Um programa de incentivo à educação que visa reduzir a evasão escolar será eficiente se houver uma queda significativa no abandono escolar entre os beneficiários.

O método experimental visa estudar fenômenos observando e medindo variáveis sem manipulá-las, como nos estudos de casos e nas análises estatísticas avançadas.

A análise SWOT combinada com a inteligência competitiva é uma abordagem estratégica que permite às empresas considerar fatores internos e externos para definir estratégias e avaliar continuamente sua competitividade e sustentabilidade.

import pandas as pd
mydataset = {
'carro': [“BMW”, “Volvo”, “Ford”],
'passagens': [3, 7, 2]
}
myvar = pd.DataFrame(mydataset)
print(myvar)

A respeito do trecho de código Python precedente, julgue o item a seguir.

Ao executar o referido trecho de código pandas, será exibido um DataFrame com as colunas carro e passagens com os respectivos valores e índices automaticamente gerados.

Considere o código a seguir.

GET /users/search?name=John%20Doe&age=30

No design de APIs RESTful, o endpoint GET /users/search realiza uma busca no recurso /users, enviando critérios de busca como parâmetros de consulta na URL.

O código a seguir apresenta um exemplo de um registro estruturado em formato JSON que pode ser armazenado em um banco de dados vetorial.

{
  “id”: “doc_001”,
  “title”: “Introdução à Inteligência
Artificial”,
  “content”: “A inteligência artificial (IA) é
um campo da ciência da computação que foca na
criação de sistemas capazes de realizar
tarefas que normalmente requerem inteligência
humana.”,
  “embedding”: [
0.0231, -0.1543, 0.8761, -0.3421, 0.2678,
0.7432, -0.1298, 0.5214,
-0.2987, 0.6843, -0.9321, 0.3120, 0.5711, -
0.6587, 0.2198, -0.8723,
0.3561, 0.1078, -0.4721, 0.7613, -0.2487,
0.6987, -0.1342, 0.5210,
0.1456, -0.8921, 0.4312, -0.3487, 0.6821,
0.0932, 0.3187, -0.5276,
... (mais valores)]
}

X, y = load_and_preprocess_data(“data.csv”)
X_train, X_test, y_train, y_test = 
  train_test_split(X, y, test_size=0.2, random_state=42)
model = LinearRegression()
model.fit(X_train, y_train)
y_pred = model.predict(X_test)
mae = mean_absolute_error(y_test, y_pred)
mse = mean_squared_error(y_test, y_pred)
rmse = mean_squared_error(y_test, y_pred,
squared=False)
print(f"MAE: {mae}")
print(f"MSE: {mse}")
print(f"RMSE: {rmse}")
joblib.dump(model,
  "linear_regression_model.pkl")

Essencialmente, y_pred contém as previsões do modelo sobre os valores correspondentes de saída que o modelo estima com base nas características fornecidas em X_test.

X, y = load_and_preprocess_data(“data.csv”)
X_train, X_test, y_train, y_test = 
  train_test_split(X, y, test_size=0.2, random_state=42)
model = LinearRegression()
model.fit(X_train, y_train)
y_pred = model.predict(X_test)
mae = mean_absolute_error(y_test, y_pred)
mse = mean_squared_error(y_test, y_pred)
rmse = mean_squared_error(y_test, y_pred,
squared=False)
print(f"MAE: {mae}")
print(f"MSE: {mse}")
print(f"RMSE: {rmse}")
joblib.dump(model,
  "linear_regression_model.pkl")

A linha mae = mean_absolute_error(y_test, y_pred) calcula a raiz quadrada do erro quadrático médio, fornecendo uma métrica de erro que é fácil de interpretar e que dá uma ideia da precisão das previsões do modelo.

Julgue os itens a seguir, no que se refere à ciência de dados e à inteligência artificial.

Em um conjunto de dados sobre renda familiar, um valor extremamente alto pode representar uma pessoa com renda muito superior à média, e, portanto, deve sempre ser removido, independentemente de sua relevância para a análise.

Julgue os itens a seguir, no que se refere à ciência de dados e à inteligência artificial.

No teste de hipótese, ao se definir que a altura média dos homens é diferente da altura média das mulheres, formula-se uma suposição de hipótese nula que confirma essa diferença entre as duas populações.