Uma aplicação de árvores de decisão na área industrial é a manutenção preditiva de máquinas. Empresas utilizam esse modelo para prever falhas em equipamentos e otimizar os cronogramas de manutenção. Com base nesses dados, a árvore de decisão pode classificar se a máquina está em bom estado, precisa de manutenção preventiva ou está em risco de falha iminente. Isso reduz custos operacionais, evita paradas inesperadas na produção e melhora a eficiência industrial.Neste contexto, associe o conceito às descrições corretamente.| | | | --- | --- | | Conceito | Descrição | | I. Indução de modelos | A. Ocorre quando o modelo se ajusta excessivamente aos dados de treinamento, comprometendo seu desempenho em novos dados. | | II. Precisão em aprendizado supervisionado | B. Consiste na extração de padrões gerais a partir de um conjunto de dados de treinamento. | | III. Overfitting | C. Garante alta precisão em dados não vistos, desde que o conjunto de treinamento seja grande. |Assinale a alternativa que apresenta a associação correta.
Na área de engenharia, árvores de decisão são aplicadas no controle de qualidade, ajudando a identificar falhas em produtos ou processos. Elas classificam variáveis de produção para apontar fatores que levam a defeitos, permitindo intervenções direcionadas para melhorar a eficiência e reduzir desperdícios.Com relação a este contexto e sobre o conteúdo estudado, examine as asserções a seguir e a relação proposta entre elas:I. As regras de divisão em modelos de classificação, como as usadas em árvores de decisão, são baseadas em métricas como entropia, Gini e ganho de informação, que avaliam a pureza dos subconjuntos formados após uma divisão.PORQUE II. A entropia e o ganho de informação sempre levam a melhores divisões que o índice de Gini, porque a entropia penaliza mais as divisões impuras.A respeito dessas asserções, assinale a alternativa correta.
Leia o trecho a seguir:A maximização de imagens requer a definição de um espaço de características, onde cada imagem é representada por vetores que capturam suas propriedades essenciais. Modelos computacionais utilizam operações matemáticas, como transformações lineares, para mapear as características iniciais para representações mais úteis.
Dessa forma, a Máquina de Vetores de Suporte (SVM) busca encontrar um(a) [preencher 1] que separa as classes de dados com a maior [preencher 2].Os termos [preencher 1] e [preencher 2] são corretamente substituídos por:
No aprendizado baseado em maximização, o objetivo é ajustar os parâmetros de uma rede neural para maximizar a qualidade das imagens reconstruídas. Para isso, utiliza-se o cálculo do gradiente das funções de perda, propagando os erros de reconstrução no sentido inverso. Esse processo depende de técnicas como backpropagation, fundamentadas no cálculo multivariado.Neste sentido, recordando a teoria de aprendizado estatístico, é correto afirmar o seu principal objetivo principal é:
Em fundamentos matemáticos, a maximização de imagens depende do uso de convoluções para capturar padrões locais em dados visuais. A aplicação de kernels convolucionais é modelada por operações de multiplicação e soma de matrizes, permitindo a extração de recursos essenciais. Diante do apresentado sobre separador de margem máxima, compreenda as afirmativas a seguir: I. O separador de margem máxima é sensível a outliers, pois tenta maximizar a distância entre os pontos de suporte e o hiperplano. II. O objetivo do separador de margem máxima é minimizar o número de pontos classificados incorretamente no conjunto de dados de treinamento. III. O separador de margem máxima garante a generalização ideal, mesmo em conjuntos de dados com ruído significativo. É correto o que se afirma em:
O aprendizado por maximização em imagens frequentemente emprega redes generativas para criar novas representações visuais. Essas redes otimizam funções de custo para maximizar a verossimilhança de um conjunto de treinamento. Considerando este contexto, interprete e associe os conceitos às descrições correspondentes sobre Support Vector Machines (SVMs) com Margens Rígidas:Conceitos:
I. Exigência de separabilidade linear
II. Permissão de erros de classificação
III. Maximização da margem entre classesDescrição:
a. Têm como característica exigir que os dados de treinamento sejam linearmente separáveis.
b. Não permitem pequenos erros de classificação nos dados de treinamento para evitar overfitting.
c. Buscam maximizar a margem entre as classes quando a função de perda é desconsiderada.Assinale a alternativa que apresenta a associação correta.
