Questões de Concurso
Comentadas sobre data mining em banco de dados
Foram encontradas 523 questões
Ano: 2025
Banca:
CESPE / CEBRASPE
Órgão:
TRF - 6ª REGIÃO
Prova:
CESPE / CEBRASPE - 2025 - TRF - 6ª REGIÃO - Analista Judiciário – Área: Apoio Especializado – Especialidade: Análise de Sistemas de Informação |
Q3167148
Banco de Dados
Acerca de data mining e data mart, julgue o item subsequente.
A técnica de clustering (agrupamento), em data mining, é utilizada para classificar dados em categorias predefinidas, facilitando a análise de grandes volumes de dados.
Ano: 2025
Banca:
CESPE / CEBRASPE
Órgão:
TRF - 6ª REGIÃO
Prova:
CESPE / CEBRASPE - 2025 - TRF - 6ª REGIÃO - Analista Judiciário – Área: Apoio Especializado – Especialidade: Análise de Dados |
Q3167030
Banco de Dados
Em relação às fases do CRISP-DM, julgue o próximo item.
A fase 7 do CRISP-DM indica que o processo de construção do armazém de dados correspondente deve ser revisado em função das atualizações dos dados.
Ano: 2025
Banca:
CESPE / CEBRASPE
Órgão:
TRF - 6ª REGIÃO
Prova:
CESPE / CEBRASPE - 2025 - TRF - 6ª REGIÃO - Analista Judiciário – Área: Apoio Especializado – Especialidade: Análise de Dados |
Q3167029
Banco de Dados
Em relação às fases do CRISP-DM, julgue o próximo item.
Na fase de modelagem do CRISP-DM, além da divisão de dados em treinamento, testes e validação, são escolhidos os algoritmos que podem ser testados e utilizados de acordo com o tipo de exploração dos dados desejada.
Q3154043
Banco de Dados
No contexto de Processamento de Linguagem Natural, a técnica
de word embeddings é
Ano: 2024
Banca:
IF-MT
Órgão:
IF-MT
Prova:
IF-MT - 2024 - IF-MT - Professor do Ensino Básico, Técnico e Tecnológico - Engenharia da Computação |
Q3541848
Banco de Dados
Considere as afirmativas acerca de Mineração de Dados:
I – As soluções para resolver o problema de valores ausentes são diversas, sendo as mais comuns: remoção do exemplar em que ocorre a falta do valor, preenchimento manual dos valores e preenchimento automático dos valores.
II – Os valores ruidosos referem-se a modificações dos valores originais e que, portanto, consistem em erros de medidas ou em valores consideravelmente diferentes da maioria dos outros valores do conjunto de dados, os chamados outliers. Há duas abordagens para o tratamento destes dados: inspeção e correção manual; e identificação e limpeza automática.
III - Procedimentos para integração de dados consistem em realizar ações que permitam integrar, adequadamente, dados provenientes de diversas fontes de dados. Geralmente, quando os dados provêm de diferentes fontes, os valores assumidos por atributos não possuem o mesmo domínio ou não estão formatados sob o mesmo tipo de dado, ainda que digam respeito à mesma descrição de uma entidade do mundo real. As principais motivações para a aplicação de procedimentos de integração de dados são, portanto, a presença de valores inconsistentes e a presença de valores redundantes.
De acordo com Silva, Peres e Boscarioli (2016), é CORRETO afirmar que:
I – As soluções para resolver o problema de valores ausentes são diversas, sendo as mais comuns: remoção do exemplar em que ocorre a falta do valor, preenchimento manual dos valores e preenchimento automático dos valores.
II – Os valores ruidosos referem-se a modificações dos valores originais e que, portanto, consistem em erros de medidas ou em valores consideravelmente diferentes da maioria dos outros valores do conjunto de dados, os chamados outliers. Há duas abordagens para o tratamento destes dados: inspeção e correção manual; e identificação e limpeza automática.
III - Procedimentos para integração de dados consistem em realizar ações que permitam integrar, adequadamente, dados provenientes de diversas fontes de dados. Geralmente, quando os dados provêm de diferentes fontes, os valores assumidos por atributos não possuem o mesmo domínio ou não estão formatados sob o mesmo tipo de dado, ainda que digam respeito à mesma descrição de uma entidade do mundo real. As principais motivações para a aplicação de procedimentos de integração de dados são, portanto, a presença de valores inconsistentes e a presença de valores redundantes.
