O potencial da célula pode ser usado para prever o sentido de uma reação redox. Observe as alternativas abaixo e marque a alternativa correta sobre o potencial da célula e o sentido de uma reação redox. (considere: E = E° - R T lnQ/ (nF)) (Como Gr = - nFE e Gr° = - nFE°))
A entalpia de hidratação dos íons é uma medida da energia liberada quando íons são dissolvidos em água e interagem com as moléculas de água. A entalpia de hidratação do é , a do é e a do é Esses valores refletem a força das interações entre os íons e as moléculas de água.Com base nos conceitos estudados, analise as asserções a seguir e a relação proposta entre elas:
A entalpia de hidratação do é mais negativa que a do porque o tem um raio iônico menor e mesma carga e, portanto, a carga é distribuída em um volume menor, resultando em interações íon-dipolo menos intensas com as moléculas de água.
PORQUE
A entalpia de hidratação do é muito mais negativa que a do ou do devido à sua carga dupla e raio iônico ainda menor, o que intensifica as forças de atração eletrostática com as moléculas de água.
A respeito dessas asserções, assinale a alternativa correta:
A classificação de sentimentos a partir de textos é uma das principais aplicações de análise de sentimentos. Considerando o conjunto de dados a seguir, com informações de 8 (oito) textos, qual atributo preditivo (feature, característica) você escolheria para determinar, de forma mais precisa, o sentimento? Se julgar necessário, pode utilizar a equação de Bayes para tomar a decisão.| | | | | | | --- | --- | --- | --- | --- | | ID | #AVALIAÇÕES | CATEGORIA | TEM PAIS VIVOS | SENTIMENTO | | 1 | MÉDIA | ESPORTE | SIM | POSITIVO | | 2 | BAIXA | POLICIAL | NÃO | NEGATIVO | | 3 | ALTA | MODA | NÃO | POSITIVO | | 4 | MÉDIA | ESPORTE | NÃO | POSITIVO | | 5 | MÉDIA | POLICIAL | SIM | NEGATIVO | | 6 | ALTA | POLICIAL | NÃO | NEGATIVO | | 7 | BAIXA | ESPORTE | SIM | POSITIVO | | 8 | BAIXA | POLICIAL | SIM | NEGATIVO |
Em uma ontologia, as relações semânticas representam um tipo de relação entre as palavras e os significados. A relação de parte entre duas palavras, ou seja, uma relação “é parte de” é o tipo de relação denominada:
Considere um minerador de emoções, no qual, em um documento analisado, a avaliação “Bom atendimento” aparece 5 vezes, “Agilidade” 3 vezes, e “Qualidade” 1 vez.As taxas de frequência (TF) normalizadas para “Bom atendimento”, “Agilidade” e “Qualidade”, respectivamente, são:
O objetivo da similaridade textual consiste em verificar o quão “próximos” são dois fragmentos de texto a partir ____________ (lacuna 1) e de ____________ (lacuna 2), em que o primeiro se refere à similaridade ____________ (lacuna 3), e a segunda à similaridade ____________ (lacuna 4).Selecione a alternativa que representa os conteúdos adequados para preencher as lacunas do texto acima:
Uma das principais vantagens das redes neurais profundas (RNPs) é que elas podem aprender a extrair características relevantes a partir de dados. Existem, inclusive, RNPs voltadas exclusivamente para extração de características, por exemplo:
A filtragem de informações refere-se à seleção da informação relevante e à retirada de informações irrelevantes a partir de um fluxo de dados recebidos. Uma aplicação prática dessa filtragem de informações é:
Com o crescimento acelerado de mídias sociais, os usuários podem expressar suas ideais e opiniões por fóruns, tweets, sites para avaliação de produtos, vídeos, posts etc. Nesse contexto, técnicas de classificação são utilizadas para classificar essas opiniões em, por exemplo, positiva, negativa ou neutra. Esse tipo de aplicação é conhecido por:
Para resolver problemas não linearmente separáveis utilizando RNAs, a alternativa mais empregada é adicionar uma ou mais camadas intermediárias. Uma rede com uma camada intermediária pode implementar qualquer função contínua. A partir de duas camadas intermediárias, é possível aproximar qualquer função, desde que sejam utilizados neurônios suficientes.Sobre as redes Perceptron de múltiplas camadas (MLP, do inglês Multilayer Percetron), é correto afirmar:
Uma rede é completamente conectada quando os neurônios da rede estão conectados a todos os neurônios da camada anterior e/ou seguinte. 2. A taxa de aprendizado no treinamento da rede representa o quanto a rede já aprendeu e, por isso, valores altos fazem com que as variações dos pesos sejam menores. 3. Utilizam nas camadas intermediárias funções de ativação não lineares.
Além do grau de conectividade, as RNAs podem apresentar ou não conexões de retroalimentação, ou feedback. A informação em uma rede neural geralmente flui da camada de entrada da rede para os neurônios da camada de saída. As conexões de retroalimentação permitem que um neurônio receba em seus terminais de entrada a saída de um neurônio da mesma camada ou de uma camada posterior. O neurônio pode, inclusive, receber sua própria saída em um de seus terminais de entrada. Essas redes são conhecidas como:
As redes neurais artificiais (RNAs) destacam-se como um dos principais modelos de aprendizado de máquina. Sobre as RNAs, é correto afirmar:
Uma das vantagens das RNAs é a sua capacidade de generalização. 2. Os resultados estado-da-arte em áreas como análise de imagens e vídeos foram obtidos por RNAs, em especial por redes neurais profundas. 3. Uma das vantagens das RNAs é a interpretabilidade do modelo. 4. Uma desvantagem das RNAs é a dificuldade na escolha dos seus parâmetros, por isso são muitas vezes referenciadas como “caixas-pretas”.
