A respeito de não repúdio, classificação e controle de ativos de informação, políticas de segurança e políticas de classificação da informação, julgue o item a seguir.

As políticas de classificação da informação estabelecem critérios para a atribuição dos níveis de classificação das informações, de modo a orientar a aplicação de controles de proteção compatíveis ao longo do seu ciclo de vida.

A respeito de não repúdio, classificação e controle de ativos de informação, políticas de segurança e políticas de classificação da informação, julgue o item a seguir.

Na classificação e no controle dos ativos de informação, o nível de classificação da informação é definido pelas características técnicas do ativo que a armazena, de modo a manter uniformidade na aplicação dos controles de segurança.

Julgue o seguinte item, que diz respeito a redes neurais artificiais, deep learning e business intelligence.

Em arquiteturas de data warehouse, a modelagem dimensional com tabelas de fatos e dimensões permite a otimização de consultas OLAP por meio de desnormalização controlada, o que facilita agregações rápidas e análises multidimensionais sem comprometer a integridade dos dados.

Julgue o seguinte item, que diz respeito a redes neurais artificiais, deep learning e business intelligence.

Em redes neurais artificiais, a função de ativação ReLU (rectified linear unit) é sempre preferível à função sigmoid, em todas as camadas da rede, pois elimina completamente o problema do desaparecimento de gradientes (vanishing gradient) durante o treinamento por retropropagação.

Julgue o seguinte item, que diz respeito a redes neurais artificiais, deep learning e business intelligence.

Em redes neurais profundas, o uso de normalização em lote nas camadas ocultas garante que a estabilização do treinamento ocorra de forma mais rápida, eliminando completamente a necessidade de ajuste cuidadoso da taxa de aprendizado durante o processo de otimização.

Acerca de análise de agrupamentos e detecção de anomalias, julgue o próximo item.

A análise de agrupamentos (clusterização) é um método de aprendizado não supervisionado que agrupa dados em clusters baseado em similaridade, sem requerer rótulos prévios, sendo útil para a descoberta de padrões naturais e estruturas ocultas nos dados.

Acerca de análise de agrupamentos e detecção de anomalias, julgue o próximo item.

Detecção de anomalias é uma tarefa de identificação de padrões incomuns ou outliers em dados, sendo crítica em aplicações como detecção de fraude, monitoramento de segurança e manutenção preditiva, nas quais anomalias representam eventos raros, mas significativos.

Julgue o item seguinte, relativo a aprendizado de máquina, algoritmos e métricas de desempenho, e regressão logística.

A regressão logística é um algoritmo de regressão linear que prediz valores contínuos, sendo particularmente eficaz para problemas de previsão de séries temporais em que a variável dependente é contínua e não limitada. 

Julgue o item seguinte, relativo a aprendizado de máquina, algoritmos e métricas de desempenho, e regressão logística.

Aprendizado de máquina supervisionado é um paradigma em que o modelo é treinado com dados que possuem rótulos ou respostas conhecidas, permitindo que o algoritmo aprenda a mapear entradas para saídas desejadas. 

Julgue o item seguinte, relativo a aprendizado de máquina, algoritmos e métricas de desempenho, e regressão logística.

Na avaliação e comparação de modelos de classificação, o critério de acurácia substitui apropriadamente as métricas de precisão, recall, F1-score e AUC-ROC.

Em relação aos fundamentos da ciência de dados, bem como a coleta, tratamento e armazenamento de dados, julgue o item a seguir.

Ciência de dados é uma disciplina que integra conhecimentos de estatística, programação e domínio de negócio para extrair insights e conhecimento a partir de dados estruturados e não estruturados e apoiar a tomada de decisão nas organizações.

Em relação aos fundamentos da ciência de dados, bem como a coleta, tratamento e armazenamento de dados, julgue o item a seguir.

O tratamento de dados é uma etapa opcional quando se trabalha com conjuntos de dados de pequeno porte, pois dados brutos de alta qualidade são suficientes para treinar modelos de aprendizado de máquina com desempenho satisfatório.

Acerca de pipeline de dados e bancos de dados não relacionais, julgue o item a seguir.

Pipeline de dados é uma sequência de processos em que dados de múltiplas fontes operacionais são extraídos, transformações são realizadas para se garantir qualidade e consistência, e os dados são carregados em um repositório centralizado, sendo essencial para integração de dados em ambientes de analytics e business intelligence. 

Acerca de pipeline de dados e bancos de dados não relacionais, julgue o item a seguir.

Bancos de dados NoSQL como MongoDB e Cassandra utilizam esquemas rígidos e predefinidos similares aos bancos de dados relacionais, garantindo conformidade com propriedades ACID em todas as operações, o que os torna mais apropriados que bancos relacionais para dados altamente estruturados.

Com relação a processamento analítico, data warehouse e tecnologias de Big Data, julgue o item subsequente.

Data warehouse é um repositório centralizado que integra dados de múltiplas fontes operacionais, utiliza modelagem dimensional (como star schema ou snowflake) para organizar dados, e é otimizado para análises históricas e consultas multidimensionais, diferenciando-se de bancos de dados operacionais devido a sua arquitetura e seu propósito.

Com relação a processamento analítico, data warehouse e tecnologias de Big Data, julgue o item subsequente.

O Hadoop implementa o modelo de programação MapReduce para processamento distribuído de grandes volumes de dados, utilizando o HDFS para armazenamento distribuído com replicação de blocos de dados em múltiplos nós, garantindo tolerância a falhas e alta disponibilidade em clusters.

Com relação a processamento analítico, data warehouse e tecnologias de Big Data, julgue o item subsequente.

No que diz respeito ao tipo de processamento, o OLAP é otimizado para transações rápidas e operações de leitura-escrita em tempo real em sistemas operacionais; o OLTP é projetado para análises complexas e consultas multidimensionais sobre dados históricos em ambientes de business intelligence.

Julgue o item seguinte, acerca de administração de bancos de dados relacionais. 

Em bancos de dados relacionais, o monitoramento de desempenho envolve análise de índices para garantir sua utilização eficiente; exame de planos de execução de consultas para identificar operações custosas; e identificação de gargalos em CPU, memória e I/O para otimizar a velocidade de resposta.

Julgue o item seguinte, acerca de administração de bancos de dados relacionais. 

No SGBD inexistem mecanismos nativos para controlar as operações que cada usuário pode realizar, sendo necessário implementar todos os controles de segurança exclusivamente em camadas superiores da aplicação.

Julgue o item seguinte, acerca de administração de bancos de dados relacionais. 

Como o backup incremental captura todas as alterações realizadas desde o último backup completo, e o backup diferencial captura apenas as alterações realizadas desde o último backup de qualquer tipo, os tempos de restauração são idênticos em ambas as estratégias.