Questões de Concurso
Comentadas sobre linguagens de programação em programação
Foram encontradas 5.295 questões
function calcularSoma(a, b) { var resultado = a + b; console.log("O resultado da soma é: " resultado); } calcularSoma(5, 7);
Assinale a alternativa que contém o erro existente no código que o impede de ser executado:
Analise o comando a seguir, descrito em Java 8.
Object frase = “Olá, Mundo!”;
Assinale a alternativa que apresenta o comando correto para conversão para uma variável do tipo String.
As linguagens sensíveis ao contexto desempenham um papel importante em aplicações que exigem uma análise mais detalhada e precisa de cadeias, especialmente quando há restrições que dependem do contexto de um símbolo na cadeia. Sobre as linguagens sensíveis ao contexto, considere as seguintes afirmações:
I - Gramáticas sensíveis ao contexto eliminam a restrição de que o lado esquerdo das regras seja formado por um único símbolo, e de que este seja um símbolo não terminal.
II - As gramáticas sensíveis ao contexto são ditas monotônicas, pois o comprimento das formas sentenciais obtidas durante o processo de derivação de uma sentença nunca sofre redução.
III - O conjunto das gramáticas sensíveis ao contexto sobre um alfabeto qualquer não é enumerável.
IV - Toda linguagem livre de contexto é também uma linguagem sensível ao contexto.
Assinale a alternativa que apresenta apenas afirmações corretas:
Seja o seguinte código Python, que utiliza a biblioteca gensim e um modelo hipotético de word embeddings denominado modelo_saude.bin especializado em termos médicos em português:
import numpy as np from gensim.models import KeyedVectors
def calcular_similaridade(vetor_a, vetor_b): numerador = np.dot(vetor_a, vetor_b) denominador = np.linalg.norm(vetor_a) *
np.linalg.norm(vetor_b) similaridade = numerador / denominador return similaridade
mo del = Ke yed Vectors. load_ word 2vec _ format(‘modelo_saude.bin’, binary=True) vetor_diabetes = model[‘diabetes’] vetor_hipertensao = model[‘hipertensão’] vetor_insulina = model[‘insulina’]
vetor_diabetes_ajustado = vetor_diabetes + vetor_insulina vetor_hipertensao_ajustado = vetor_hipertensao + vetor_insulina
similaridade = calcular_similaridade(vetor_ diabetes_ajustado, vetor_hipertensao_ajustado) print(f”Similaridade: {similaridade}”)
Utilizando o modelo hipotético model_saude.bin, o resultado mostrado pelo código foi de 0.7036085724830627. Baseado no cenário descrito, no código fornecido e no resultado mostrado, a opção que melhor descreve o que está sendo calculado e o significado do resultado é:
import nltk nltk.download(‘punkt’) from nltk.tokenize import word_tokenize
texto = “Fundação Oswaldo Cruz (Fiocruz): Ciência e tecnologia em saúde para a população brasileira.” tokens = word_tokenize(texto)
contador = 0 resultado = 0 while contador < len(tokens): for letra in tokens[contador]: if letra.upper() in ‘FIOCRUZ’: resultado += 1 contador += 1
O valor da variável resultado, ao final da execução do código, é:
Entre as opções abaixo, a que apresenta corretamente a combinação de classes e funções do scikit-learn usadas para implementar regressão do tipo polinomial e classificação com árvores de decisão é:
I. Empregar categorias para dados textuais repetitivos ao invés de strings.
II. Segmentar os dados em chunks menores durante a leitura de arquivos grandes, utilizando o parâmetro chunksize no read_csv.
III. Fazer uso intensivo de operações inplace.
Sobre as afirmativas acima, pode-se dizer que:
ID34343.A ID34HN43.1 ID985433230 ID852495_23 _ID423243.1 ID2544343.97 ID1.1