Questões de Concurso
Sobre inteligencia artificial em engenharia de software
Foram encontradas 758 questões
A partir desse contexto, duas questões foram formuladas:
(I) Qual desses algoritmos abaixo é o mais adequado para tal tarefa? (II) Qual a parametrização que deveria ter sido realizada?
Assinale a alternativa que apresenta a resposta correta para as duas questões formuladas.
Assinale a alternativa que indica corretamente um algoritmo que possa realizar esta tarefa.
RPA consiste num microcontrolador de 8 bits, com componentes complementares, para facilitar a programação e a incorporação em outros circuitos.
Classificadores bayesianos são classificadores estatísticos usados para predizer a probabilidade de pertinência de um objeto a determinada classe.
Sobre os conceitos de modelos preditivos, analise as afirmações abaixo.
I. O modelo preditivo não supervisionado recebe dados de entrada e saída e busca correlações entre eles.
II. O modelo supervisionado recebe apenas dados de entrada para encontrar padrões e prevê repetições de ocorrências anteriores.
III. A análise preditiva é utilizada como ferramenta para identificar padrões que podem sugerir ações fraudulentas.
IV. A utilização de técnicas de aprendizagem de máquina para a análise preditiva permite produzir de forma automática e mais rápida modelos mais precisos.
É correto o que se afirma APENAS em
I. Trata-se de uma biblioteca de tensores que pode ser utilizada em problemas de aprendizado profundo, podendo utilizar tanto GPU quanto CPU.
II. O pacote torch.parallel.gpu é capaz de suportar o processamento paralelo de tensores do tipo multidimensionais dimensionais e CUDA em processadores GPU.
III. O pacote torch.distributed.elasticstack é capaz distribuir um script tornando-o elástico e tolerante a falhas em diversos tipos de ambientes distribuídos.
As afirmativas são, respectivamente,
I Treinar o modelo ajustando os atributos, parâmetros de treinamento e algoritmos até que o modelo produza os resultados desejados. A validação é realizada comparando-se as predições com os resultados reais.
II Monitorar os resultados das predições para verificar se o modelo continua generalizando. Se houver uma diminuição significativa na capacidade de predição do modelo, este deve ser treinado novamente com novos dados ou até mesmo os algoritmos, atributos e parâmetros de treinamento devem ser ajustados.
III Definir o objetivo do aprendizado de máquina, estruturar o modelo que será o responsável por realizar as predições e adequar os dados para os algoritmos selecionados.
IV Verificar se o modelo generaliza. No caso de o modelo não generalizar, deve-se retornar para as fases anteriores ou até mesmo para a fase inicial. Se generalizar, o modelo já pode seguir para a produção.
A ordem sequencial correta das outras fases é:
I. Os três principais paradigmas de aprendizado de máquina são os de aprendizado supervisionado, não supervisionado e por inteligência profunda.
II. os algoritmos de classificação e clusterização estão correlacionados com paradigma de aprendizado supervisionado.
III. os algoritmos de support vector machines e randon forest são paradigmas do aprendizado de inteligência profunda.
As afirmativas são, respectivamente,
Julgue o próximo item, a respeito dos métodos de aprendizagem de máquina.
A utilização de valores aleatórios nos métodos modernos de
inicialização dos pesos das camadas das redes neurais
artificiais (RNA) permite evitar o problema do
desaparecimento do gradiente (vanishing gradient problem).
Julgue o próximo item, a respeito dos métodos de aprendizagem de máquina.
As redes neurais convolucionais (CNN) são aplicadas
exclusivamente a problemas de regressão de dados, a partir
da utilização da função de regressão logística.
Julgue o próximo item, a respeito dos métodos de aprendizagem de máquina.
As aplicações em inteligência artificial são definidas como
uma subárea da área de aprendizagem de máquina (machine
learning).
Em relação a aprendizado não supervisionado, julgue o item que se segue.
O modelo de mistura gaussiana (GMM) é um método que
descreve um agrupamento de amostras para determinado
espaço de características, em que o GMM é uma mistura de k distribuições gaussianas associadas à mudança de estado
dos pixels.
Em relação a aprendizado não supervisionado, julgue o item que se segue.
A técnica de redução de dimensionalidade (PCA) permite transformar dados que inicialmente pertencem a um espaço de dimensão n em um espaço de dimensão m , em que m < n, sendo utilizada, por exemplo, para reduzir a dimensionalidade de certo conjunto de dados através do descarte de características não úteis e que ainda permita realizar o reconhecimento de padrões.
Em relação a aprendizado não supervisionado, julgue o item que se segue.
O algoritmo random forest é um algoritmo de aprendizado
de máquina supervisionado em que se agrupam os resultados
de várias árvores de decisão de cada nó para se obter uma
conclusão própria e aumentar a precisão do modelo, não
sendo o referido algoritmo adequado para grandes conjuntos
de dados.
Em relação a aprendizado não supervisionado, julgue o item que se segue.
A ação de realizar agrupamento hierárquico tem como
premissa básica encontrar elementos em um conjunto de
dados que impliquem a presença de outros elementos na
mesma transação, com um grau de certeza definido pelos
índices de fator de suporte e o fator de confiança, que pode
ser realizado, por exemplo, por meio do algoritmo a priori.
Em relação a aprendizado não supervisionado, julgue o item que se segue.
A validação cruzada pode ser utilizada para detectar quando
uma rede neural está sendo treinada de maneira excessiva
(overtraining) e assim interromper o treinamento antes que
isso ocorra, como, por exemplo, por meio do princípio
orientador atrativo para o ajuste dos pesos e bias durante o
processo de treinamento da RNA.
Julgue o item a seguir, relativos a aprendizado supervisionado.
O trade off entre variância e viés é afetado pela utilização de
polinômios, com graus que variam de zero a três, em que o
emprego de polinômios de ordem ímpar produz sempre
melhores resultados no que diz respeito à redução da
variância e viés que os de ordem par, seja para estimativas
com regressões locais constantes e lineares, seja para as
estimativas de ordem quadrática e cúbica.
Conheça nossos planos