A teoria de otimização aplicada à maximização de imagens utiliza algoritmos como Gradiente Descendente Estocástico (SGD) para encontrar mínimos locais ou globais. Esses algoritmos ajustam iterativamente os parâmetros de um modelo para reduzir a diferença entre a saída gerada e a imagem real. Neste sentido, analisando os diferentes tipos de SVMs utilizados em aprendizado de máquinas, assinale a alternativa correta.
Aprendizado baseado em maximização de imagens utiliza funções de otimização para ajustar os parâmetros de um modelo, a fim de maximizar a similaridade entre uma imagem reconstruída e a original. Essa técnica é frequentemente aplicada em tarefas como compressão e reconstrução de imagens, envolvendo o uso de gradientes para encontrar valores ótimos. De acordo com o apresentado, sobre o aprendizado de máquina, assinale a alternativa que reconhece quais são os métodos de maximização de margens que são frequentemente associados a qual conceito principal.
O processo de maximização em aprendizado visual frequentemente utiliza transformadas matemáticas, como a Transformada de Fourier, para decompor imagens em frequências. Isso facilita a manipulação de informações específicas da imagem, como bordas e texturas, em diferentes escalas. Com relação a este contexto e sobre o conteúdo estudado, analise as asserções a seguir e a relação proposta entre elas. I. Um gráfico de dispersão pode ser utilizado para mostrar a frequência de compras em um conjunto de testes em aprendizado de máquinas. PORQUE II. Um gráfico de dispersão é ideal para exibir distribuições unidimensionais de frequência, como um histograma. A respeito dessas asserções, assinale a alternativa correta.
A análise estatística é fundamental no aprendizado baseado em maximização de imagens, sendo empregada para estimar distribuições de pixels em um conjunto de dados. Os métodos como máxima verossimilhança ou MAP (Máxima a Posteriori) são usados para ajustar parâmetros de modelos probabilísticos. Com relação a este contexto e sobre o conteúdo estudado, examine as asserções a seguir e a relação proposta entre elas. I. Os SVMs não lineares podem separar dados que não são linearmente separáveis no espaço original. PORQUE II. Os SVMs não lineares utilizam múltiplos hiperplanos no espaço original para criar regiões de decisão complexas. A respeito dessas asserções, assinale a alternativa correta.
Os modelos que lidam com ambientes computacionais de ______ são os que utilizam o paradigma de ______, os quais são compostos por rotinas de comunicação e sincronização de tarefas. Um exemplo que utiliza tal modelo é o ______.
O aspecto mais difícil de criar um programa de memória compartilhada é traduzir o que se deseja para uma versão multithread. Para o OpenMP, existem três modelos de programação. No ____________________________ (lacuna 1), cabe ao programador anotar as tarefas para execução em paralelo e definir os pontos de sincronização. No ____________________________ (lacuna 2), um processo é visto em conjunto de _____________________ (lacuna 3), que se comunicam por meio da utilização de variáveis compartilhadas.
Assinale a alternativa que possui a sequência correta das lacunas.
