Em uma rotina diária de Extração, Transformação e Carga (ETL) destinada à atualização de um Data Warehouse (DW) da DATAPREV, são extraídos 120.000 registros de um sistema de atendimento e 80.000 registros de um sistema de gestão de serviços. Durante a etapa de transformação, 10% do total de registros extraídos são identificados como duplicados e eliminados. Em seguida, 5% dos registros restantes são rejeitados por não atenderem às regras de validação estabelecidas. Dos registros válidos ao final dessas etapas, 30% correspondem a registros já existentes no DW e são atualizados, enquanto os demais são inseridos como novos registros.
O número de novos registros inseridos no Data Warehouse, ao final da execução do ETL, é de 

No desenvolvimento de modelos de Aprendizado de Máquina, a análise do espaço de hipóteses é importante para compreender a capacidade de generalização de um modelo.
Acerca dos conceitos de viés (bias), variância (variance) e dos fenômenos de subajuste (underfitting) e sobreajuste (overfitting), analise os itens a seguir:
I. Um viés alto pode ser provocado por restrições estruturais no próprio espaço de hipóteses, induzindo ao subajuste do modelo.
II. Uma das causas de sobreajuste do modelo é uma variância alta, prejudicando seu desempenho em novos dados mesmo quando o desempenho no treinamento é satisfatório.
III. O compromisso viés-variância (bias-variance trade-off) estabelece um dilema entre optar por hipóteses mais complexas com baixo viés ou hipóteses mais simples com baixa variância.
Está correto o que se afirma em  

Uma curva S é formada pela interseção do plano z = ¾ x com o cilindro elipsoidal reto x ²/16 + y ²/9 = 1 para todo z.
Sua área é  

Projetos relacionados à inteligência de dados geralmente envolvem elaboração de modelos que simplifiquem datasets de alta dimensionalidade, permitindo identificação e extração de informação de maior significância. Nesse contexto, diversas ferramentas e métodos utilizados para esses fins se fundamentam em conceitos basilares de álgebra linear, tais como autovalores, autovetores e normas.
Considerando que uma matriz quadrada A de ordem n×n possui autovalores reais distintos λ1, λ2, ..., λn e matriz dos respectivos autovetores à direita unitários V=[v1, v2, ..., vn], e ainda um vetor coluna unitário u de ordem n, tem-se que