A respeito de mineração de dados, assinale a opção correta. 

Em uma iniciativa de Business Intelligence, uma instituição consolidou dados provenientes de sistemas transacionais distintos para alimentar painéis gerenciais, análises OLAP e modelos exploratórios de descoberta de padrões. Durante a revisão da arquitetura, foram avaliados processos de ETL, regras de qualidade de dados, granularidade das cargas, tratamento de dimensões lentamente mutáveis e uso de técnicas de Data Mining. Com base no tema, analise as sentenças a seguir: 
I- Em processos de ETL, a etapa de transformação pode envolver padronização de formatos, tratamento de valores ausentes, remoção de duplicações, conversão de tipos, aplicação de regras de negócio e conformidade entre dimensões oriundas de fontes distintas.

II- A qualidade dos dados em ambientes analíticos depende exclusivamente da ferramenta de visualização utilizada, pois inconsistências de origem, duplicidades, ausência de chaves de integração e divergências semânticas são corrigidas automaticamente durante a renderização dos dashboards.

III- Técnicas de Data Mining podem ser utilizadas para identificar padrões, associações, agrupamentos, classificações ou tendências em grandes conjuntos de dados, mas seus resultados exigem interpretação crítica, validação e atenção a vieses, qualidade da amostra e pertinência do modelo.

IV- A carga incremental em um Data Warehouse elimina a necessidade de controle temporal dos dados, pois qualquer alteração em sistemas de origem deve sobrescrever integralmente os registros históricos para preservar apenas o estado atual das informações.

Analisadas as sentenças, estão CORRETAS apenas: 

O aprendizado de máquina (machine learning) é frequentemente categorizado em diferentes paradigmas, dependendo da natureza dos dados disponíveis e do problema a ser resolvido. Dois dos tipos mais comuns são o aprendizado supervisionado e o aprendizado não supervisionado.

A principal diferença conceitual entre essas duas abordagens reside no fato de que, no aprendizado supervisionado:

A mineração de dados em bancos de dados, particularmente em um data warehouse, tem como finalidade principal

A mineração de dados envolve técnicas utilizadas para descobrir padrões e relações em grandes volumes de dados, podendo empregar métodos supervisionados ou não supervisionados. Considerando esses conceitos, informe se é verdadeiro (V) ou falso (F) o que se afirma a seguir e assinale a alternativa com a sequência correta.

( ) Classificação é uma técnica não supervisionada cujo objetivo é prever uma classe categórica a partir dos dados analisados.
( ) Regressão é uma técnica supervisionada utilizada para prever um valor numérico contínuo com base em um conjunto de dados previamente rotulados.
( ) Clusterização é uma técnica não supervisionada que visa agrupar objetos similares sem a utilização de rótulos prévios.
( ) Regras de associação buscam identificar relações do tipo “Se X ocorre, então Y tende a ocorrer”, sendo o algoritmo k-NN (k-Nearest Neighbors, ou k-vizinhos mais próximos) um dos métodos comumente utilizados para esse fim. 

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:

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:

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 

No processo de descoberta de conhecimento (KDD), a etapa de mineração de dados se caracteriza por

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