Alternativa correta: C – certo

Tema central: A questão aborda aprendizado supervisionado, um paradigma de IA em que o modelo aprende a mapear entradas (X) para saídas (Y) usando dados rotulados durante o treinamento. É um conhecimento básico e muito cobrado em provas de TI e IA.

Resumo teórico: No aprendizado supervisionado, temos um conjunto de exemplos do tipo (entrada, rótulo), por exemplo, imagem → “gato”, e-mail → “spam”. O algoritmo ajusta seus parâmetros para minimizar um erro (função de perda) entre a previsão e o rótulo verdadeiro, generalizando para novos dados. Isso difere de não supervisionado (sem rótulos, p.ex. agrupamento) e de aprendizado por reforço (recompensas por ações).

Exemplos práticos: classificar e-mails como spam/legítimo, diagnosticar doença a partir de exames com laudo, prever preço de imóveis a partir de características (regressão). Em todos, o treinamento usa rótulos conhecidos.

Fontes essenciais: Bishop, “Pattern Recognition and Machine Learning” (2006); Goodfellow, Bengio e Courville, “Deep Learning” (2016); Hastie, Tibshirani e Friedman, “The Elements of Statistical Learning” (2009); ISO/IEC 22989:2022 (conceitos e terminologia de IA, incluindo definição de aprendizado supervisionado).

Por que a alternativa está correta? A assertiva descreve exatamente a ideia-chave: modelos supervisionados dependem de um conjunto de dados rotulado durante o treinamento para aprender a associar entradas a saídas. Sem rótulos, o algoritmo não conseguiria medir o erro nem ajustar-se para realizar a tarefa desejada (classificar, prever, etc.). Importante notar que os rótulos são necessários no treino; na fase de uso (inferência), o modelo apenas recebe a entrada e produz a saída prevista.

Estratégias para a prova: Identifique palavras-chave como “dados rotulados” e “mapear entradas em saídas” — típicas de aprendizado supervisionado. Cuidado para não confundir com não supervisionado (não há rótulos) ou com a ideia equivocada de que rótulos seriam necessários também na hora de usar o modelo.

Gostou do comentário? Deixe sua avaliação aqui embaixo!

Certo (C).

Os modelos de aprendizado supervisionado de fato dependem de um conjunto de dados rotulado durante o treinamento. Nessa abordagem, o algoritmo é alimentado com pares de entrada e saída (dados de treinamento), onde cada exemplo de entrada está associado a uma saída correta (rótulo). O objetivo é que o algoritmo aprenda a mapear as entradas para as saídas correspondentes, generalizando esse padrão para fazer previsões em dados não vistos anteriormente. Exemplos comuns incluem classificação (onde a saída é uma categoria) e regressão (onde a saída é um valor contínuo).

Apenas acrescentando o colega Leond aí em cima. ⬆️

Um exemplo claro de aprendizado supervisionado são aqueles testes do Google em que precisamos selecionar imagens com escadas, carros ou pontes para provar que não somos robôs. Nesse caso, as imagens já têm um rótulo (essa contém carro), (essa contém escada), e quando clicamos estamos ajudando a confirmar ou corrigir esses rótulos.

O algoritmo aprende a associar as entradas (as imagens) com as saídas (os rótulos), exatamente como funciona o aprendizado supervisionado: o sistema depende de dados rotulados para treinar e melhorar seu desempenho.

#RUMOPMBA MORALIZADA. ⚡️