Questões de Concurso Público CGE-SC 2023 para Auditor do Estado - Ciências da Computação - Manhã (Conhecimentos Básicos)

de regressão.

de aceitação.

de integração.

de validação.

unitário.

revisar e atualizar o backlog do produto.

avaliar o progresso feito durante a sprint.

planejar a próxima sprint.

identificar e planejar melhorias para a próxima sprint.

revisar e atualizar o backlog da sprint.

A Definição de Pronto define quando uma tarefa pode ser trabalhada, enquanto a Definição de Feito define quando uma tarefa é concluída.

A Definição de Pronto define quando um recurso pode ser trabalhado, enquanto a Definição de Feito define quando um recurso é concluído.

A Definição de Pronto define os critérios de aceitação para uma tarefa, enquanto a Definição de Feito define os critérios de aceitação para uma história de usuário.

A Definição de Pronto define critérios de aceitação para um recurso, enquanto a Definição de Feito define critérios de aceitação para um lançamento.

A Definição de Pronto define quando uma história de usuário pode ser trabalhada, enquanto a Definição de Feito define quando uma história de usuário é concluída.

V – F – V – F – V.

V – V – V – F – V.

F – V – F – V – F.

V – F – V – V – V.

V – F – F – F – V.

não fixar os tempos de cumprimento da requisição, para que seja evitado, ou mitigado, o impacto no Acordo de Nível de Serviço.

limitar a padronização das requisições para tratar suas especificidades e reduzir a ocorrência de incidentes.

estabelecer políticas para o cumprimento de requisições de serviço sem aprovação, para simplificar o fluxo de cumprimento de requisições.

redirecionar solicitações de mudança para requisições de serviço, possibilitando o cumprimento combinado das solicitações (Capacity and Performance Management - Gestão do Desempenho e da Capacidade).

planejar e elaborar um calendário de lançamento de serviços (Release Schedule) para reduzir o tempo de implantação de novos serviços.

O gradiente descendente é um algoritmo de otimização de redes neurais em que a derivada da função de otimização leva a direção mais baixa do gráfico da função de custo.

A ideia da Regularização é adicionar um termo extra à função de custo. Intuitivamente, o efeito da regularização é fazer com que a rede prefira aprender pesos pequenos, minimizando a função de custo.

O momento acumula pesos anteriores para estabilizar a convergência da rede; o objetivo é ajudar a desviar de mínimos locais e pode acelerar treinamento em regiões muito planas da superfície de erro.

O algoritmo de otimização ADAM guarda, além dos valores dos pesos passados, o decaimento exponencial da média de gradientes passados e possui o mesmo objetivo do momento.

A regularização L1 transforma valores pequenos em zeros e, consequentemente, permite reduzir o número de pesos, enquanto a regularização L2 procura manter todos os pesos pequenos de forma que maximiza a função de custo.

ao treinar CNNs utilizando transferência de aprendizado, começamos com um modelo pré-treinado e executamos numa nova tarefa qualquer, sem precisar se preocupar com o formato e o tipo de dados.

ao treinar CNNs utilizando transferência de aprendizado para ajuste fino, começamos com um modelo pré-treinado e atualizamos todos os parâmetros do modelo para nossa nova tarefa, basicamente retreinando todo o modelo.

uma rede neural convolucional pode ser utilizada para reconhecer os mais variados tipos de dados. Por exemplo, textos, imagens e dados de clientes. Para isso, basta que os dados de entrada sejam transformados por alguma técnica de extração de características em simples vetores de características.

as últimas camadas convolucionais de uma rede neural CNN são capazes de extrair características mais baixo nível dos dados, como linhas, círculos e pontos, enquanto as primeiras camadas extraem características mais alto nível, detalhes mais específicos dos objetos reconhecidos.

as camadas de pooling das CNNS são capazes de extrair características de médio nível, reconhecendo características que são mais detalhadas que as primeiras camadas convolucionais.