Prévia do material em texto

Questão 1/10 - Inteligência Artificial Aplicada
O termo one-hot descreve um grupo de bits onde apenas um dos bits é 1 (um) e todos os demais 0 (zero). Em aprendizagem de máquina, existe um método chamado one-hot enconding que é utilizada para lidar com dados categóricos.”
Considere que você possui um conjunto de dados onde já um campo Idiomas que podem assumir 3 valores: português, espanhol e inglês. Valendo dos seus conhecimentos sobre dados categóricos, uma possível codificação one-hot para este campo seria:
Nota: 10.0
	
	A
	português (1), espanhol (2), inglês (3)
	
	B
	português (00), espanhol (10), inglês (11)
	
	C
	português (000), espanhol (001), inglês (010)
	
	D
	português (001), espanhol (002), inglês (003)
	
	E
	português (001), espanhol (010), inglês (100)
Você assinalou essa alternativa (E)
Você acertou!
Justificativa:
Como se trata de 3 valores possíveis e a codificação one-hot exige que somente uma posição do valor seja igual a 1, logo a opção 001,010,100 seria a escolha correta.
Questão 2/10 - Inteligência Artificial Aplicada
Durante o processo de treinamento supervisionado de uma rede neural para reconhecimento de imagens, os dados são preparados colocando uma indicação da categoria, a qual cada imagem pertence. Durante o processo de treinamento, milhares de imagens, contendo indicações erradas como a mostrada na imagem acima, foram fornecidas para uma rede neural, fazendo com que os resultados do modelo fossem muito ruins.
De acordo com os seus conhecimentos sobre treinamento de redes neurais para reconhecimento de imagens, há muitas possibilidades, mas não será de grande utilidade:
Nota: 10.0
	
	A
	correção das etiquetas incorretas e um novo treinamento
	
	B
	testar novos hiperparâmetros
	
	C
	testar novos hiperparâmetros
	
	D
	um treinamento somente com as etiquetas incorretas
Você assinalou essa alternativa (D)
Você acertou!
Justificativa:
Em situações como a descrita, corrigir as etiquetas e treinar um novo modelo é uma boa estratégia, assim como realizar um treinamento apenas com etiquetas corretas. Mudar a taxa de aprendizagem e testar com novos hiperparâmetros pode ajudar a corrigir algumas distorções do modelo. Já treinar somente com instância com etiquetas incorretas, não ajudaria na melhora do modelo.
	
	E
	mudar a taxa de aprendizagem
Questão 3/10 - Inteligência Artificial Aplicada
Você foi contratado para o posto de cientista de dados, para compor uma equipe, que atualmente já trabalha com dados, mas não possui experiência em aprendizagem de máquina. Um das suas primeiras tarefas designadas, foi planejar um modelo de aprendizagem de máquina que consiga agrupar os clientes de um site de venda online eu grupos de interesse. As informações de navegação dos clientes no site foram coletadas e partir dessas informações devem ser criados os agrupamentos de clientes.
Utilizando os seus conhecimentos de aprendizagem de máquina e sabendo que a sua equipe dispõe de capacidade de processamento e dados em abundância, você recomendaria a utilização de:
Nota: 10.0
	
	A
	um classificador bayesiano
	
	B
	um modelo do tipo k-Means
Você assinalou essa alternativa (B)
Você acertou!
Justificativa:
O agrupamento de dados exige o uso de um método de aprendizagem não-supervisionado como o k-Means. As demais opções apresentadas, ou são métodos de aprendizagem supervisionada.
	