De acordo com Silva, Peres e Boscarioli (2016), é CORRETO afirmar que:
Ano: 2024
Banca:
IF-MT
Órgão:
IF-MT
Prova:
IF-MT - 2024 - IF-MT - Professor do Ensino Básico, Técnico e Tecnológico - Engenharia da Computação |
Q3541844
Banco de Dados
Avalie as sentenças sobre Mineração de Dados:
I – A mineração de dados é uma disciplina exclusiva da engenharia da computação, utilizada como ferramenta por demais áreas de conhecimento.
II – As tarefas descritivas da mineração de dados fazem inferência a partir dos dados e possuem o objetivo de realizar predições.
III – Durante as tarefas de mineração de dados, os valores de dados outliers não podem ser descartados, para garantir a fidedignidade do modelo em uso.
Conforme Castro e Ferrari (2016), é CORRETO afirmar que:
I – A mineração de dados é uma disciplina exclusiva da engenharia da computação, utilizada como ferramenta por demais áreas de conhecimento.
II – As tarefas descritivas da mineração de dados fazem inferência a partir dos dados e possuem o objetivo de realizar predições.
III – Durante as tarefas de mineração de dados, os valores de dados outliers não podem ser descartados, para garantir a fidedignidade do modelo em uso.
Conforme Castro e Ferrari (2016), é CORRETO afirmar que:
Ano: 2024
Banca:
IF-MT
Órgão:
IF-MT
Prova:
IF-MT - 2024 - IF-MT - Professor do Ensino Básico, Técnico e Tecnológico - Informática |
Q3541437
Banco de Dados
Analise as afirmações a seguir sobre OLAP (Online Analytical Processing), Data Warehouse e Data Mining:
I – As aplicações de OLAP são dominadas por consultas ad hoc complexas. Em termos de SQL (Structured Query Language), as consultas OLAP envolvem operadores de agrupamento e agregação e fornecem excelente suporte para condições booleanas complexas.
II – O problema fundamental na manutenção de um Data Warehouse é a manutenção síncrona de tabelas replicadas e visões materializadas.
III – A mineração de dados está relacionada à subárea da estatística chamada análise combinatória de dados.
RAGHU, R.; GEHRKE, J., Sistemas de Gerenciamento de Banco de Dados, 3° Ed. Editora McGraw-Hill, 2011.
Assinale a alternativa correta conforme Raghu e Gehrke (2011):
I – As aplicações de OLAP são dominadas por consultas ad hoc complexas. Em termos de SQL (Structured Query Language), as consultas OLAP envolvem operadores de agrupamento e agregação e fornecem excelente suporte para condições booleanas complexas.
II – O problema fundamental na manutenção de um Data Warehouse é a manutenção síncrona de tabelas replicadas e visões materializadas.
III – A mineração de dados está relacionada à subárea da estatística chamada análise combinatória de dados.
RAGHU, R.; GEHRKE, J., Sistemas de Gerenciamento de Banco de Dados, 3° Ed. Editora McGraw-Hill, 2011.
Assinale a alternativa correta conforme Raghu e Gehrke (2011):
Ano: 2024
Banca:
IF-MT
Órgão:
IF-MT
Prova:
IF-MT - 2024 - IF-MT - Professor do Ensino Básico, técnico e Tecnológico - Engenharia da Computação |
Q3449446
Banco de Dados
Considere as sentenças relacionadas às tarefas de mineração de dados.
I - As tarefas preditivas usam os valores dos atributos descritivos para prever valores futuros ou incógnitos de outros atributos de interesse.
II - As tarefas consultivas usam valores dos atributos para identificar modelos que podem ser utilizados na classificação e reconhecimento de padrões.
III - As tarefas descritivas têm o objetivo de reconhecer padrões que descrevem os dados de maneira que o ser humano possa interpretar.
IV - As tarefas imperativas são implementadas com linguagens de programação baseadas em paradigmas imperativos.
De acordo com Silva, Peres e Boscarioli (2016), é VERDADEIRO o que se afirma:
(SILVA, Leandro Augusto da; PERES, Sarajane Marques; BOSCARIOLI, Clodis. Introdução à Mineração de Dados Com Aplicações em R. Rio de Janeiro: Elsevier, 2016.)
Ano: 2024
Banca:
FIOCRUZ
Órgão:
FIOCRUZ
Prova:
FIOCRUZ - 2024 - FIOCRUZ - Tecnologista em Saúde Pública - Ciência de dados em saúde |
Q3331329
Banco de Dados
Analise as afirmativas a seguir, em relação à mineração
de padrões frequentes:
I. Seu objetivo é extrair conjuntos de itens frequentes de um banco de dados.
II. Um exemplo de padrão frequente são as regras de associação.
III. Dado um conjunto de itens X = {x1, x2,…,xm} e um conjunto de transações T = {t1, t2, …, tn}, um subconjunto de X, S, é chamado de conjunto de itens frequentes se S ocorre em uma porcentagem de todas as transações em T que excede um limite, denominado suporte.