O framework OpenMPi representa um conjunto de processos que possuem acesso à memória local, no qual as informações são enviadas do processo local para o remoto. Com relação ao OpenMPi, avalie as afirmações a seguir, que explicam esse modelo. i. Desenvolvido para ambientes de memória distribuída e máquinas paralelas. ii. MPi é um padrão criado por um consórcio entre empresas. iii. Fornece funcionalidade básica para que os processos se comuniquem. iv. O paralelismo é implícito (o programador não é responsável pela distribuição). Está correto o que se afirma em:
No ambiente de programação CUDA, a função utilizada para acessar dados da memória do dispositivo, bem como a função para alocar memória são respectivamente:
O OpenMP é um modelo de programação de memória compartilhada, que nasceu da cooperação entre um grupo de grandes fabricantes de software e hardware, com o intuito de promover uma padronização nesse campo de aplicação, não sendo, necessariamente, uma implementação, mas sim uma especificação que todos os seus usuários podem utilizá-la. Com relação ao OpenMP e aos seus objetivos, observe as afirmativas a seguir. I. Ser o padrão de programação para arquiteturas de memória compartilhada. II. Estabelecer um conjunto simples e ilimitado de diretivas de programação. III. Possibilitar a paralelização incremental de programas sequenciais. IV. Permitir implementações eficientes em problemas de granularidade. Está correto o que se afirma em:
Explorando o OpenMPI como um dos frameworks da computação paralela, vários conceitos estão relacionados a esse processo, dos quais podemos citar: thread safety, comunicação coletiva, perfis, processo, rank, grupos, comunicador, application buffer, system buffer, count, type, tag e status. O processo tem uma identificação única (um número inteiro positivo) atribuída pelo sistema quando o processo é inicializado. Assinale a alternativa que contém, corretamente, o nome desse conceito demonstrado pelas características anteriores.
O CUDA (Computer Unified Device Architecture), além de ser uma plataforma de computação paralela é também um modelo de programação. Este modelo envolve ______ que possui duas ou três coordenadas dimensionais. Tais ____ são partes de um ______.
Uma aplicação prática do agrupamento de dados (clustering) em aprendizado de máquina é a segmentação de clientes em marketing. Nesse contexto, algoritmos de agrupamento, como K-Means ou DBSCAN, são usados para dividir clientes em grupos com características semelhantes com base em dados como histórico de compras, comportamento de navegação, idade e localização.De acordo com o apresentado, assinale a alternativa que reconhece o conceito de análise de agrupamentos em aprendizado de máquina.
A análise de agrupamento espectral transforma dados em um espaço de autovetores calculados de matrizes de afinidade ou similaridade. Essa técnica permite identificar clusters conectados, utilizando álgebra linear e decomposição espectral.Com relação a este contexto e sobre o conteúdo estudado, examine as asserções a seguir e a relação proposta entre elas.I. Os algoritmos de agrupamento baseados em grafos, como o algoritmo de corte mínimo (Min-Cut), podem particionar os dados em clusters ao remover as arestas de menor peso em um grafo.PORQUEII. Os algoritmos baseados em grafos consideram apenas a conectividade dos nós no grafo, ignorando o peso das arestas.A respeito dessas asserções, assinale a alternativa correta.
No aprendizado baseado em distâncias, modelos como DBSCAN identificam clusters baseando-se em regiões de alta densidade. A matemática envolvida considera vizinhanças de raio fixo em espaços métricos, onde a contagem de pontos determina densidades.Diante do apresentado sobre categorias de algoritmos de agrupamento, compreenda as afirmativas a seguir:I. Algoritmos de agrupamento particional, como o K-means, exigem a definição prévia do número de clusters.II. Algoritmos hierárquicos não podem ser utilizados em grandes conjuntos de dados devido à alta complexidade computacional.III. Algoritmos baseados em densidade, como o DBSCAN, são eficazes para identificar clusters de forma arbitrária e detectar outliers.É correto o que se afirma em:
O agrupamento fuzzy permite que pontos pertençam a múltiplos clusters com diferentes graus de pertinência, baseando-se em distâncias. A função objetivo minimiza uma soma ponderada de distâncias, fundamentada em álgebra linear e funções fuzzy.Considere as tarefas descritivas de aprendizado de máquina: sumarização, associação e agrupamento. Nesse sentido, analise as alternativas e assinale a que apresenta uma característica específica de cada uma dessas tarefas.
