Quanto à mineração de dados e ao CRISP-DM (Cross-Industry Standard Process for Data Mining), julgue o item.

A mineração de dados é uma técnica que objetiva adquirir conhecimento a partir dos dados, por meio da detecção de vários tipos de padrões em grandes volumes de dados.

Com relação a data warehouse e data mining, julgue o item a seguir. 

A análise de cluster em data mining permite, por meio de análise exploratória de dados, ordenar casos em clusters, de modo que o grau de associação seja forte entre os membros do mesmo cluster e fraco entre membros de clusters diferentes.

A respeito de data warehouse, data mining e business intelligence, julgue o item subsequente.

Sistemas de data mining viabilizam a extração de novos padrões significativos de informação que não seriam necessariamente encontrados por meio de meras consultas ou processamento de dados ou metadados no data warehouse.

Com referência aos conceitos e técnicas de mineração de dados, julgue o item seguinte. 

Em um modelo para um aprendizado supervisionado dos dados no formato de uma árvore de decisão, um algoritmo de construção da árvore busca minimizar a informação necessária para classificar os dados nas partições da árvore.

Com referência aos conceitos e técnicas de mineração de dados, julgue o item seguinte. 

No aprendizado não supervisionado dos dados, usa-se uma amostra para treinamento, e os registros são colocados em agrupamentos semelhantes entre si quanto aos seus padrões.  

Com referência aos conceitos e técnicas de mineração de dados, julgue o item seguinte. 

Para encontrar regras de associação negativas de interesse, como a identificação de padrões nos dados de um arquivo, a hierarquia é uma técnica usada com base no conhecimento prévio sobre um conjunto de atributos do arquivo. 

A respeito de inteligência do negócio, julgue o item a seguir. 

Os conceitos de data warehouse (DW) e data mining (DM) são relacionados à inteligência de negócios; a principal diferença entre eles é que o DW atua na análise dos eventos do passado, enquanto o DM limita-se na predição dos eventos futuros. 

Com respeito a análise de componentes principais, mistura de gaussianas e agrupamento k-means, julgue o item que se segue. 

Considere que, em uma análise de agrupamentos por meio de mistura de gaussianas, três distribuições normais com médias   se referem, respectivamente, aos clusters 1, 2 e 3. Nessa situação, pelo modelo de mistura de gaussianas, o cluster 1 é constituído pelas observações mais próximas da média 

Os modelos ditos fracos, também chamados modelos de base, muitas vezes são combinados com o objetivo de se construir um modelo mais forte, no qual a variância e o viés atinjam equilíbrio satisfatório. Esse procedimento, denominado ensembles, é muito utilizado em ciência de dados e aprendizado de máquinas. Quanto às formas de ensembles, julgue o próximo item. 


O ensemble denominado bagging tem como foco principal a redução do viés e não da variância, treinando-se os modelos em sequência, tal que os erros dos primeiros modelos treinados são utilizados para o ajuste nos pesos matemáticos dos próximos modelos. 

Uma árvore de decisão representa um determinado número de caminhos possíveis de decisão e os resultados de cada um deles, apresentando muitos pontos positivos, ou seja, são fáceis de entender e interpretar. Elas têm processo de previsão completamente transparente e lidam facilmente com diversos atributos numéricos, assim como atributos categóricos, podendo até mesmo classificar dados sem atributos definidos.

De acordo com os aspectos construtivos de uma árvore de decisão, julgue o item a seguir.

Se o processo adotado para a construção de árvores de decisão for determinístico, uma forma de obtenção de árvores aleatórias, que compõem as florestas aleatórias, pode ser realizada por meio do bootstrap dos dados, em que cada árvore é treinada com base no resultado de bootstrap_sample (inputs). 

Com relação a data warehouse e data mining, julgue o item subsequente.

A análise de data mining por padrão sequencial visa à identificação de fatos que geram outros fatos, sempre ocorrendo causa e consequência em momentos adjacentes.

Com relação a data warehouse e data mining, julgue o item subsequente.

A etapa de estratificação da técnica de árvore de decisão é responsável por determinar as regras para a designação dos casos identificados a uma categoria existente mais adequada no data mining. 

Na situação hipotética em tela, considerando as bases de dados antigas e novas, seria uma ótima prática a utilização dos conceitos de data warehouse e data mining para, por exemplo, automatizar a análise de currículos de acordo com as competências dos empregados.