	C
	uma classificador do tipo k-NN
	
	D
	uma rede neural do tipo LSTM
	
	E
	uma rede neura do tipo CNN
Questão 4/10 - Inteligência Artificial Aplicada
Os modelos de regressão linear apresentam uma característica de não permitir calcular o número de erro de acertos, pois os valores obtidos no processo de predição diferem de forma diferente dos valores reais. Assim, utilizar métodos como matriz de confusão, não é possível.
Considerando o texto acima e valendo-se do seu conhecimento sobre aprendizagem de máquina,  uma medida que pode ser utilizada para avaliar a qualidade do modelo de regressão linear é o :
Nota: 10.0
	
	A
	coeficiente de erros
	
	B
	coeficiente de inércia
	
	C
	taxa de acertos
	
	D
	taxa de erros
	
	E
	coeficiente de determinação
Você assinalou essa alternativa (E)
Você acertou!
Justificativa:
Os modelos de regressão linear treinados, não devolvem um valor discreto, assim não é possível comparar o resultado da predição de forma direta com os dados anotados, mas sim a diferença do valor obtido para o valor real. Dessa maneira, a qualidade do modelo deve ser medida por uma outra técnica que considere o quão próximo das predições estão dos valores reais. Para isso, deve-se utilizar o coeficiente de determinação do modelo.
Questão 5/10 - Inteligência Artificial Aplicada
Você necessita desenvolver um classificador bayesiano para detecção de spam baseado nas palavras contidas nos e-mails recebidos. Para isso o classificador deverá utilizar o teorema de Bayes, considerando as classes como spam e não-spam e o vetor de características como a presença ou ausência de uma palavra, de acordo com a imagem acima.
Considerando do texto acima e valendo-se do seu conhecimento sobre classificação bayesiana,  o elemento P(?) será corretamente substituído por :
Nota: 10.0
	
	A
	P(não-spam | spam)
	
	B
	P(spam)
	
	C
	P(palavra)
	
	D
	P(spam | não-spam)
	
	E
	P(palavra | spam)
Você assinalou essa alternativa (E)
Você acertou!
Justificativa:
Como o classificador bayesiano utiliza conhecimento prévio para fazer a predição, nesse caso ele utilizará a informação da probabilidade de um documento conter uma palavra, dado que ele é um spam, ou seja P(palavra | spam).
Questão 6/10 - Inteligência Artificial Aplicada
Os modelos de regressão logística e regressão linear, apresentam semelhanças, além do nome. No entanto, utilizam funções diferentes para obtenção dos valores, apresentando outras diferenças entre si que determinam os diferentes uso para os quais os modelos podem ser aplicados.
Considerando o texto acima e valendo-se do seu conhecimento sobre aprendizagem de máquina,  de maneria simplificada podemos dizer que a principal diferença entre os modelos é:
Nota: 10.0
	
	A
	o tipo treinamento
	
	B
	a predição de valores contínuos e discretos
Você assinalou essa alternativa (B)
Você acertou!
Justificativa:
A regressão logística realiza a predição de valores discretos, em intervalos determinados. Enquanto a regressão linear realiza a predição de valores contínuos.
	
	C
	vetores de atributos com tamanhos distintos
	
	D
	as categorias utilizadas
	
	E
	o número de categorias
Questão 7/10 - Inteligência Artificial Aplicada
Durante o processo de treinamento supervisionado de uma rede neural para reconhecimento de imagens, os dados são preparados colocando uma indicação da categoria a qual cada imagem pertence. Durante o processo de treinamento, os dados da imagem acima foram fornecidos para uma rede neural, sendo a parte inferior da imagem a etiqueta de categoria.
De acordo com os seus conhecimentos sobre treinamento de redes neurais para reconhecimento de imagens, a rede neural irá:
Nota: 10.0
	
	A
	descartar as imagens que estão com etiqueta incorreta
	
	B
	irá corrigir as etiquetas erradas
	
	C
	será treinada e indicará que há dados incorretos
	
	D
	não será treinada, retornando um erro
	
	E
	será treinada com as etiquetas incorretas
Você assinalou essa alternativa (E)
Você acertou!
Justificativa:
Durante o fornecimento dos dados de treino para um modelo, se houver instâncias identificadas com categorias erradas, o modelo não conseguirá fazer a distinção entre instâncias que foram identificadas corretamente e aquelas que não foram. Assim, o modelo é treinado com os dados identificados de forma incorreta.
Questão 8/10 - Inteligência Artificial Aplicada
Os modelos de aprendizagem de máquina, necessitam que os dados que lhe são fornecidos sejam convertidos para valores numéricos. Assim, quando temos dados que necessitam de conversão, pode-se utilizar um processo de categorizar uma variável. Representando cada possível valor por um número distinto, e que, se possível represente uma relaçãode hierarquia ou precedência entre os possíveis valores.
De acordo com os seus conhecimentos sobre dados categóricos e one-hot encoding, podemos dizer que uma grande diferença entre representar uma variável categórica por valores numéricos e one-hot encoding é:
Nota: 10.0
	