Leia o trecho a seguir:No agrupamento, métodos como K-means iterativamente minimizam a soma das distâncias quadradas entre pontos e seus centróides. Essa otimização utiliza conceitos de mínimos locais e funções de custo, com base no cálculo diferencial. O modelo depende de inicializações e convergências que envolvem análise estatística.
Os modelos descritivos, como a análise de agrupamentos, são usados para identificar [preencher 1] nos dados, agrupando amostras com base em [preencher 2].Os termos [preencher 1] e [preencher 2] são corretamente substituídos por:
A métrica de distância é central no aprendizado por agrupamento, permitindo avaliar a semelhança entre elementos de um conjunto. Distâncias como a de Minkowski generalizam métricas específicas, ajustando o impacto de diferenças em cada dimensão.Neste sentido, assinale a alternativa que define corretamente o funcionamento de algoritmos hierárquicos de agrupamento em aprendizado de máquina.
O aprendizado baseado em distâncias encontra aplicações na redução de dimensionalidade, como no método ISOMAP, que preserva distâncias geodésicas. Essa abordagem usa grafos e caminhos mínimos, calculados por algoritmos como Dijkstra.Com relação a este contexto e sobre o conteúdo estudado, avalie as asserções a seguir e a relação proposta entre elas.I. Os algoritmos particionais baseados em erro quadrático, como o K-means, buscam minimizar a soma dos erros quadráticos entre os pontos de dados e os centróides dos clusters.PORQUEII. Os algoritmos particionais baseados em erro quadrático consideram a densidade dos dados como o critério principal para a formação dos clusters.A respeito dessas asserções, assinale a alternativa correta.
O ______ é um dos componentes do Apache Kafka que atua para facilitar a verificação de ______, o gerenciamento e a coordenação. Também pode ser chamado de um serviço centralizado para manter informações de configurações e nomenclaturas entre serviços distribuídos. O Kafka utiliza este componente para sincronizar as configurações entre diferentes clusters.Assinale a alternativa que completa corretamente as lacunas acima:
O Spark lida com o problema de acesso compartilhado por meio de conjuntos de dados distribuídos conhecidos como ______, os quais se destaca como um modelo de programação ______.Assinale a alternativa que completa corretamente as lacunas acima:
Analise as afirmações a seguir sobre o Apache Kafka e o Kubernetes e escolha a alternativa correta.I. O Kubernetes confere ao Apache Kafka a portabilidade entre provedores de infraestrutura e sistemas operacionais.
II. Com o Apache Kafka, os clusters do Kubernetes podem ser distribuídos em ambientes locais e em nuvens públicas, privadas ou públicas.
III. O Kubernetes é uma plataforma escalável para hospedar as aplicações do Kafka.
IV. O Apache Kafka é um sistema open source para gerenciamento de aplicações em containers.
O framework Kafka, para processamento em larga escala, é uma plataforma de streaming distribuído que possui alta escalabilidade, tolerância a falhas, permite alto nível de paralelismo e desacoplamento entre produtores de dados e consumidores de dados.Analise estas duas definições: as mensagens são persistidas em uma fila, mas uma mensagem específica pode ser consumida por, no máximo, um consumidor; as mensagens são persistidas em um tópico, e os consumidores podem se inscrever em um ou mais tópicos e consumir todas as mensagens desse tópico.Assinale a alternativa correta que define os tipos de sistemas de mensagens para a definição dos trechos acima, respectivamente.
_______ no contexto do Spark significa que a execução não será iniciada até que uma ação seja acionada. Isso acontece quando ocorrem transformações do Spark. As transformações são _______ por natureza, ou seja, quando chamamos alguma operação no RDD, ela não é executada imediatamente.Assinale a alternativa que completa corretamente as lacunas acima:
