Questões de Concurso
Sobre data mining em banco de dados
Foram encontradas 565 questões
Ano: 2026
Banca:
CESPE / CEBRASPE
Órgão:
TCE-RN
Prova:
CESPE / CEBRASPE - 2026 - TCE-RN - Auditor de Controle Externo - Especialidade: Tecnologia da Informação |
Q4019761
Banco de Dados
Julgue o próximo item, a respeito de visualização e análise exploratória de dados, de linguagens e ferramentas de apoio à análise de dados e de técnicas e tarefas de mineração de dados.
O boxplot (diagrama de caixa) é uma ferramenta de visualização que possibilita identificar a mediana, a dispersão dos dados e a presença de valores atípicos (outliers) em uma distribuição.
Ano: 2026
Banca:
CESPE / CEBRASPE
Órgão:
TCE-RN
Prova:
CESPE / CEBRASPE - 2026 - TCE-RN - Auditor de Controle Externo - Especialidade: Tecnologia da Informação |
Q4019758
Banco de Dados
Acerca de modelagem dimensional, do CRISP-DM e do uso de banco de dados relacionais na análise de dados, julgue o item a seguir.
No modelo de referência CRISP-DM, a fase de preparação de dados ocorre estritamente após a conclusão da fase de modelagem, com o objetivo de formatar as saídas preditivas geradas.
Ano: 2026
Banca:
CESPE / CEBRASPE
Órgão:
TCE-RN
Prova:
CESPE / CEBRASPE - 2026 - TCE-RN - Analista Administrativo - Especialidade: Tecnologia da Informação |
Q4014212
Banco de Dados
Texto associado
No que se refere à classificação da mineração de dados, à
mineração de texto, à modelagem preditiva e à visualização e
análise exploratória de dados, julgue os item subsecutivo.
Modelos de regressão linear são métodos estocásticos para
modelagem da relação entre variáveis aleatórias e uma
função polinomial.
Ano: 2026
Banca:
CESPE / CEBRASPE
Órgão:
TCE-RN
Prova:
CESPE / CEBRASPE - 2026 - TCE-RN - Analista Administrativo - Especialidade: Tecnologia da Informação |
Q4014211
Banco de Dados
Texto associado
No que se refere à classificação da mineração de dados, à
mineração de texto, à modelagem preditiva e à visualização e
análise exploratória de dados, julgue os item subsecutivo.
Em um processo de mineração de texto, a tokenização é o
processo de dividir textos longos em palavras individuais,
removendo-se espaços e pontuação, para fins de
identificação da frequência de termos ou da estrutura de uma
frase em um grande volume de documentos.
Ano: 2026
Banca:
CESPE / CEBRASPE
Órgão:
TCE-RN
Prova:
CESPE / CEBRASPE - 2026 - TCE-RN - Analista Administrativo - Especialidade: Tecnologia da Informação |
Q4014210
Banco de Dados
Texto associado
No que se refere à classificação da mineração de dados, à
mineração de texto, à modelagem preditiva e à visualização e
análise exploratória de dados, julgue os item subsecutivo.
Enquanto um falso positivo é um erro do tipo 2, um falso
negativo é um erro do tipo 1.
Ano: 2026
Banca:
CESPE / CEBRASPE
Órgão:
TCE-RN
Prova:
CESPE / CEBRASPE - 2026 - TCE-RN - Analista Administrativo - Especialidade: Tecnologia da Informação |
Q4014208
Banco de Dados
Texto associado
Acerca de técnicas para pré-processamento de dados,
CRISP-DM, análise de grupamento, detecção de anomalias e
regras de associação, julgue o próximo item.
Uma anomalia é um valor discrepante, ou seja, um valor que
se localiza significativamente distante dos valores
considerados normais.
Ano: 2026
Banca:
CESPE / CEBRASPE
Órgão:
TCE-RN
Prova:
CESPE / CEBRASPE - 2026 - TCE-RN - Analista Administrativo - Especialidade: Tecnologia da Informação |
Q4014207
Banco de Dados
Texto associado
Acerca de técnicas para pré-processamento de dados,
CRISP-DM, análise de grupamento, detecção de anomalias e
regras de associação, julgue o próximo item.
Na metodologia CRISP-DM, a preparação dos dados serve
para limpá-los, tratando valores ausentes, outliers e
inconsistências.
Ano: 2026
Banca:
CESPE / CEBRASPE
Órgão:
TCE-RN
Prova:
CESPE / CEBRASPE - 2026 - TCE-RN - Analista Administrativo - Especialidade: Tecnologia da Informação |
Q4014206
Banco de Dados
Texto associado
Acerca de técnicas para pré-processamento de dados,
CRISP-DM, análise de grupamento, detecção de anomalias e
regras de associação, julgue o próximo item.
Em mineração de dados, dado ruidoso é aquele cujo valor
está fora do domínio do atributo.
Ano: 2026
Banca:
CESPE / CEBRASPE
Órgão:
TCE-RN
Prova:
CESPE / CEBRASPE - 2026 - TCE-RN - Analista Administrativo - Especialidade: Tecnologia da Informação |
Q4014205
Banco de Dados
Texto associado
Acerca de técnicas para pré-processamento de dados,
CRISP-DM, análise de grupamento, detecção de anomalias e
regras de associação, julgue o próximo item.
O k-means é um algoritmo iterativo de agrupamento baseado
em centroides, isto é, ele divide um conjunto de dados em
grupos semelhantes com base na distância entre seus
centroides.
Ano: 2026
Banca:
CESPE / CEBRASPE
Órgão:
TCE-RN
Prova:
CESPE / CEBRASPE - 2026 - TCE-RN - Analista Administrativo - Especialidade: Tecnologia da Informação |
Q4014204
Banco de Dados
Texto associado
Acerca de técnicas para pré-processamento de dados,
CRISP-DM, análise de grupamento, detecção de anomalias e
regras de associação, julgue o próximo item.
No contexto de regras de associação, o conceito de confiança
refere-se à expectativa de que um dado, grupo ou banco de
dados atue da maneira esperada em dada situação.
Q4013973
Banco de Dados
No ciclo de vida CRISP-DM (Cross-Industry
Standard Process for Data Mining), usado em
Ciência de Dados, qual etapa trata da limpeza,
tratamento e formatação dos dados:
Q4013972
Banco de Dados
A ciência de dados utiliza métodos e
técnicas com o objetivo de extrair conhecimento
e insights a partir de grandes volumes de dados.
A análise de dados inicia-se com uma pergunta
que pode ser classificada em diversos tipos. O
tipo de pergunta que busca identificar se existem
padrões, tendências ou relacionamentos em um
conjunto de dados, sem a necessidade de uma
hipótese prévia, é classificada como:
Q4009191
Banco de Dados
No contexto da Ciência de Dados, o conceito que está
diretamente relacionado ao estabelecimento de
políticas, processos, papéis e responsabilidades para
garantir qualidade, segurança, conformidade e uso
adequado dos dados ao longo de seu ciclo de vida é
Q3968381
Banco de Dados
No processo de descoberta de conhecimento (KDD), a etapa de mineração de dados se caracteriza por
Ano: 2026
Banca:
FCC
Órgão:
SEFAZ-SP
Prova:
FCC - 2026 - SEFAZ-SP - Auditor Fiscal da Receita Estadual - AFRE - Gestão Tributária - Conhecimentos Específicos (P3) |
Q3956761
Banco de Dados
No desenvolvimento de um modelo de detecção de contribuintes com alto risco de simulação de operações, após definir claramente com a área de fiscalização quais tipos de fraude serão priorizados, quais indicadores de negócio serão acompanhados
(como aumento de autos de infração qualificados e redução de fiscalizações improdutivas) e quais restrições legais e
operacionais existem para uso do modelo, a equipe de uma Secretaria da Fazenda registra esses critérios e alinha expectativas
com a alta gestão. Com base na metodologia CRISP-DM, essa descrição se encaixa principalmente na fase de
Ano: 2026
Banca:
FADESP
Órgão:
SEFAZ-PA
Prova:
FADESP - 2026 - SEFAZ-PA - Fiscal de Receitas Estaduais - Conhecimentos Gerais |
Q3951157
Banco de Dados
Ao executar o algoritmo Apriori, as seguintes regras associativas foram determinadas como relevantes:
{café, açúcar} => {leite} e {açúcar, trigo} => {leite}.
Considerando essas duas regras associativas relevantes, é verdade que
{café, açúcar} => {leite} e {açúcar, trigo} => {leite}.
Considerando essas duas regras associativas relevantes, é verdade que
Ano: 2026
Banca:
FGV
Órgão:
AL-GO
Prova:
FGV - 2026 - AL-GO - Analista Legislativo - Analista de Ciência de Dados |
Q3880237
Banco de Dados
Matheus foi empossado recentemente pela ALEGO como analista
e está se aprofundando nos estudos das redes neurais (RN). Ele
sabe que as RN podem ter diversas formas de aprendizagem não
supervisionada.