Consideramos a ideia de desenvolver um classificador binário para classificar documentos como “positivo” (éplágio) ou “negativo” (não é plágio). Nesse contexto, podemos afirmar que:
Encontrar regras de associação que associam valores de um subconjunto de atributos preditivos a valores de outro subconjunto. 2. Diagnóstico médico de pacientes a partir de seus sintomas. 3. Encontrar grupos de objetos similares entre si em um conjunto de dados.
Considere a seguinte matriz de confusão com o desempenho de um classificador:| | | | | --- | --- | --- | | Classe Prevista | Classe Verdadeira | | | P | N | | P | 25 | 30 | | N | 25 | 20 |O valor da precisioné:
Assuma que a fração de alunos de Graduação que fuma seja de 15%, e que a fração de alunos de Pós-Graduação que fuma seja de 23%. Se 1/5 dos alunos da universidade são de Pós-Graduação (sendo o restante de Graduação), qual a probabilidade de um aluno fumante ser de Pós-Graduação?
Uma das formas de lidar com tarefas preditivas em aprendizado de máquina, principalmente quando as informações disponíveis são incompletas ou imprecisas, é por meio do uso de algoritmos baseados no teorema de Bayes, os métodos probabilísticos bayesianos.Dentre eles, destaca-se o classificador Naive Bayes, que é considerado ingênuo:
Assuma que a fração de alunos de Graduação indígenas seja de 15%, e que a fração de alunos de Pós-Graduação indígenas seja de 23%.Se 1/5 dos alunos da universidade são de Pós-Graduação (sendo o restante de Graduação), qual a probabilidade de um aluno indígena ser de Graduação?
O Latent Dirichlet Allocation (LDA) é um dos modelos de tópicos mais populares, tendo servido como base para criar muitos outros modelos probabilísticos. Sobre LDA, é correto afirmar:
É um modelo probabilístico generativo de um corpus. 2. Pode-se dizer que o modelo LDA foi baseado nos modelos LSA (Latent Semantic Analysis) e pLSI (probabilistic Latent Semantic Indexing). 3. Cada tópico se caracteriza por uma distribuição de palavras.
O resultado da modelagem em tópicos garante exclusividade de tópicos corretos de cada documento. 2. Diminui a dependência de conhecimentos especializados sobre a coleção ou o domínio, imprescindíveis para interpretar esses tópicos. 3. Existem grandes chances de os documentos com ideias equivalentes de tópicos ficarem agrupados juntos.
O grande volume de dados disponíveis exige cada vez mais a utilização de ferramentas automatizadas a fim de armazenar, organizar e recuperar informações.Nesse contexto, emprega-se a sumarização de textos para organizar de maneira lógica informações sobre diferentes coleções de dados. Sobre a sumarização de textos, é correto afirmar:
Os algoritmos de sumarização automática de textos (SAT) podem ser classificados conforme o número de textos processados. 2. A sumarização pode ser empregada em diferentes casos, como em notícias, artigos científicos ou prontuários de pacientes de um hospital. 3. Os objetivos da sumarização se classificam em dois pontos de vista principais: o escritor e o revisor dos textos.
Na biblioteca Gensim, existe uma função de pré-processamento acessível pelo módulo _________________ (lacuna 1) por _________________________ (lacuna 2), que recebe o documento como parâmetro obrigatório e outros três parâmetros opcionais: deacc,min_len e max_len.Selecione a alternativa que apresenta conteúdos adequados para preencher as lacunas do texto acima:
Uma maneira de melhorar as pesquisas por informações digitais é procurar o seu tema, quando se torna possível tanto buscar informações mais específicas quanto mais amplas dentro de um tema, incluindo ainda o acesso ao histórico de como esses temas mudaram ao longo do tempo ou como estão conectados entre si. Assim, em vez de empregar somente palavras-chave, a pesquisa inicia com o tema de interesse e com a análise dos documentos relacionados a esse tema. Nesse contexto, a um conjunto de algoritmos que visam pesquisar sobre grandes arquivos de documentos com informações temáticas, dá-se o nome de:
Diferentemente das representações clássicas, em que as palavras são representadas simplesmente por uma sequência de caracteres ou como um índice de um vocabulário, word embeddings introduzem o conceito de aprendizado por representação. Sobre word embeddings, é correto afirmar:
O conceito de embeddings refere-se a uma representação em um espaço vetorial contínuo de maior dimensionalidade aprendida ou gerada a partir de uma representação de menor dimensionalidade. 2. As embeddings podem ser aprendidas/geradas para variáveis discretas (ex.: documentos, sentenças e palavras). 3. A utilização de embeddings facilita a utilização dos algoritmos de aprendizado de máquina, aumentando a velocidade de execução e reduzindo o consumo de memória.
Considere o trecho de código em Python a seguir:def FUNC(model, tagged_data, num_dim):matrix = np.zeros((len(tagged_data),num_dim))for i inrange(len(tagged_data)):matrix[i] = model.docvecs[tagged_data[i][1][0]]return matrix...model = Doc2Vec(vector_size=100, min_count=2, dm=1, dm_concat = 1,epochs=100)...resultado = FUNC(model, tagged_treino, num_dim)O papel da função FUNC é:
