Conceitos

1.O que representa a fronteira de decisão em um classificador? a) Uma linha reta em espaços de alta dimensionalidade. b) A curva de aprendizado do modelo. c) O limite de clusters em K-Means. d)O hiperplano que separa classes com máxima margem.

EXPLICAÇÃO: A fronteira de decisão é o limite que separa regiões do espaço de atributos onde o modelo classifica exemplos como pertencentes a diferentes classes. Em modelos lineares como SVM, essa fronteira é um hiperplano. Para SVMs, o hiperplano é posicionado de forma a maximizar a margem entre as classes.

2.O que é bias em modelos de ML? a) Aumento de dimensionalidade. b) Técnica de ensemble learning. c) Variação aleatória nos dados de teste. d)Erro devido a suposições simplificadas no modelo.

Bias é o erro ocasionado por simplificações no modelo.

3.Qual é a principal característica da IA conexionista? a) Representação do conhecimento por regras simbólicas. b) Foco em lógica dedutiva. c) Uso de redes neurais para simular conexões sinápticas. d) Ignorância de aprendizado por dados.

4.Em Machine Learning, qual é a principal diferença entre aprendizado supervisionado e não supervisionado? a) O aprendizado supervisionado utiliza dados rotulados, enquanto o não supervisionado não requer rótulos. b) O aprendizado supervisionado é usado apenas para problemas de classificação. c) O aprendizado não supervisionado é mais rápido que o supervisionado. d) O aprendizado não supervisionado sempre produz resultados mais precisos.

5.Em IA simbólica, como o conhecimento é manipulado? a) Via gradientes e backpropagation. b) Com recompensas em ambientes. c)Através de símbolos e regras lógicas para inferência. d) Por meio de embeddings vetoriais.

6.Qual é a vantagem principal das árvores de decisão em ML? a)Interpretabilidade e facilidade de visualização. b) Necessidade de normalização prévia dos dados. c) Uso em problemas de regressão não linear apenas. d) Capacidade de lidar com dados de alta dimensionalidade sem redução.

7.Em IA simbólica, qual estrutura é comumente usada para representar conhecimento? a) Funções de ativação sigmoidais. b) Matrizes de convolução. c) Regras lógicas e frames. d) Vetores de embeddings.

8.Em Machine Learning, o que caracteriza o aprendizado supervisionado? a) Não há necessidade de validação cruzada. b)O treinamento utiliza dados rotulados para prever saídas. c) O modelo aprende padrões sem rótulos nos dados. d) O foco é na clusterização de dados não estruturados.

9.Como a fronteira de decisão em árvores de decisão é formada? a) Por divisões recursivas baseadas em critérios de impureza. b) Por hiperplanos lineares apenas. c) Via funções de ativação. d) Sem considerar o espaço de features. (X)

Errei essa questão.. :(

10.No tratamento de dados, o que é one-hot encoding? a) Balanceamento de classes. b) Redução de dimensionalidade. c) Conversão de variáveis categóricas em vetores binários. d) Criação de fronteiras de decisão.