A validação cruzada é uma importante técnica em aprendizado de máquina, usada...

A validação cruzada é uma importante técnica em aprendizado de máquina, usada para obter uma estimativa mais robusta do erro de generalização. Dessa forma, ela contribui para a construção de modelo...

Q1037259 • Engenharia de Software • Inteligencia Artificial • FGV • DATAPREV • Inteligência da Informação • 2024

A validação cruzada é uma importante técnica em aprendizado de máquina, usada para obter uma estimativa mais robusta do erro de generalização. Dessa forma, ela contribui para a construção de modelos mais confiáveis, permitindo uma avaliação mais precisa de sua capacidade preditiva em diferentes cenários.
Uma das características da validação cruzada com k conjuntos é que esse método

a) considera, na sua versão estratificada, a proporção de exemplos de cada classe quando da geração de subconjuntos mutuamente exclusivos.
b) divide aleatoriamente registros em treinamento e teste em proporções p e (1-p), respectivamente.
c) gera conjuntos cuja interseção é não vazia, utilizados a cada iteração como conjunto de treino e teste.
d) penaliza os conjuntos de treino com k sorteios aleatórios, de modo a torná-lo equilibrado frente ao conjunto de teste.
e) produz o conjunto de treinamento a partir de N sorteios aleatórios com reposição a partir dos dados originais.

Analisando...

Questões sobre Inteligencia Artificial

1

Q1120540 • Engenharia de Software • Inteligencia Artificial • IDECAN • AL CE • Análise de Dados • 2026
Uma Assembleia Legislativa adotou um sistema baseado em aprendizado de máquina para apoiar a priorização de demandas encaminhadas a setores técnicos especializados. Embora o modelo apresentasse desempenho satisfatório em testes estatísticos, gestores e servidores responsáveis pelas decisões finais manifestaram preocupação quanto à compreensão dos fatores que influenciavam determinadas recomendações produzidas pelo sistema. Em resposta, a equipe de ciência de dados passou a incorporar mecanismos destinados a aumentar a interpretabilidade das previsões geradas, preservando a confiança institucional e a rastreabilidade dos processos decisórios.
Assinale a alternativa que apresenta uma prática alinhada aos princípios de transparência e explicabilidade em modelos de ciência de dados.
- a) Utilizar mecanismos capazes de evidenciar a contribuição das variáveis para as previsões realizadas, permitindo maior compreensão das decisões produzidas pelo modelo.
- b) Restringir o acesso às informações sobre o funcionamento do modelo, reduzindo o risco de questionamentos relacionados às decisões produzidas automaticamente.
- c) Priorizar exclusivamente indicadores de desempenho preditivo, considerando irrelevante a compreensão dos fatores que influenciam os resultados gerados.
- d) Substituir procedimentos de validação por descrições textuais simplificadas, eliminando a necessidade de análises quantitativas sobre o comportamento do modelo.
- e) Concentrar o desenvolvimento em algoritmos cada vez mais complexos, independentemente da capacidade dos usuários compreenderem os resultados apresentados.
Analisando...
Carregando informações...
2

Q1120533 • Engenharia de Software • Inteligencia Artificial • IDECAN • AL CE • Análise de Dados • 2026
Uma Assembleia Legislativa desenvolveu um modelo de aprendizado de máquina para apoiar a distribuição automática de demandas recebidas por diferentes setores técnicos. Após alguns meses de utilização, auditorias internas identificaram que determinados tipos de solicitações apresentavam taxas de encaminhamento significativamente diferentes quando comparadas a demandas de características semelhantes. Embora o modelo apresentasse elevados indicadores globais de desempenho, a equipe de governança de dados passou a investigar a possibilidade de existência de vieses introduzidos durante a coleta, preparação ou modelagem dos dados.
Assinale a alternativa que apresenta a interpretação tecnicamente adequada acerca dos vieses algorítmicos em sistemas de ciência de dados.
- a) A obtenção de elevada acurácia global é suficiente para demonstrar que o modelo está livre de vieses e produz resultados equitativos em qualquer contexto operacional.
- b) Os vieses algorítmicos ocorrem exclusivamente em modelos supervisionados, não podendo estar presentes em processos de agrupamento, recomendação ou análise exploratória.
- c) A existência de grandes volumes de dados elimina automaticamente a possibilidade de viés, independentemente da qualidade, representatividade ou origem das informações utilizadas.
- d) Os vieses algorítmicos podem decorrer de problemas presentes nos dados, nas decisões de modelagem ou nos critérios de avaliação, exigindo monitoramento contínuo e análise de equidade.
- e) A utilização de algoritmos matematicamente complexos impede a ocorrência de vieses, pois decisões automatizadas são inerentemente neutras em relação aos dados analisados.
Analisando...
Carregando informações...
3