	A
	que a primeira representa melhor que segunda
	
	B
	que a segunda representa melhor que a primeira
	
	C
	a primeira serve apenas determinados tipos de valores
	
	D
	a segunda serve apenas para determinados tipos de valores
	
	E
	a segunda cria variáveis derivadas, aumentando o número de atributos
Você assinalou essa alternativa (E)
Você acertou!
Justificativa:
Quando convertemos um atributo para one-hot encode, passamos a ter novos atributos que indicam a presença ou não daquele valor. Por exemplo, se tivermos uma variável com dois valores possíveis, ela seria representada como atributoN = 1 ou  atributoN = 2. Quando temos a codificação one-hot encode para a mesma variável, ela será feita da seguinte forma, atributoN_valor1 = 0 ou  atributoN_valor1 = 1,  atributoN_valor2 = 0 ou  atributoN_valor2 = 1. Assim temos novas variáveis derivadas a partir dos valores que a mesma pode assumir.
Questão 9/10 - Inteligência Artificial Aplicada
“Determinar o preço de venda torna-se tarefa extremamente importante e constitui-se uma das peças fundamentais do planejamento empresarial, pois proporcionará rentabilidade, competitividade, crescimento e retorno do capital investido. O preço é fator importante na decisão de compra, pois, em mercados competitivos, o cliente considera seu desembolso financeiro altamente relevante. ”
SEBRAE, Como Elaborar o Preço de Venda, 2013.
Considerando o texto acima e valendo-se do seu conhecimento sobre aprendizagem de máquina, caso você necessite de um modelo para determinar o preço de um determinado produto, em um ambiente de recursos limitados, sua escolha mais provável seria:
Nota: 0.0Você não pontuou essa questão
	
	A
	modelo de Regressão Linear
Justificativa:
Como o preço de um produto é um valor contínuo e considerando a limitação de recursos computacionais, um algoritmo de regressão linear será a melhor escolha.
	
	B
	rede do tipo LSTM
Você assinalou essa alternativa (B)
	
	C
	rede do tipo CNN
	
	D
	modelo k-Means
	
	E
	modelo HDBSCAN
Questão 10/10 - Inteligência Artificial Aplicada
Você foi contratado para o posto de cientista de dados, para compor uma equipe, que atualmente já trabalha com dados, mas não possui experiência em aprendizagem de máquina. Um das suas primeiras tarefas designadas, foi a explanação de trechos de códigos em linguagem relacionados ao treinamento de modelos de aprendizagem de máquina.
Um dos trechos que a equipe gostaria de compreender se refere a uma troca de códigos, onde o código:
mlp_clf = MLPClassifier(warm_start=True, max_iter=500,                                                                                                         hidden_layer_sizes=(100,))
Foi substituído por:
            mlp_clf = MLPClassifier(warm_start=True, max_iter=500,
                                                         hidden_layer_sizes=(50,50))
A equipe gostaria de saber se essa mudança, iria exigir mais memória. Ou seja, se o número de nós da rede aumentaria.
De acordo com os seus conhecimentos de  aprendizagem de máquina, a substituição de código fará com o número de nós do classificar perceptron de múltiplas camadas:
Nota: 10.0
	
	A
	irá diminuir
	
	B
	irá dobrar
	
	C
	reduzirá pela metade
	
	D
	permanecerá igual
Você assinalou essa alternativa (D)
Você acertou!
Justificativa:
O número de nós do classificador é dado pela soma de todos os elementos do parâmetro hidden_layer_sizes. Como nos dois trechos de código o total de valores permanece constante, 100 e 50+10, não há alteração da quantidade de nós.
	
	E
	irá aumentar
image2.wmf
image3.png
image4.png
image1.wmf