Os principais modelos de bancos de dados NoSQL - chave-valor, documento, colunar e grafo - são indicados para diferentes tipos de dados e necessidades de aplicação. Nesse contexto, a equipe de TI do TCE-PE está avaliando qual desses modelos é mais adequado para dois sistemas distintos que estão em fase de planejamento.

Sistema 1: uma base de dados para armazenar perfis de servidores públicos e suas informações funcionais (dados estruturados e semiestruturados, com variações entre os cargos e históricos de alterações).
Sistema 2: uma aplicação para análise de relacionamentos entre empresas e servidores, com foco em investigações de conflito de interesse, utilizando conexões como vínculos societários, contratos, nomeações e relações familiares.
Nesse contexto, a combinação de modelos NoSQL mais apropriada para atender eficientemente as necessidades dos sistemas 1 e 2 é, respectivamente,

Durante a apuração mensal da folha de pagamento de um órgão público, o sistema de recursos humanos executa diversas transações simultâneas para calcular valores de vencimentos e benefícios com base em registros atualizados de frequência, licenças e adicionais.
O gestor de TI detectou um problema: em determinados momentos, o sistema calcula valores com base em registros de frequência que são modificados por outra transação ainda em andamento, resultando em inconsistência nos valores pagos.
Para evitar esse problema, a equipe propõe ajustar o nível de isolamento da transação utilizada durante o cálculo da folha, de forma que os dados lidos não possam ser modificados ou inseridos por outras transações até que a atual seja concluída.
Com base nesse cenário, o nível de isolamento mais apropriado para evitar leituras inconsistentes causadas por alterações concorrentes é:

Considere o seguinte trecho de código Python utilizado por um analista de dados em um projeto de análise de churn de clientes:

---
import pandas as pd
import numpy as np
df = pd.read_csv("clientes.csv")
df["tempo_contrato"].fillna(df["tempo_contrato"].median(),
inplace=True)
df["idade_faixa"] = pd.cut(df["idade"], bins=[0, 25, 40, 60, np.inf],
labels=["Jovem", "Adulto", "Meia-idade", "Idoso"])
df["score_normalizado"] = (df["score_credito"] -
df["score_credito"].mean()) / df["score_credito"].std()
df_churn = df[df["churn"] ==
1].groupby("idade_faixa")["tempo_contrato"].mean()
---

Com base no código acima, e nos conceitos de Pandas e análise de dados, é correto afirmar que:

No campo da inteligência artificial, os agentes desempenham papel central como entidades capazes de perceber o ambiente, tomar decisões e agir com base em metas definidas. Compreender sua estrutura e tipos é fundamental para o desenvolvimento de sistemas inteligentes.
Assinale a afirmativa que descreve corretamente uma característica de agentes de inteligência artificial.

Redes neurais profundas revolucionaram áreas como reconhecimento de fala, visão computacional e processamento de linguagem natural, ao permitir a modelagem de padrões complexos por meio de múltiplas camadas ocultas.
A respeito das redes neurais profundas, assinale a afirmativa correta.

Em aplicações modernas de ciência de dados, como reconhecimento de padrões e previsão de comportamento, o aprendizado supervisionado tem se destacado por utilizar conjuntos de dados rotulados para treinar modelos capazes de generalizar para novos exemplos.
Assinale a afirmativa que descreve corretamente uma característica fundamental do aprendizado supervisionado em Machine Learning.

Uma instituição financeira deseja implementar um sistema de detecção automática de fraudes em transações bancárias, com base em registros históricos rotulados como fraude e transação legítima. O objetivo é classificar novas transações em tempo real. A técnica de aprendizado de máquina supervisionado mais indicada para esse cenário é:

A mineração de dados é um dos principais componentes do processo de descoberta de conhecimento em bases de dados (KDD - Knowledge Discovery in Databases). Seu objetivo é extrair padrões relevantes, previamente desconhecidos, e potencialmente úteis a partir de grandes volumes de dados.
Sobre a mineração de dados, assinale a afirmativa correta.

O termo NoSQL, abreviação de “Not Only SQL” (não apenas SQL), refere-se a uma classe de bancos de dados que abandonam o paradigma relacional. Embora os bancos relacionais sejam excelentes em muitos casos, eles não atendem todas as necessidades. À medida que os requisitos de dados e consultas mudam, os bancos de dados relacionais podem falhar, levando à necessidade de bancos de dados mais apropriados, como os NoSQL. Entre eles, há um tipo especialmente indicado para situações com numerosas e complexas relações entre os dados, sobretudo nas conexões muitos-para-muitos, em que sua modelagem se torna mais intuitiva.
Com base no relato, é correto afirmar que o tipo em questão é orientado a:

SQL é uma linguagem de banco de dados abrangente que inclui comandos para definição de dados (DDL - Data Definition Language), manipulação de dados (DML - Data Manipulation Language), controle (DCL – Data Control Language), dentre outros.
Neste contexto, avalie as afirmativas a seguir e assinale (V) para verdadeira e (F) para falsa.

( ) O comando para apagar registros em uma tabela é o DELETE.
( ) Os comandos REVOKE, UPDATE e TRUNCATE pertencem, respectivamente, aos subconjuntos DCL, DML e DDL.
( ) O comando SAVEPOINT é um dos comandos do subconjunto DCL.
( ) O comando DROP pertence ao subconjunto DDL, sendo usado para limpar completamente uma tabela mantendo sua estrutura original.

As afirmativas são, respetivamente,