Modelos generativos tentam modelar como os dados foram gerados, ou seja, eles aprendem a distribuição conjunta P (X, Y), onde X são as características e Y são os rótulos, enquanto, modelos discriminativos tentam modelar a fronteira de decisão entre diferentes classes. Eles aprendem a distribuição condicional P(Y|X), ou seja, a probabilidade de um rótulo dado um conjunto de características. Desta maneira, assinale a alternativa que apresenta qual categoria se enquadra o algoritmo Naive Bayes.

Todas as probabilidades necessárias para a obtenção do classificador Naive Bayes são computadas a partir dos dados de treinamento. Assinale a alternativa que apresenta o que é necessário para calculara probabilidade a priori de observar uma classe y_i, P(y_i).

teorema de Bayes é usado para calcular a probabilidade a posteriori de um evento, dadas sua probabilidade a priori e a verossimilhança do novo dado. No contexto do aprendizado bayesiano, assinale a alternativa correta sobre qual é a relação entre a probabilidade:

P (Teste = positivo | Doença = presente) e P (Doença = presente|Teste = positivo)

se vamos criar apenas uma hipótese, essa abordagem é suficiente. Mas muitas vezes acabamos criando várias hipóteses: podemos querer comparar dois modelos de aprendizado de máquina completamente diferentes, ou podemos ajustar os vários “botões” dentro de um modelo. Por exemplo, poderíamos tentar diferentes limiares para poda x2 das árvores de decisão ou diferentes graus para os polinômios. Chamamos esses “botões” de hiperparâmetros — parâmetros da classe de modelo, não do modelo individual. Desta forma, assinale a alternativa que apresenta o que são hiperparâmetros em modelos de aprendizado de máquina.

Considere a afirmação a seguir: “O processo de penalizar explicitamente a hipótese complexa é chamado ________ estamos procurando funções que sejam mais regulares. Observe que agora estamos fazendo duas escolhas: a função de perda (L1 ou L2) e a medida de complexidade, que é chamada função de _______” (RUSSEL et al., 2022, p.607).

Assinale a alternativa que preencha correta e respectivamente as lacunas.

De acordo com o processo de aprendizado de máquina, assinale a alternativa que apresenta o que ocorre quando os dados são subamostrados (underfitting) no contexto de algoritmos de aprendizagem.

Analise a afirmação a seguir:

“O fenômeno de ________ acontece quando o modelo preditivo é gerado de forma a representar os exemplares usados para sua geração com uma fidelidade mais alta que o necessário. Esses modelos, se avaliados em relação ao seu desempenho nesses exemplares, receberão avaliações muito boas [...]" (SILVA et al, 2016, p. 137).

Diante da afirmação anterior, assinale a alternativa que preencha corretamente a lacuna sobre qual fenômeno é este, com relação às estratégias para treinamento, validação e teste.

Com relação ao aprendizado de máquina, um agente aprenderá a melhorar seu desempenho após fazer observações sobre o mundo. A aprendizagem pode variar do corriqueiro, como anotar uma lista de compras, até o mais profundo, como mostrado por Albert Einstein, que deduziu uma nova teoria para o universo. Quando o agente é um computador, nós o chamamos aprendizado de máquina: um computador observa alguns dados, monta um modelo baseado nos dados e usa o modelo como uma hipótese sobre o mundo e um software que pode resolver problemas. Desta forma, assinale a alternativa que apresenta qual é a principal razão para utilizar aprendizado de máquina em vez de programar um computador com todas as soluções possíveis desde o início.

Teste de Turing é um conceito fundamental na história da inteligência artificial (IA), proposto pelo matemático e lógico Alan Turing em 1950. Ele é frequentemente discutido em relação à capacidade das máquinas de exibir comportamento inteligente semelhante ao dos seres humanos. Diante do exposto, assinale a alternativa que apresenta quais são as principais capacidades para um computador passar no teste de Turing.

Análise de grupos, também conhecida como agrupamento de dados, é um termo genérico usado para designar um amplo espectro de métodos numéricos de análise de dados multivariados com o objetivo de descobrir grupos homogêneos de objetos. O agrupamento de objetos em diferentes grupos pode simplesmente representar uma forma conveniente de organizar grandes bases de dados de maneira que elas sejam mais facilmente compreendidas ou pesquisadas e, também, para realizar tarefas muito mais sofisticadas, como tomada de decisão em processos críticos. Diante do exposto, assinale a alternativa correta em relação aos itens que apresentam um algoritmo de agrupamento.