A taxa global de sucesso do algoritmo, ou ACC, é a porcentagem de classificações consideradas corretas, ela é calculada dividindo o número de classificações pelo número total de classificações. A acurácia pode ser definida como o grau em que um valor calculado ou medido está alinhado com o valor real, ela é calculada dividindo o número de acertos pelo número de resultados possíveis. A taxa de erro E de um classificador também é uma medida de precisão. Num banco de dados contendo o registro de 1555 e-mails, é necessário encontrar a taxa global do algoritmo (ACC) e a acurácia (E), sendo que os dados que foram retornando de um algoritmo de classificação foram $VP = 255, VN = 1000, FN = 270$ e $FP = 30$, os resultado corretos serão:

Sobre as etapas de classificação supervisionada, escolha a alternativa que associa corretamente as tarefas abaixo com as etapas de treinamento e teste:

Treinamento.
Teste.

I. Os dados rotulados são usados para preparar a técnica de classificação. II. O desempenho da técnica de classificação é avaliado. III. Os dados não rotulados são classificados. IV. Etapa inicial da classificação supervisionada.

Relacione os tipos de estruturas nos quais os algoritmos de classificação podem ser separados com as afirmações que caracterizam tais tipos de estruturas. Escolha a alternativa que contém as relações corretas.

Probabilísticos.
Baseados em conhecimento.
Conexionistas.
Baseados em distância.

I. Calculam a diferença entre o objeto a ser classificado e os demais objetos rotulados. II. Possuem um conjunto de regras que determinam a classe de um objeto. III. Permitem atribuir uma chance de um objeto pertencer a uma ou mais classes. IV. São formados por redes (nós) interconectadas.

Escolha a alternativa que contém somente características que fazem parte da classificação supervisionada: I - Predizer a classe de novos registros a partir de registros conhecidos. II - Ausência de conhecimento das possíveis classes às quais os registros podem pertencer. III - Separação dos dados em etapas de treinamento e teste. IV - Análise de correlação entre os atributos do conjunto de dados.

A validação cruzada é frequentemente usada para determinar o quão bem um modelo preditivo é treinado. No entanto também pode ser usada para estimar o erro de generalização de algoritmos, que é uma das aplicações mais comuns de validação cruzada. Com base no objetivo da validação cruzada como estimativa de desempenho, assinale a alternativa que melhor a descreve.

Leia os exemplos de análise de dados abaixo e escolha a alternativa que contém somente exemplos em que se pode usar classificação supervisionada. I - Um banco possui uma carteira de clientes e deseja usá-la para analisar solicitações de empréstimo de clientes que podem se tornar inadimplentes. II - Uma loja possui dados dos seus clientes, como seus perfis e histórico de compras, e pretende usá-los para oferecer produtos específicos de acordo com determinadas categorias às quais esses clientes pertencem. III - Um supermercado possui dados sobre os produtos que vende e compra, e pretende identificar quais produtos estão mais relacionados para fazer ofertas conjuntas.

Os modelos preditivos são usados para automatizar muitos processos de tomada de decisão, incluindo decisões de negócio e plantas industriais. Os modelos preditivos também podem ser usados para classificar objetos, processar frutas automaticamente, controlar a qualidade e muito mais. A criação de um modelo preditivo é teoricamente possível quando certos objetos podem ser rotulados e treinados de forma supervisionada, isso ocorre porque é possível estimar o valor de novos objetos sem conhecer seu rótulo. Em relação aos passos para projetar o modelo preditivo, observe as afirmativas a seguir. I. Pré-processamento dos dados: é realizada a limpeza dos dados, há também a integração, a redução, a transformação e a discretização. II. A separação dos dados em conjunto é realizada primeiramente no treinamento e após o teste: conjunto de treinamentos e conjunto de testes. III. Treinamento e teste: treinamento para adaptar os parâmetros livres do modelo para que alcance o nível de excelência. IV. Avaliação da saída: modelos preditivos que precisam ter sua saída avaliada ao desempenho. Está correto o que se afirma em:

Sobre as medidas de suporte e confiança, indique a alternativa que relaciona corretamente as afirmações a seguir com as duas medidas.

Suporte.
Confiança.

I. É útil para a definição de limite para a eliminação de regras de associação pouco interessantes. II. Sua fórmula é: número de registros da tabela que contêm todos os itens da regra de associação dividido pelo número de registros da tabela que contêm o antecedente de tal regra. III. É medida de acurácia de uma regra de associação. IV. Indica a probabilidade de ocorrência de uma regra de associação no conjunto total de transações.

