Questões de Concurso

Sobre Estruturas de Repetição, analise as afirmativas abaixo e dê valores Verdadeiro (V) ou Falso (F).

( ) Em linguagens de programação, não é possível aninhar estruturas de repetição, ou seja, ter uma dentro da outra.
( ) A estrutura de repetição foreach é utilizada somente para iterações em que a ordem dos elementos não é importante.
( ) A utilização excessiva de instruções break e continue em estruturas de repetição é geralmente considerada uma boa prática de programação.

Assinale a alternativa que apresenta a sequência correta de cima para baixo. 

Grafo é um conjunto de vértices (ou nós), interconectados dois a dois por arestas. Em uma estrutura de dados de grafo, assinale a alternativa que apresenta o que representa as arestas nesta estrutura.

Considerando que o algoritmo acima está expresso na forma de um pseudocódigo, assinale a opção que apresenta o resultado desse algoritmo quando ele for executado.

A biblioteca Scikit-Learn emprega o algoritmo Classification And Regression Tree (CART) para treinar Árvores de Decisão. O algoritmo CART baseia-se na recursividade e na estratégia de divisão binária para construir uma árvore de decisão. Inicialmente, a árvore é representada por um único nó, que contém todos os dados de treinamento. A cada passo, o algoritmo busca a melhor maneira de dividir o conjunto de dados. A recursividade continua até que uma condição de parada seja atendida, como atingir uma profundidade máxima da árvore. Uma vez construída a árvore, a fase de predição ocorre ao percorrer a estrutura da árvore de acordo com as condições estabelecidas nos nós, levando a uma predição (inferência) para uma determinada entrada.
Considerando-se que n corresponde ao número de features e m ao número de instâncias, qual é a complexidade computacional assintótica de predição para árvores de decisão treinadas com o algoritmo CART?

As árvores de decisão são um modelo de aprendizado de máquina que opera por meio da construção de uma estrutura em forma de árvore para tomar decisões e que oferece uma compreensão clara da lógica de decisão e da hierarquia de características que contribuem para as predições finais. Elas são versáteis e podem ser usadas tanto para tarefas de classificação quanto para as de regressão.
Nesse contexto, considere a construção de uma árvore de regressão usando a classe DecisionTreeRegressor do ScikitLearn e seu treinamento em um conjunto de dados quadrático com max_depth=2, conforme mostrado a seguir:

from sklearn.tree import DecisionTreeRegressor
tree_reg = DecisionTreeRegressor(max_depth=2)
tree_reg.fit(X, y)

A árvore resultante é representada na Figura a seguir.




GÉRON, A. Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniquesto Build Intelligent Systems. 2 ed. Sebastopol, CA: O’Reilly Media, Inc.: 2019, p. 183.

Considerando-se o cenário apresentado e que se deseja fazer uma predição para uma nova instância, com x1 = 0.6, qual será o valor predito?