Uma equipe de Ciência de Dados do setor público precisa analisar um grande dataset de características de cidadãos (alta dimensionalidade) para identificar grupos naturais de comportamento (segmentação) e, posteriormente, reduzir a dimensionalidade dos dados sem perder muita informação.
Sobre as técnicas de Clustering e Redução de Dimensionalidade, avalie as afirmativas a seguir.

I. O algoritmo DBSCAN é mais adequado que o K-Means para datasets com clusters de formato não convexo e tem a vantagem de ser robusto a ruídos e outliers.

II. O algoritmo K-Means exige que o número de clusters (K) seja definido previamente e é sensível à escala das variáveis de entrada e à presença de outliers.

III. A Análise de Componentes Principais (PCA) é uma técnica não supervisionada que é utilizada para redução de dimensionalidade, e deve ser aplicada antes de qualquer etapa de scaling dos dados para preservar a variância.


Está correto o que se afirma em

Um servidor da Controladoria deseja usar um Large Language Model (LLM), como o GPT ou Llama, em sua versão padrão pré treinada, para uma tarefa imediata e genérica de processamento de texto. A tarefa consiste em receber um longo relatório jurídico e criar um resumo conciso de um parágrafo.
Assinale a opção que indica a aplicação fundamental dos LLMs que permite que eles processem um texto extenso de entrada e gerem uma saída textual mais curta e coerente, como um resumo, sem a necessidade de ajuste fino (fine-tuning). 

Um cientista de dados da Controladoria está preparando um dataset de despesas públicas para ser utilizado em um algoritmo de Machine Learning baseado em distâncias como K-Nearest Neighbors - KNN.
A coluna Valor_Despesa varia amplamente, com valores entre R$ 100,00 (mínimo) e R$ 5.000.000,00 (máximo).
Assinale a opção que indica a técnica de Normalização Numérica mais adequada para reescalonar os dados da coluna Valor_Despesa, para que todos os seus valores sejam mapeados para um intervalo fixo entre 0 e 1. 

No contexto de Kubernetes gerenciado e serviços de contêiner nas nuvens AWS, Azure e GCP, avalie as afirmativas a seguir.

I. No Azure Kubernetes Service (AKS), o plano de controle é gerenciado pela Microsoft sem cobrança direta; os custos concentram-se em pools de nós e recursos consumidos (compute, storage, rede), podendo haver cobrança adicional apenas se contratado SLA específico de  Uptime do control plane.

II. No Google Kubernetes Engine (GKE) Autopilot, é permitido criar DaemonSets para agentes que rodem em todos os nós e executar pods privilegiados, desde que configuradas as capabilities adequadas.

III. No Amazon EKS utilizando AWS Fargate, não há gerenciamento de nós pelo cliente e DaemonSets não são suportados; além disso, a cobrança do control plane do EKS permanece ativa por cluster, independentemente do uso de Fargate.

Está correto o que se afirma em