Questões de Concurso Sobre engenharia de software
Foram encontradas 14.490 questões
Considerando os conceitos, fases e técnicas da engenharia de requisitos, julgue o item subsequente.
A análise de domínio é uma técnica apropriada para revelar requisitos não funcionais importantes que frequentemente permanecem ocultos em abordagens tradicionais de elicitação.
Considerando os conceitos, fases e técnicas da engenharia de requisitos, julgue o item subsequente.
O propósito dos Walkthroughs é garantir consistência e completude na revisão de requisitos em diferentes projetos ou equipes.
Julgue o item a seguir, referente ao Microsoft Office 365, a redes de computadores, à segurança da informação e à inteligência artificial.
Aprendizado de máquina (machine learning) é o processo de treinar um modelo para identificar padrões e fazer previsões ou gerar novos conteúdos com base nas informações processadas.
A leitura baseada em perspectiva de documentação já existente sobre o sistema é uma técnica que pode ser apropriada para revelar requisitos funcionais implícitos, que não foram inicialmente considerados no projeto.
Em elicitação de requisitos, a técnica mudança de perspectiva fragmenta temporariamente a percepção holística do sistema ao enfocar visões individuais, entretanto a compreensão obtida pode ser utilizada para uma visão sistêmica mais robusta e integrada do artefato de software em desenvolvimento.
A respeito de engenharia de requisitos, julgue o item a seguir.
A análise de um requisito funcional resulta na identificação de múltiplos requisitos não funcionais associados, porém um requisito não funcional não é fonte de requisitos funcionais.
O walkthrough é uma técnica de validação de requisitos que envolve a apresentação sistemática dos requisitos aos stakeholders, promovendo discussões detalhadas e buscando identificar problemas como inconsistências, ambiguidades e omissões.
A especificação de requisitos realizada a partir da utilização de modelos gráficos é incapaz de representar aspectos não funcionais e interdependências entre requisitos não funcionais em projetos de software.
Modelos generativos autorregressivos, modelos baseados em fluxo, modelos baseados em inversão frequencial e modelos baseados em energia são os principais grupos em que se divide a modelagem generativa profunda.
O aprendizado nas IAs discriminativas é realizado a partir da probabilidade condicional p(x|y).
Uma vez que uma GAN (generative adversarial network) é treinada, a rede discriminadora é descartada e a rede geradora pode ser utilizada para sintetizar novos exemplos no espaço de dados por amostragem do espaço latente e propagação dessas amostras pela rede geradora treinada.
Uma IA generativa cujo aprendizado é realizado a partir da distribuição de probabilidade conjunta p(x,y), em que x é o dado de entrada e y é o rótulo que se queira classificar, pode gerar mais amostras por si só artificialmente, com base em suposições a respeito da distribuição de dados.
Para aplicações do mundo real, como geração de imagens, as distribuições são extremamente complexas, e o aprendizado profundo não conseguiu melhorar o desempenho dos modelos generativos, por isso se tem optado por investir em uma classe importante de modelos de linguagem de grande escala (LLMs — large language models) autorregressivos baseados em transformadores.
Julgue o item a seguir, relativos a redes neurais artificiais.
Uma rede neural feedforward se distingue das demais pela presença de uma ou mais camadas ocultas, cujos nós de computação são chamados de neurônios ocultos ou unidades ocultas, devido ao fato de que essa parte da rede neural não é vista diretamente da entrada ou saída da rede.
Julgue o item a seguir, relativos a redes neurais artificiais.
Os nós de origem na camada de entrada da rede neural, isto é, na primeira camada oculta, fornecem os respectivos elementos do padrão de ativação (vetor de entrada), que constituem os sinais de entrada aplicados aos neurônios (nós de computação) na segunda camada.
Julgue o item a seguir, relativos a redes neurais artificiais.
Nas redes neurais multicamadas, quando se aumenta significativamente a dimensão da rede neural, o esforço computacional para sua implementação tem um aumento insignificante.
O deep learning elimina completamente a necessidade de pré-processamento de dados, pois as redes neurais são capazes de aprender todas as características automaticamente.
O uso de GPUs e TPUs acelera os cálculos necessários para operações matriciais e retropropagação em modelos de deep learning.
A única maneira de se evitar o underfitting em um modelo de machine learning é reduzir a quantidade de dados de entrada, pois isso impede que o modelo fique sobrecarregado de informações irrelevantes.
O overfitting ocorre quando um modelo de machine learning tem alta precisão nos dados de treinamento, mas apresenta desempenho significativamente pior em novos dados.