funções pré-candidatas; e o algoritmo de aprendizado irá receber dados de treinamento para depois selecionar uma hipótese no espaço de hipóteses a serem definidas. ALMEIDA, Iara Carnevale de; TOKUMOTO, Ronie Cesar; FREITAS, Janaína Aparecida de. Técnicas de Machine Learning (Aprendizagem de Máquina). Maringá - PR.: Unicesumar, 2021. A respeito dessas asserções, assinale a opção correta: Alternativas Alternativa 1: As asserções I e II são proposições falsas. Alternativa 2: A asserção I é uma proposição verdadeira, e a II é uma proposição falsa. Alternativa 3: A asserção I é uma proposição falsa, e a II é uma proposição verdadeira. Alternativa 4: As asserções I e II são proposições verdadeiras, e a II é uma justificativa correta da I. Alternativa 5: As asserções I e II são proposições verdadeiras, mas a II não é uma justificativa correta da I.
Responda
karenvictoriateixeir
December 2022 | 1 Respostas
Conforme Almeida, Tokumoto, Freitas (2021), o aprendizado não supervisionado é aplicado em situações em que não se tem uma base completa para realizar uma avaliação precisa sobre os resultados obtidos. A análise sobre os dados permite apoiar uma melhor tomada de decisões, afetando positivamente em, por exemplo: I) descobrir quais são pontos de dados que não são comuns em um conjunto de dados, isto possibilita descobrir peças de hardware que estão defeituosas ou identificar transações fraudulentas. II) procura dividir um conjunto de dados em grupos, de acordo com alguma similaridade. Salienta-se que esta técnica subestima a similaridade entre os grupos, com base em um algoritmo programado, não tratando os pontos de dados como individuais. III) identificar conjuntos de itens que ocorrem juntos e com frequência no seu conjunto de dados. A análise permite descobrir situações que podem, por exemplo, permitir o desenvolver estratégias eficazes pela organização. ALMEIDA, Iara Carnevale de; TOKUMOTO, Ronie Cesar; FREITAS, Janaína Aparecida de. Técnicas de Machine Learning (Aprendizagem de Máquina). Maringá - PR.: Unicesumar, 2021. É correto o que se afirma em: Alternativas Alternativa 1: I, apenas. Alternativa 2: III, apenas. Alternativa 3: I e III, apenas. Alternativa 4: II e III, apenas. Alternativa 5: I, II e III.
Responda
«
1
2
3
Helpful Links
Sobre nós
Política de Privacidade
Termos e Condições
direito autoral
Contate-Nos
Helpful Social
Get monthly updates
Submit
Copyright © 2024 ELIBRARY.TIPS - All rights reserved.