As regras de associação são descobertas em processos de mineração, que envolvem a criação frequente de conjuntos de itens e a extração das próprias regras de associação. Estas são encontradas satisfazendo critérios específicos em uma base transacional, combinando muitos itens diferentes. Com relação a alguns conceitos básicos dos algoritmos de mineração de regras de associação, avalie as afirmativas a seguir. I. Conjunto com $k$ itens: conjunto com uma frequência de ocorrência e que tem contagem de suporte. II. Conjunto de itens frequentes de tamanho $k$: todos os elementos do conjunto possuem dois campos, sendo que um registra o número de itens, enquanto o outro rastreia o suporte. III. Padrão frequente: um conjunto de itens que aparece com frequência é conhecido como “$k$-set”, o qual é definido por ter mais do que um suporte $minsupper$. É correto o que se afirma em:

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.

O processo de agrupamento de dados é uma técnica fundamental em mineração de dados que visa descobrir padrões naturais e segmentar os dados em subconjuntos significativos baseados em suas similaridades. Esse processo não é trivial e envolve várias decisões críticas que podem afetar significativamente os resultados. Entre essas decisões, a seleção de atributos relevantes e a definição adequada dos parâmetros do algoritmo são fundamentais. A escolha dos atributos determina quais características dos dados serão consideradas no processo de agrupamento, enquanto os parâmetros dos algoritmos, como o número de clusters no K-means ou o raio de vizinhança no DBSCAN, influenciam diretamente na formação dos clusters. Considerando a importância das decisões prévias no processo de agrupamento de dados, assinale a alternativa que representa o impacto dessas decisões nos resultados dos algoritmos de agrupamento?

A tecnologia de machine learning encontra um sem-número de aplicações práticas — inclusive em termos de suportar métodos para detecção de anomalias. O fato é que nos métodos ______________ (lacuna 1) baseados em aprendizado de máquina, pode-se utilizar diversos modelos para realizar a ______________ (lacuna 2) de anomalias. Traz a possibilidade de se utilizar tanto dados categóricos como numéricos discretos. Para a abordagem supervisionada do tipo 2, pode-se utilizar tanto árvores de _____________ (lacuna 3) quanto regras de classificação. Preencha as lacunas escolhendo a alternativa CORRETA.

A partir do exemplo de base transacional e das regras de associação abaixo, escolha a alternativa que contém somente regras de associação corretas: ID Itens 1 {abacate, banana, carambola, figo, limão, maçã} 2 {banana, figo, melão, uva} 3 {banana, maçã, uva} 4 {abacate, carambola, jaca, limão, pêssego} 5 {abacate, abacaxi, banana, limão, mamão, romã} I. Sempre que alguém compra abacate, também compra limão. II. Sempre que alguém compra banana, também compra maçã. III. Sempre que alguém compra abacate, também compra banana. IV. Sempre que alguém compra carambola, também compra abacate. V. Sempre que alguém compra uva, também compra banana.

Os algoritmos de agrupamento desempenham um papel importante na análise de dados, permitindo a descoberta de padrões e a segmentação de conjuntos de dados complexos. Dentre as diversas abordagens de agrupamento, os métodos baseados em conectividade (como o agrupamento hierárquico) e os baseados em centroides (como o K-means) são particularmente populares. Cada um desses tipos possui características únicas que os tornam mais adequados para determinadas situações, dependendo da natureza dos dados e dos objetivos específicos da análise. Considere as seguintes afirmativas sobre os algoritmos de agrupamento baseado em conectividade e baseado em centroides: Os algoritmos baseados em conectividade criam clusters se baseando na proximidade ou distância entre os pontos de dados, formando uma hierarquia que pode ser visualizada por um dendrograma. II. Os algoritmos baseados em centroides são particularmente eficazes para dados de grande volume devido à sua baixa complexidade computacional em comparação com os métodos de conectividade. III. O K-means, um algoritmo baseado em centroides, requer a definição prévia do número de clusters, o que pode ser uma limitação se a estrutura natural dos dados é desconhecida. IV. Os métodos baseados em conectividade são incapazes de identificar clusters com formas não esféricas, enquanto métodos baseados em centroides não têm essa limitação. V. Os algoritmos baseados em conectividade podem se adaptar melhor a conjuntos de dados com clusters de tamanhos e formas variados, ao contrário dos algoritmos baseados em centroides. É correto o que se afirma em:

A tarefa de predição na mineração de dados envolve usar modelos de aprendizado de máquina para prever valores futuros ou resultados futuros baseados em dados históricos. É frequentemente usada para fazer previsões em aplicações comerciais, como previsão de vendas, marketing direcionado e detecção de fraudes. A escolha do modelo adequado e a coleta de dados relevantes são importantes para garantir uma boa precisão na predição. Entre as tarefas de predição, existem alguns algoritmos utilizados. Assinale a alternativa que apresenta qual desses algoritmos é usado para predição.

