Com relação às técnicas de agrupamento, analise as afirmativas a seguir e assinale (V) para a verdadeira e (F) para a falsa.

( ) Os algoritmos de agrupamento hierárquicos são divididos em dois grupos principais: aglomerativos e divisíveis.

( ) O algoritmo de agrupamento aglomerativo é uma abordagem bottom-up que começa com todos os dados em um único cluster; os clusters são divididos progressivamente até que cada dado esteja em seu próprio cluster individual.

( ) Os algoritmos de agrupamento divisíveis são uma abordagem top-down, na qual um único cluster é dividido em vários clusters à medida que avançamos na hierarquia.

As afirmativas são, respectivamente,

Relacione os termos de Inteligência Artificial (IA) às suas respectivas definições.

1. IA fraca

2. IA forte

3. IA generativa

4. Teste de Turing

( ) É capaz de resolver uma única tarefa, pode automatizar tarefas demoradas e analisar dados de maneiras que os humanos às vezes não podem.

( ) É uma categoria de algoritmos de IA que gera novos resultados com base nos dados em que foram treinados.

( ) É capaz de resolver uma gama extensa e arbitrária de tarefas, incluindo aquelas que são novas, e executá-las com eficácia comparável à de um ser humano.

( ) É uma medida de inteligência de uma máquina, onde se a máquina pode se passar por um humano em uma conversa de texto, ela passa no teste.

Assinale a opção que indica a relação correta, segundo a ordem apresentada.

Sobre o Aprendizado de Máquina, analise as afirmativas a seguir e assinale (V) para a verdadeira e (F) para a falsa.

( ) Aprendizado supervisionado é um tipo de aprendizado de máquina em que o modelo é treinado em um dataset rotulado.

( ) Aprendizado não supervisionado é um tipo de aprendizado de máquina em que o modelo é treinado em um dataset não rotulado e a estrutura subjacente dos dados é descoberta pelo algoritmo.

( ) Aprendizado por reforço é um tipo de aprendizado de máquina em que o modelo é treinado para prever o resultado de uma variável dependente com base em variáveis independentes.

As afirmativas são, respectivamente,

Considerando os conceitos principais de ciência de dados, analise as afirmativas a seguir e assinale (V) para a verdadeira e (F) para a falsa.

( ) Em um sistema BigData, o pipeline de dados implementa as etapas necessárias para mover dados de sistemas de origem, transformar esses dados com base nos requisitos e armazenar os dados em um sistema de destino, incluindo todos os processos necessários para transformar dados brutos em dados preparados que os usuários podem consumir.

( ) Dentre os métodos de manipulação de valores ausentes, em processamento massivo e paralelo, consta a normalização numérica, que se refere ao processo de ajustar os dados para que estejam em uma escala comparável, geralmente entre 0 e 1.

( ) A demanda crescente por medidas de criptografia ponta a ponta (da produção ao backup) tornam menos eficazes e relevantes tecnologias legadas, como a deduplicação de dados (data deduplication), que busca ajudar a otimizar o armazenamento e melhorar o desempenho de um sistema ao estabelecer processo de identificar e eliminar dados duplicados em um sistema.

As afirmativas são, respectivamente,

Com relação às tecnologias relacionadas à ciência de dados, analise as afirmativas a seguir e assinale (V) para a verdadeira e (F) para a falsa.

( ) Os dashboards gerados no Power BI, da Microsoft, empregando scripts do R, são gerados empregando ‘tecnologia de área restrita’ para proteger os usuários e o serviço contra riscos de segurança.

( ) Na Ciência de Dados, os dados estruturados, semiestruturados e não estruturados podem ser digeridos por redes neurais recorrentes (RNN, Recurrent Neural Network), que processavam sequências inteiras em paralelo, ou por grandes modelos de linguagem (LLM, Large Language Models), que empregam processamento sequencial das entradas.

( ) No aprendizado de máquina é usual o emprego de Métodos de Reamostragem, como: k-fold (que fatia os dados em k pedaços iguais), repeated k-fold (que repete o método k-fold várias vezes), PCA (Principal Components Analysis, que reduz a quantidade de variáveis) e bootstrap (que reduz os desvios e realizar amostragem dos dados de treino com repetições).

As afirmativas são, respectivamente,

Com relação às tecnologias referentes a bancos de dados, analise as afirmativas a seguir.

I. As consultas abaixo representam condições inconsistentes, pois sempre retornam resultados inválidos, independentemente do estado do banco, por apresentarem erros semânticos no esquema (SQL_01) e na consulta (SQL_02), respectivamente.

II. Dependendo da complexidade da consulta e do grau de normalização dos dados, o Banco de Dados NoSQL não deve substituir a escolha de um banco de dados relacionais, pois o BD NoSQL funciona adequadamente com consultas em uma única tabela e normalmente não oferece junções complexas, subconsultas e aninhamento de consultas em uma cláusula WHERE.

III. Análise de dados complexos podem ser realizados usando cubos de dados OLAP (On-line Analytical Processing) digerindo dados obtidos diretamente por ETL. (Extraction – Tranformation – Load), sendo o resultado do processamento armazenado no DW (Data Warehouse) ou DM (Data Mart).

Está correto o que se afirma em

Analise o trecho código Python a seguir.

AREA = [3.7, 5.356, 4.9061, 4.32092, 9.038758, 32.5434846]

resultado = list(map(round, AREA, range(1,5))) print(resultado)

O valor impresso é

A lei de Benford, usada na área de qualidade de dados, descreve a distribuição de frequência relativa para os dígitos iniciais de números em grandes conjuntos de dados.

A distribuição P de Benford para d dígitos é descrita como

Diversos métodos computacionais podem ser utilizados para a detecção e tratamento de outliers em sequências do tipo discretas, como por exemplo, as sequências de dados biológicos ou as de ações de usuários armazenadas em arquivos de logs.

Sobre os modelos markovianos, analise as afirmativas a seguir e assinale (V) para a afirmativa verdadeira e (F) para a falsa.

( ) Os modelos markovianos representam o processo de geração de sequências com o uso de transições em uma cadeia de markov. Trata-se essencialmente um tipo especial de autômato de estado infinito, onde os estados são definidos por um longo histórico das sequências.

( ) Nos modelos de markov de primeira ordem, cada estado representa o símbolo do alfabeto !$ ∑ !$, que é gerado como o elemento final da sequência que está sendo modelada. Assim, a palavra “primeira ordem” refere-se ao fato de que o primeiro elemento da cadeia é diferente de 1. Nos modelos de Markov de k-ésima ordem, cada estado corresponde à subsequência dos k-1 símbolos finais a_n−1... a_n−k na sequência que está sendo modelada.

( ) Cada transição deste modelo corresponde a um evento a_n-k, representando a adição do elemento a_n-1 ao término da sequência. Como resultado da adição deste elemento, as transições do modelo markoviano variam do estado a_n−1... a_n−k para o estado a_{n−1 ...} a_n-k+1. A probabilidade desta transição é P(a_n|a_n−k ... a_n−1).

As afirmativas são, respectivamente,

Analise o trecho código Python a seguir.

import pandas as pd

data = {

"numero": range(12),

"variavel": ["A"] * 3 + ["B"] * 3 + ["C"] * 3 + ["D"] * 3,

"dia": pd.to_datetime(["2020-01-03", "2020-01-04", "2020-01-05"] * 4)

}

df = pd.DataFrame(data)

pivoted = df.pivot(index="dia", columns="variavel")

pivoted

O valor numérico da variável D, que corresponde ao dia 2020-01-05, é