Em conjuntos de dados, é comum deparar-se com valores faltantes, que podem surgir por diversas razões, como erros na coleta, falhas de registro ou respostas omitidas. A presença desses valores pode comprometer a qualidade das análises e a eficácia dos modelos preditivos. Portanto, é essencial aplicar técnicas adequadas para lidar com essas lacunas de maneira eficaz. Qual técnica é apropriada para lidar com valores faltantes em um conjunto de dados?

Para avaliar a eficácia de modelos de regressão, diversas métricas são utilizadas para quantificar a precisão das previsões em relação aos valores reais. A escolha da métrica adequada depende do contexto e dos objetivos específicos da análise. Compreender as características de cada métrica é essencial para interpretar corretamente o desempenho do modelo e realizar comparações apropriadas entre diferentes abordagens. Qual das seguintes opções é uma métrica comumente usada para avaliar modelos de regressão?

Observe as afirmativas a seguir em relação aos sistemas Analytics:
I.Aprendizado de máquina (ou Machine Learning) se refere a processo que usa modelos matemáticos de dados para auxiliar um computador a aprender sozinho, sem receber instruções diretas.
II.Inteligência artificial (ou Artificial Intelligence), que se refere a um subconjunto do aprendizado de máquina, é a capacidade de um sistema computacional de mimetizar as funções cognitivas humanas, como o aprendizado e a solução de problemas.
III.Análise de dados preditiva realiza previsões sobre resultados futuros usando dados históricos combinados com modelagem estatística, aprendizado de máquina e técnicas de mineração de dados.
IV.Análise prescritiva corresponde a prática de analisar dados para identificar padrões, que podem ser usados para fazer previsões e determinar cursos de ação ideais.
Assinale a alternativa correta:

Um analista da PPSA avaliou um estagiário recém-contratado no setor de gestão de dados da companhia. O analista perguntou ao estagiário qual função do SQL deverá ser utilizada para verificar se o resultado de uma consulta aninhada correlacionada é vazia ou não. A resposta CORRETA é:

Aprendizado supervisionado é uma técnica que usa dados rotulados para treinar algoritmos, com o objetivo de que esses algoritmos aprendam a relação entre as entradas e as saídas.
Observe as afirmativas a seguir, em relação a Regressão e Classificação em Aprendizado Supervisionado:
I.Algoritmos Naive Bayes e K-NN são classificadores de máquina que podem ser usados para resolver problemas de classificação.
II.Ensembles são técnicas que combinam várias hipóteses para criar um preditor mais preciso 
III.No aprendizado Supervisionado com R queremos ser capaz de classificar outros dados do mesmo tipo e que ainda não foram rotulados, com base no conjunto de dados já rotulados que sabemos qual é a nossa saída correta e que deve ser semelhante ao conjunto.
Assinale a alternativa correta.

Em aprendizado de máquina, muitos algoritmos requerem que os dados de entrada sejam numéricos. No entanto, é comum lidar com variáveis categóricas, que representam categorias ou rótulos, como "vermelho", "azul", "verde" para cores, ou "masculino" e "feminino" para sexo. Para que esses dados possam ser utilizados efetivamente em modelos preditivos, é necessário transformá-los em uma representação numérica adequada. Ao lidar com dados categóricos, qual das seguintes técnicas é comumente utilizada para transformá-los em uma representação adequada para modelos de aprendizado de máquina?

Hiperparâmetros são variáveis de configuração que controlam o treinamento de modelos de aprendizado de máquina (ou, machine learning).
No ajuste de hiperparâmetros, também conhecido como otimização de hiperparâmetros, busca-se:

O overfitting, é um fenômeno em aprendizado supervisionado onde um modelo se ajusta excessivamente aos dados de treinamento, capturando não apenas os padrões gerais, mas também o "ruído" ou particularidades específicas desses dados. Como resultado, embora o modelo apresente excelente desempenho nos dados de treinamento, sua capacidade de generalização para novos dados é comprometida, levando a previsões imprecisas em cenários não vistos anteriormente. O que caracteriza o overfitting em um modelo de aprendizado supervisionado?

Em redes neurais artificiais, as funções de ativação permitem que a rede aprenda e represente padrões complexos nos dados. Para tarefas de classificação binária, onde o objetivo é distinguir entre duas classes. Qual das seguintes funções de ativação é mais adequada para problemas de classificação binária?

Distribuição estatística (ou, distribuição de probabilidade) é a forma como os valores estão distribuídos em um conjunto de dados.
A distribuição associada a "eventos raros" corresponde a: