Na classificação de imagens, o objetivo principal é atribuir um rótulo (classe) a cada pixel da imagem, delimitando e identificando diferentes objetos ou regiões, ao passo que, na segmentação de imagens, o objetivo é atribuir um único rótulo à imagem como um todo, indicando seu conteúdo principal.

PLN é um campo da inteligência artificial voltado a capacitar máquinas na compreensão, interpretação e geração da linguagem humana. Aplicações como chatbots, tradutores automáticos e análise de sentimentos são exemplos de aplicações dessa tecnologia. Contudo, modelos recentes, como o Gemini e o GPT, embora compartilhem algumas similaridades com o PLN, têm sua base fundamental na aplicação de aprendizado profundo, uma abordagem que dispensa a necessidade de regras linguísticas explícitas e se concentra na identificação de padrões complexos em grandes conjuntos de dados.

Julgue os próximos itens, relativos a aprendizado de máquina e BI (Business Intelligence).

O algoritmo de agrupamento K-means — baseado em centroides, que divide um conjunto de dados em grupos semelhantes com base na distância entre seus centroides — pode ser utilizado para, a partir de uma base de dados de uma rede social, identificar comunidades de usuários com interesses comuns em determinados assuntos.

Julgue os próximos itens, relativos a aprendizado de máquina e BI (Business Intelligence).

Random forest é um método de aprendizado de conjunto que combina várias árvores de decisão para formar um modelo mais robusto e preciso. Tal método pode ser usado tanto para resolver problemas de regressão (por exemplo, prever o valor de uma ação) quanto para realizar classificação (por exemplo, compra válida, fraude).

Julgue os próximos itens, relativos a aprendizado de máquina e BI (Business Intelligence).

A arquitetura de BI que utiliza ROLAP (processamento analítico online relacional) implementa as consultas por meio de um banco de dados em cubos de forma consolidada; nessa estrutura ROLAP, os dados são armazenados de forma multidimensional, permitindo que os usuários finais realizem drill up ou drill down na hierarquia (por exemplo, que eles vejam os lucros das vendas por ano, depois por trimestre).

Julgue os próximos itens, relativos à análise de dados.

Considere o código a seguir, que utiliza NumPy.

import numpy as np
data = np.array([1, 5, 3, 4, 2, 6, 7])
print(data[::2])

Após a execução desse código, o resultado será o seguinte.

[1 3 2 7]

Julgue os próximos itens, relativos à análise de dados.

Considere o código a seguir, que utiliza Pandas.

import pandas as pd
Nome = ['João-', 'Paulo-']
Sobrenome = ['Lucas', 'Matheus']
list_of_tuples = list(zip(Nome, Sobrenome))
df = pd.DataFrame(list_of_tuples)
print(df)

Após a execução desse código, o resultado será o seguinte.

         0    1 
0    João-Lucas
1 Paulo-Matheus

Julgue os próximos itens, a respeito de escritório de projetos, ITIL 4 e gestão de processos.

No modelo em BPMN a seguir, as tarefas Cook Pasta, Stir-fry Steak e Prepare Salad requerem interação humana e devem ser executadas de forma simultânea, obrigatoriamente.

Julgue os próximos itens, a respeito de escritório de projetos, ITIL 4 e gestão de processos.

Em que pese ser voltado para gerenciamento de serviços, o ITIL 4 possui a prática de desenvolvimento e gerenciamento de software, que visa garantir que os aplicativos atendam às necessidades das partes interessadas relativas a funcionalidade e auditabilidade.

Julgue os itens a seguir, considerando que, a partir do desenvolvimento de um sistema preditivo para estimar a produção agrícola (X) com base em dados climáticos como precipitação (P) e temperatura (T), obteve-se a matriz de covariâncias referente à distribuição conjunta (X, P, T),

\(\sum = \begin{pmatrix} 9 & 2,4 & 0,6 \\ a & 16 & 1,6 \\ b & c& 4\end{pmatrix}\)

A covariância entre as variáveis temperatura e precipitação é igual a 1,6.