A respeito de técnicas de redução de dimensionalidade, julgue o item subsecutivo.

Para utilizar de forma adequada a análise de componentes principais (PCA, na sigla em inglês), é essencial normalizar os dados; se as variáveis não estiverem na mesma escala, aquelas com maior variância terão maior impacto, distorcendo o resultado da PCA.

A respeito de técnicas de redução de dimensionalidade, julgue o item subsecutivo.

Quando da configuração dos parâmetros do autoencoder, o tamanho do espaço latente é uma informação crucial, pois determina o tamanho do espaço onde os dados de entrada serão comprimidos.

A respeito de KNN (k-nearest neighbours), SVM (support vector machines), deep learning e técnicas de agrupamento, julgue o item a seguir.

O SVM classifica os dados encontrando uma linha ou hiperplano ideal; essa linha de separação é encontrada entre duas classes distintas pela análise dos dois pontos, um de cada grupo, mais próximos da outra classe.

A respeito de KNN (k-nearest neighbours), SVM (support vector machines), deep learning e técnicas de agrupamento, julgue o item a seguir.

SVM é um algoritmo de aprendizado de máquina supervisionado que pode ser usado para desafios de classificação ou regressão.

A respeito de KNN (k-nearest neighbours), SVM (support vector machines), deep learning e técnicas de agrupamento, julgue o item a seguir.

KNN é um algoritmo de aprendizado supervisionado não paramétrico que não pode ser utilizado em problemas de classificação, uma vez que seu objetivo é prever valores numéricos e não valores categóricos.

Julgue o próximo item, relativo a Naive Bayes e random forest. 

Tamanho do nó, número de árvores e número de recursos amostrados, ou número de preditores amostrados, são parâmetros de algoritmos random forest. 

No que se refere à governança de dados, julgue o próximo item. 

Um dado de referência, como, por exemplo, os dados dos clientes, é uma informação crucial para a operação do negócio.

No que se refere à governança de dados, julgue o próximo item. 

De acordo com a LGPD, dados pessoais relacionados a convicção religiosa são considerados sensíveis e só podem ser tratados com o consentimento específico e destacado do titular ou de seu representante legal.

A respeito de visualização, análise exploratória de dados e geoprocessamento, julgue o seguinte item. 

No contexto de um layout de relatório, o equilíbrio assimétrico consiste na distribuição do peso uniforme dos objetos em ambas as metades da página, independentemente do tamanho dos objetos. 

A respeito de visualização, análise exploratória de dados e geoprocessamento, julgue o seguinte item. 

A aplicação de hierarquias de atributo em modelos analíticos é uma prática eficiente, que permite a organização de valores pré-agregados em cada nível e otimiza a análise de dados.

A respeito de visualização, análise exploratória de dados e geoprocessamento, julgue o seguinte item. 

Os mapas temáticos incluem áreas geográficas delineadas por um ou mais polígonos, a exemplo dos mapas de uso do solo e mapas que indicam a capacidade agrícola de determinada região.

A respeito de visualização, análise exploratória de dados e geoprocessamento, julgue o seguinte item. 

A definição de seções implícitas pode ser realizada pela utilização de formas coloridas e pela sobreposição de elementos visuais alinhados, o que confere uma clara distinção entre diferentes áreas do layout dos dashboards.

Em relação ao tratamento e à qualidade dos dados no sistema de gerenciamento de informações, julgue o item subsequente. 

O agente de tratamento deve demonstrar a adoção de medidas eficazes e capazes de comprovar a observância e o cumprimento das normas de proteção de dados pessoais, bem como demonstrar a eficácia dessas medidas.

Em relação ao tratamento e à qualidade dos dados no sistema de gerenciamento de informações, julgue o item subsequente. 

De acordo com a Lei Geral de Proteção de Dados Pessoais (LGPD), os dados pessoais devem ser retidos por um período de cinco anos, mesmo após a conclusão do seu processamento, desde que sejam cumpridos os limites técnicos das atividades em questão.

Julgue o item que se segue, relativo a conceitos de data warehouse, técnicas de modelagem dimensional e otimização de bases de dados para BI. 

A consolidação de dimensões de floco de neve em um modelo de tabela única pode implicar o armazenamento de dados não normalizados e redundantes, o que resulta em maior tamanho de armazenamento. 

Julgue o item que se segue, relativo a conceitos de data warehouse, técnicas de modelagem dimensional e otimização de bases de dados para BI. 

A relação entre uma tabela de fatos e suas respectivas tabelas de dimensões em um data warehouse é estabelecida pela chave primária da tabela de fatos e a chave estrangeira da tabela de dimensões.

Julgue o item que se segue, relativo a conceitos de data warehouse, técnicas de modelagem dimensional e otimização de bases de dados para BI. 

Em regra, as chaves substitutas são incorporadas nas tabelas de dimensões de um data warehouse relacional para atribuir um identificador único para cada registro nas tabelas de dimensões.

Julgue o item que se segue, relativo a conceitos de data warehouse, técnicas de modelagem dimensional e otimização de bases de dados para BI. 

Uma tabela de fatos descreve as entidades de um negócio e apresenta uma ou mais colunas-chave que funcionam como um identificador único exclusivo, bem como colunas descritivas adicionais.

Julgue o item que se segue, relativo a conceitos de data warehouse, técnicas de modelagem dimensional e otimização de bases de dados para BI. 

Nos data warehouses, os índices de junção associam as linhas da tabela de fatos com as respectivas colunas na tabela de dimensões, o que facilita as operações de consulta e análise de dados. 

Acerca das abordagens relacional e não relacional, entre outros conceitos relacionados a banco de dados, julgue o item a seguir.  

Se executada, a consulta a seguir retorna a contagem de clientes com mais de 18 anos de idade que realizaram transações com valores superiores a 1.000, agrupados e ordenados de forma decrescente por idade.

SELECT COUNT(c.id), c.idade

FROM cliente c

WHERE c.idade > 18

      AND EXISTS (

           SELECT 1

           FROM transacao t

          WHERE t.cliente_id = c.id

     AND t.valor > 1000

     )

GROUP BY c.idade

ORDER BY c.idade DESC;