Q1120530 • Engenharia de Software • Inteligencia Artificial • IDECAN • AL CE • Análise de Dados • 2026
Uma Assembleia Legislativa implementou um modelo de aprendizado de máquina para auxiliar a priorização de proposições encaminhadas para análise técnica especializada. Embora o modelo apresentasse elevado desempenho preditivo, gestores e consultores legislativos passaram a questionar os critérios utilizados para determinadas classificações, especialmente em situações nas quais proposições semelhantes recebiam tratamentos aparentemente distintos. Diante desse cenário, a área de ciência de dados iniciou a adoção de práticas voltadas à explicabilidade dos modelos, buscando aumentar a confiança dos usuários e a transparência dos processos analíticos.
Assinale a alternativa que apresenta a interpretação tecnicamente adequada acerca da explicabilidade de modelos de inteligência artificial.
- a) A explicabilidade tem como finalidade substituir integralmente os modelos preditivos por regras manuais, eliminando qualquer utilização de algoritmos de aprendizado de máquina.
- b) A explicabilidade consiste na divulgação do código-fonte completo dos sistemas analíticos, independentemente dos riscos relacionados à segurança da informação institucional.
- c) A explicabilidade busca fornecer mecanismos que permitam compreender, justificar ou interpretar as decisões produzidas pelos modelos de forma compatível com o contexto de uso.
- d) A explicabilidade aplica-se exclusivamente a modelos lineares, não possuindo utilidade prática em algoritmos baseados em árvores, ensembles ou redes neurais.
- e) A explicabilidade tem como principal objetivo aumentar a complexidade matemática dos modelos, tornando suas previsões menos suscetíveis à interpretação dos usuários.
Analisando...
Carregando informações...
4

Q1120525 • Engenharia de Software • Inteligencia Artificial • IDECAN • AL CE • Análise de Dados • 2026
Uma equipe de ciência de dados da Assembleia Legislativa desenvolveu um modelo preditivo para estimar a probabilidade de determinadas proposições demandarem tramitação acelerada. Durante os testes iniciais, o modelo apresentou desempenho extremamente elevado sobre os dados utilizados no treinamento, porém resultados significativamente inferiores quando aplicado a novas proposições oriundas de períodos legislativos posteriores. Após investigação, concluiu-se que o modelo havia aprendido características muito específicas do conjunto de treinamento, reduzindo sua capacidade de generalização para novos dados. Diante desse cenário, a equipe passou a avaliar técnicas para diagnosticar e mitigar o problema identificado.
Assinale a alternativa que apresenta a interpretação tecnicamente adequada para a situação descrita.
- a) O problema caracteriza underfitting, pois o modelo aprendeu poucas características dos dados de treinamento e, por isso, apresentou desempenho excessivamente elevado nessa etapa.
- b) O problema caracteriza viés algorítmico, pois todo modelo que apresenta redução de desempenho em novos dados necessariamente viola critérios de equidade estatística.
- c) O problema caracteriza inconsistência de dados, podendo ser resolvido exclusivamente pela ampliação do número de atributos utilizados durante o treinamento.
- d) O problema caracteriza ausência de convergência matemática, situação na qual a validação cruzada deixa de produzir estimativas confiáveis sobre o desempenho do modelo.
- e) O problema caracteriza overfitting, podendo ser identificado por diferenças relevantes entre desempenho de treinamento e de generalização, sendo a validação cruzada uma técnica útil para sua avaliação.
Analisando...
Carregando informações...
5

Q1102067 • Engenharia de Software • Inteligencia Artificial • CESPE CEBRASPE • TCE RN • Especialidade Tecnologia da Informação • 2026
Julgue o próximo item, a respeito de visualização e análise exploratória de dados, de linguagens e ferramentas de apoio à análise de dados e de técnicas e tarefas de mineração de dados.
A técnica de lematização (lemmatization) reduz palavras à sua raiz por meio de regras heurísticas, frequentemente resultando em formas que não constituem palavras válidas no dicionário do idioma original.
- a) Certo
- b) Errado
Analisando...
Carregando informações...
6

Q1090241 • Engenharia de Software • Inteligencia Artificial • FUNDEP Gestão de Concursos • CEMIG MG • Cientista de Dados • 2023
Aprendizado de máquina é uma subárea da inteligência artificial que lida com algoritmos de computação que podem ser melhorados via dados de treinamento sem programação explícita.
A esse respeito, numere a COLUNA II de acordo com a COLUNA I, fazendo relação entre o conceito e sua definição.