Na análise descritiva de dados, os cálculos de medidas de resumo e as medidas de tendência central verificam como estão as distribuições dos dados mais ao centro das amostras. Considerando o apresentado, avalie as afirmativas a seguir, sobre as quatro medidas com suas definições, e as correlacione adequadamente às descrições às quais se referem. 1 - Média 2 - Mediana 3 - Moda 4 - Ponto médio I - Identifica o valor que se mostra mais frequente. II - Resultado da operação (menor + maior) / 2. III - Mostra-se bem sensível a valores extremos. IV - Configura-se precisamente no valor do meio. Assinale a alternativa que correlaciona adequadamente os dois grupos de informação.

Um conjunto de dados em que objeto e atributos fazem parte do contexto define uma estrutura de dados. A seguir, constam sentenças que estão diretamente ligadas à caracterização dos elementos de uma estrutura de dados. Considerando o apresentado, avalie as afirmativas a seguir, sobre o conjunto de dados, e as correlacione adequadamente aos termos ou ferramentas às quais se referem. 1 - Objeto 2 - Atributo I - Registro ou linha. II - Coluna ou campo. III - Instância do conjunto de dados. IV - Característica de objeto. Assinale a alternativa que correlaciona adequadamente os dois grupos de informação.

Sobre o processo de descoberta de conhecimento em bases de dados (KDD), qual das alternativas abaixo relaciona corretamente o que faz cada etapa do processo de KDD apresentada?

Seleção.
Definição dos objetivos.
Pré-processamento.

I - Desenvolver uma compreensão sobre o dominio da aplicação. II - Identificar possíveis conjuntos de dados para serem usados no processo de KDD. III - Adequar os dados para realizar a mineração.

Feedback

Mineracao De Dados

Precisa de conforto para estudar? 📚

Móveis Planejados de Alto Padrão | Marcenaria RGM

Precisa de conforto para estudar? 📚

Móveis Planejados de Alto Padrão | Marcenaria RGM

Quer divulgar sua marca aqui?

A taxa global de sucesso do algoritmo, ou ACC, é a porcentagem de classificações consideradas corret...

Veja também no Blog

TCC e PI em Computação e Ciência de Dados na UNIVESP: Qual a Diferença?

Precisa de conforto para estudar? 📚

Sobre as etapas de classificação supervisionada, escolha a alternativa que associa corretamente as t...

Relacione os tipos de estruturas nos quais os algoritmos de classificação podem ser separados com as...

Escolha a alternativa que contém somente características que fazem parte da classificação supervisio...

Móveis Planejados de Alto Padrão | Marcenaria RGM

A validação cruzada é frequentemente usada para determinar o quão bem um modelo preditivo é treinado...

Leia os exemplos de análise de dados abaixo e escolha a alternativa que contém somente exemplos em q...

Os modelos preditivos são usados para automatizar muitos processos de tomada de decisão, incluindo d...

Sobre as medidas de suporte e confiança, indique a alternativa que relaciona corretamente as afirmaç...

As regras de associação são descobertas em processos de mineração, que envolvem a criação frequente ...

A mineração de itens frequentes requer a mineração de um algoritmo eficiente que possa minerar todo ...

O processo de agrupamento de dados é uma técnica fundamental em mineração de dados que visa descobrir padrões naturais e segmentar os dados em...

A tecnologia de machine learning encontra um semnúmero de aplicações práticas — inclusive em termos de suportar métodos para detecção de anomalias. O...

A partir do exemplo de base transacional e das regras de associação abaixo, escolha a alternativa que contém somente regras de associação corretas:...

Os algoritmos de agrupamento desempenham um papel importante na análise de dados, permitindo a descoberta de padrões e a segmentação de conjuntos de...

A tarefa de predição na mineração de dados envolve usar modelos de aprendizado de máquina para prever valores futuros ou resultados futuros baseados...

Na análise descritiva de dados, os cálculos de medidas de resumo e as medidas de tendência central verificam como estão as distribuições dos dados...

Um conjunto de dados em que objeto e atributos fazem parte do contexto define uma estrutura de dados. A seguir, constam sentenças que estão...

Sobre o processo de descoberta de conhecimento em bases de dados (KDD), qual das alternativas abaixo relaciona corretamente o que faz cada etapa do...