IV. O suporte de um conjunto de itens Y, suporte(Y), é definido como o número de transações em T que contêm o conjunto de itens Y.
Das afirmativas acima, é correto afirmar que:
I. Seu objetivo é extrair conjuntos de itens frequentes de um banco de dados.
II. Um exemplo de padrão frequente são as regras de associação.
III. Dado um conjunto de itens X = {x1, x2,…,xm} e um conjunto de transações T = {t1, t2, …, tn}, um subconjunto de X, S, é chamado de conjunto de itens frequentes se S ocorre em uma porcentagem de todas as transações em T que excede um limite, denominado suporte.
IV. O suporte de um conjunto de itens Y, suporte(Y), é definido como o número de transações em T que contêm o conjunto de itens Y.
Das afirmativas acima, é correto afirmar que:
Ano: 2024
Banca:
FIOCRUZ
Órgão:
FIOCRUZ
Prova:
FIOCRUZ - 2024 - FIOCRUZ - Tecnologista em Saúde Pública - Ciência de dados em saúde |
Q3331292
Banco de Dados
“Processos de mineração de dados são usualmente
aplicados em conjuntos de dados coletados para outros
propósitos, para uso futuro ou aplicações diversas. Por
essa razão, aplicações de mineração de dados quase
nunca podem se beneficiar de estratégias que endereçam
a correção de erros na fonte dos dados.” Entretanto, a
maioria das estatísticas aplicadas em processos de mineração de dados depende da qualidade de dados. Como
prevenir problemas na qualidade dos dados na sua geração
não é uma opção, o processo de limpeza de dados inclui
a seguinte tarefa:
Ano: 2024
Banca:
IBFC
Órgão:
TRF - 5ª REGIÃO
Prova:
IBFC - 2024 - TRF - 5ª REGIÃO - Analista Judiciário - Área Apoio Especializado - Especialidade: Análise de Dados |
Q3171140
Banco de Dados
Assim como no caso das outras tarefas de
mineração de dados, a mineração de regras de
associação também pode ser executada por
diferentes algoritmos, sendo que muitos deles
são variações e melhorias de um algoritmo
pioneiro, o processo geral de minerar regras de
associação está dividido em quatro passos.
Com relação ao passo de pré-processamento
da base, assinale a alternativa correta.
Ano: 2024
Banca:
IBFC
Órgão:
TRF - 5ª REGIÃO
Prova:
IBFC - 2024 - TRF - 5ª REGIÃO - Analista Judiciário - Área Apoio Especializado - Especialidade: Análise de Dados |
Q3171138
Banco de Dados
Todos os dias, empresas trabalham com uma
enorme quantidade de dados, seja com
informações cadastrais, preferências de
consumidores, interações em redes sociais e
transações com clientes. Quando esses dados
são organizados e analisados por metodologias
de Data Mining, podem garantir o sucesso das
empresas, principalmente na tomada de
decisões. Com a utilização das metodologias de
mineração, é possível fazer correlações,
desvendar tendências e verificar a existência de
padrões; dessa forma, consegue-se abstrair o
conhecimento necessário para alavancar os
negócios e tomar as decisões corretas.
Assinale a alternativa que apresenta corretamente uma metodologia para processos de mineração de dados
Assinale a alternativa que apresenta corretamente uma metodologia para processos de mineração de dados
Ano: 2024
Banca:
Instituto Acesso
Órgão:
Câmara de Manaus - AM
Prova:
Instituto Acesso - 2024 - Câmara de Manaus - AM - Analista de Banco de Dados |
Q3136499
Banco de Dados
Data Mining e Cubos OLAP são ferramentas essenciais
para análise de grandes volumes de dados, permitindo
que analistas obtenham informações estratégicas para
tomada de decisões. No contexto de um Data
Warehouse, essas tecnologias têm papéis
complementares. Qual das alternativas abaixo descreve
corretamente a aplicação dessas ferramentas no
processo de análise de dados?
Ano: 2024
Banca:
CESPE / CEBRASPE
Órgão:
STJ
Prova:
CESPE / CEBRASPE - 2024 - STJ - Analista Judiciário - Área: Apoio Especializado - Especialidade: Análises de Sistemas de Informação |
Q3104138
Banco de Dados
Texto associado
Em relação à ciência de dados, julgue o item que se segue.