O tipo de aprendizado onde os neurônios de saída da rede disputam entre si para se tornarem ativos e somente um neurônio de saída é ativado em determinado instante se denomina:
O tipo de aprendizado onde os neurônios de saída da rede disputam entre si para se tornarem ativos e somente um neurônio de saída é ativado em determinado instante se denomina:
Ano: 2026
Banca:
FGV
Órgão:
AL-GO
Prova:
FGV - 2026 - AL-GO - Analista Legislativo - Analista de Ciência de Dados |
Q3880236
Banco de Dados
O perceptron é um dos modelos de redes neurais artificiais mais
simples e tradicionais. A figura a seguir ilustra o grafo arquitetural
de um perceptron. Analise-a.
Com relação as características do grafo, analise as afirmativas a seguir.
I. A rede possui várias camadas, sendo quatro camadas ocultas e três camadas de saída de dados.
II. A rede é do tipo totalmente conectada, isso significa que cada neurônio em qualquer camada está conectado a todos os outros neurônios da camada anterior.
III. O fluxo de sinais é unidirecional e progride na rede da esquerda para a direita e de camada em camada.
Está correto o que se afirma em
Com relação as características do grafo, analise as afirmativas a seguir.
I. A rede possui várias camadas, sendo quatro camadas ocultas e três camadas de saída de dados.
II. A rede é do tipo totalmente conectada, isso significa que cada neurônio em qualquer camada está conectado a todos os outros neurônios da camada anterior.
III. O fluxo de sinais é unidirecional e progride na rede da esquerda para a direita e de camada em camada.
Está correto o que se afirma em
Ano: 2026
Banca:
FGV
Órgão:
AL-GO
Prova:
FGV - 2026 - AL-GO - Analista Legislativo - Analista de Ciência de Dados |
Q3880235
Banco de Dados
Árvores de decisão (AD) são classificadores muito utilizados em
Ciência de Dados. Com relação as características da AD, analise as
afirmativas a seguir.
I. É a representação de uma função que mapeia um vetor de valores de atributos para um único valor de saída.
II. Uma árvore de decisão chega à sua decisão realizando uma sequência de testes, começando por uma de suas raízes e seguindo o ramo apropriado até que uma folha seja alcançada.
III. Cada nó interno na árvore corresponde a um teste do valor de um dos atributos de entrada, os ramos a partir do nó são rotulados com os possíveis valores do atributo, e os nós folha especificam qual valor deve ser retornado pela função.
Está correto o que se afirma em
I. É a representação de uma função que mapeia um vetor de valores de atributos para um único valor de saída.
II. Uma árvore de decisão chega à sua decisão realizando uma sequência de testes, começando por uma de suas raízes e seguindo o ramo apropriado até que uma folha seja alcançada.
III. Cada nó interno na árvore corresponde a um teste do valor de um dos atributos de entrada, os ramos a partir do nó são rotulados com os possíveis valores do atributo, e os nós folha especificam qual valor deve ser retornado pela função.
Está correto o que se afirma em
Ano: 2026
Banca:
FGV
Órgão:
AL-GO
Prova:
FGV - 2026 - AL-GO - Analista Legislativo - Analista de Ciência de Dados |
Q3880232
Banco de Dados
A regressão logística é um modelo muito popular na ciência de
dados, ele é muito utilizado em diversos projetos da ALEGO. Com
relação às características da regressão logística, analise as
afirmativas a seguir.
I. É um modelo de regressão linear e dentro do contexto do aprendizado de máquina, a regressão logística pertence à família de modelos de aprendizado de máquina supervisionado.
II. Representa dois grupos de interesse como uma variável binária com valores 0 e 1, não importando qual o grupo é designado com os valores o versus 1, mas a designação de como dever ser observada interpretação dos coeficientes.
III. A função logística é representada pelas seguintes fórmulas:
a) Logit(pi) = 1/(1+ ln(-pi))
b) exp(pi/(1-pi)) = β_0 + β _1*X_1 + … + β _k*K_k.
onde:
logit(pi) é a variável dependente ou de resposta, e x é a variável independente.
Está correto o que se afirma em
I. É um modelo de regressão linear e dentro do contexto do aprendizado de máquina, a regressão logística pertence à família de modelos de aprendizado de máquina supervisionado.
II. Representa dois grupos de interesse como uma variável binária com valores 0 e 1, não importando qual o grupo é designado com os valores o versus 1, mas a designação de como dever ser observada interpretação dos coeficientes.
III. A função logística é representada pelas seguintes fórmulas:
a) Logit(pi) = 1/(1+ ln(-pi))
b) exp(pi/(1-pi)) = β_0 + β _1*X_1 + … + β _k*K_k.
onde:
logit(pi) é a variável dependente ou de resposta, e x é a variável independente.
Está correto o que se afirma em
Conheça nossos planos