COLUNA I
1. Classificação 2. Regressão 3. Agrupamento / Clusterização
COLUNA II
( ) Inferência em escala contínua, ou seja, previsão de um valor numérico.
( ) Inferência de categorias discretas, de acordo com possibilidades limitadas definidas a partir dos rótulos de treinamento.
( ) Organização de dados em conjuntos distintos de acordo com métricas de similaridade ou distância, sem necessidade de rótulos de treinamento.

Assinale a sequência correta.
- a) 1 2 3
- b) 2 1 3
- c) 3 2 1
- d) 2 3 1
Analisando...
Carregando informações...
7

Q1064110 • Engenharia de Software • Inteligencia Artificial • FGV • INPE • Desenvolvedor de Sistemas • 2024
As técnicas de aprendizado de máquina aplicadas à assimilação podem ser utilizadas de diversas maneiras para tratamento de dados. Um exemplo de processo que pode ser vantajoso para os algoritmos de assimilação é o de redução da dimensionalidade de um conjunto de dados, no qual se aplica treinamento não supervisionado para gerar representações “compactadas” das entradas originais. Esse processo permite a assimilação de dados no espaço latente, melhorando a eficiência de treinamento dos algoritmos.

Determinadas arquiteturas de rede neural são utilizadas para redução de dimensionalidade e para a geração de representações de dados no espaço latente, em que se destaca a arquitetura do tipo
- a) Autoencoders.
- b) Redes Neurais Bayesianas.
- c) Redes Neurais Convolucionais.
- d) Redes Adversariais Generativas.
- e) Máquinas de Boltzmann Restritas.
Analisando...
Carregando informações...
8

Q1064059 • Engenharia de Software • Inteligencia Artificial • FGV • CVM • Tarde • 2024
No método tensorflow.keras.layers.Dense(...), se nenhuma função de ativação é especificada, é utilizada por padrão a função:
- a) linear;
- b) ReLU;
- c) sigmoide;
- d) softmax;
- e) softplus.
Analisando...
Carregando informações...
9

Q1063774 • Engenharia de Software • Inteligencia Artificial • FGV • CVM • Manhã • 2024
O resultado da aplicação de um algoritmo de Aprendizado de Máquina é um modelo que será usado para realizar predições. Quanto melhor o modelo gerado, mais precisas serão as predições.

A precisão ou a acurácia de um modelo de Aprendizado de Máquina é medida por meio do método:
- a) regressão;
- b) treino e teste;
- c) matriz de confusão;
- d) aprendizagem por reforço;
- e) bagging (Bootstrap Aggregating).
Analisando...
Carregando informações...
10

Q1063335 • Engenharia de Software • Inteligencia Artificial • FGV • Câmara dos Deputados • Área XIV Reaplicação • 2024
No contexto da Inteligência Artificial (IA), assinale a opção que define corretamente o termo “explicabilidade da IA” ou “Inteligência Artificial explicável” e indica por que ele é importante para a regulação do tema.
- a) Representa a capacidade de uma IA de realizar tarefas sem quaisquer ações e intervenções humanas. Com base em processos algorítmicos, a IA vem ganhando autonomia decisória e mostrando-se consciente sobre o desenvolvimento das novas tecnologias.
- b) Representa a habilidade de uma IA de explicar suas decisões em termos tecnicamente compreensíveis, a partir de uma única linguagem desenvolvida por campos neurais.
- c) Representa um conjunto de técnicas de aprendizado de máquina que permite que os usuários humanos entendam, possam confiar e gerenciem com eficácia a geração emergente de parceiros com inteligência artificial.
- d) Representa a precisão de uma IA em prever resultados baseados em dados qualitativos e quantitativos.
- e) Representa a capacidade de uma IA de passar no Teste de Turing, sendo essencial para sua aceitação social.
Analisando...
Carregando informações...

Mais questões de Engenharia de Software →

A validação cruzada é uma importante técnica em aprendizado de máquina, usada...

A validação cruzada é uma importante técnica em aprendizado de máquina, usada para obter uma estimativa mais robusta do erro de generalização. Dessa forma, ela contribui para a construção de modelo...

Reportar erro em questao

Reportar erro em questao

Reportar erro em questao

Reportar erro em questao

Reportar erro em questao

Reportar erro em questao

Reportar erro em questao

Reportar erro em questao

Reportar erro em questao

Reportar erro em questao

Reportar erro em questao

Busca no Site