Data mining é o processo de descobrir padrões e
informações valiosas em grandes conjuntos de dados, a partir
da utilização de técnicas estatísticas, de aprendizado de
máquina e de inteligência artificial.
Ano: 2024
Banca:
CESPE / CEBRASPE
Órgão:
TC-DF
Prova:
CESPE / CEBRASPE - 2024 - TC-DF - Auditor de Controle Externo - Área Especializada - Especialidade: Arquivologia |
Q3092033
Banco de Dados
Julgue o item subsecutivo, referentes a mineração de dados.
A mineração de dados é o processo de descoberta de padrões e de outras informações valiosas de grandes conjuntos de dados.
Ano: 2024
Banca:
FGV
Órgão:
TJ-RR
Prova:
FGV - 2024 - TJ-RR - Analista Judiciário - Ciência de Dados e Analytics |
Q3090091
Banco de Dados
A normalização numérica é utilizada para o tratamento de dados,
especialmente quando o processamento é dificultado por conta de
as características de instâncias estarem distribuídas em diferentes
escalas e intervalos. Uma técnica comum de normalização numérica
utilizada para o tratamento de outliers é o escalonamento robusto,
que se utiliza da mediana e da distância entre o primeiro e o terceiro
quartis para efetuar o escalonamento dos dados.
Considere o conjunto de dados a seguir.
[3, 5, 7, 8, 10, 12, 15, 20, 22, 30, 50]
O valor normalizado por escalonamento robusto referente ao elemento “22” é dado aproximadamente por
Considere o conjunto de dados a seguir.
[3, 5, 7, 8, 10, 12, 15, 20, 22, 30, 50]
O valor normalizado por escalonamento robusto referente ao elemento “22” é dado aproximadamente por
Ano: 2024
Banca:
FGV
Órgão:
TJ-RR
Prova:
FGV - 2024 - TJ-RR - Analista Judiciário - Gestão e Governança de Tecnologia da Informação |
Q3089964
Banco de Dados
A mineração de dados está inserida no processo de descoberta de
conhecimento em bases de dados, empregando diversas técnicas e
métodos na execução de diferentes tarefas.
Assinale a opção que contém apenas tarefas de mineração de dados.
Assinale a opção que contém apenas tarefas de mineração de dados.
Ano: 2024
Banca:
FGV
Órgão:
TJ-RR
Prova:
FGV - 2024 - TJ-RR - Analista Judiciário - Desenvolvimento de Sistemas |
Q3088147
Banco de Dados
A mineração de dados está inserida no processo de descoberta de
conhecimento em bases de dados, empregando diversas técnicas e
métodos na execução de diferentes tarefas.
Selecione a opção que contém apenas tarefas de mineração de dados.
Selecione a opção que contém apenas tarefas de mineração de dados.
Ano: 2024
Banca:
Instituto Consulplan
Órgão:
Prefeitura de Cacoal - RO
Prova:
Instituto Consulplan - 2024 - Prefeitura de Cacoal - RO - Analista de Sistemas |
Q3087891
Banco de Dados
Data Mining ou Mineração de Dados é o processo de descobrir padrões, correlações e informações úteis em grandes volumes
de dados. Sobre as características da Data Mining, marque V para as afirmativas verdadeiras e F para as falsas.
( ) Uma das principais etapas do processo de Data Mining é a limpeza de dados.
( ) Data Mining pode ser usado apenas em conjuntos de dados estruturados.
( ) Árvore de decisão (decision tree) é uma técnica de aprendizado supervisionado.
A sequência está correta em
( ) Uma das principais etapas do processo de Data Mining é a limpeza de dados.
( ) Data Mining pode ser usado apenas em conjuntos de dados estruturados.
( ) Árvore de decisão (decision tree) é uma técnica de aprendizado supervisionado.
A sequência está correta em
Ano: 2024
Banca:
FGV
Órgão:
DATAPREV
Prova:
FGV - 2024 - DATAPREV - ATI - Inteligência da Informação |
Q3086077
Banco de Dados
Considere o seguinte cenário: Uma empresa de telecomunicações
está analisando os dados de uso de seus clientes, como frequência
de chamadas, uso de dados móveis e envio de mensagens. Ela quer
identificar grupos de clientes com comportamentos semelhantes
para oferecer promoções personalizadas.
Em uma escolha por uma solução de aprendizado de máquina, o cientista de dados deve observar que, se o aprendizado for
Em uma escolha por uma solução de aprendizado de máquina, o cientista de dados deve observar que, se o aprendizado for
Conheça nossos planos