A governança de dados exige a capacidade de acompanhar o ritmo dos aspectos de segurança, privacidade, propriedade e qualidade de Big Data: as práticas de governança devem ser atualizadas conforme mudem o volume, a variedade (formato e fonte) e a velocidade dos dados.

Os relatórios de métricas de gestão, o dashboard e o balanced scorecard são as três categorias principais de relatórios empresariais utilizados para fins gerenciais.

Acerca do tratamento e da qualidade dos dados, julgue os itens que se seguem.

A linguagem de programação Python é bastante utilizada no tratamento de dados devido à sua flexibilidade e vasta coleção de bibliotecas, permitindo a realização de manipulações complexas nos dados, a criação de modelos estatísticos e a automação de tarefas, além de suportar a integração com diferentes fontes de dados.

Julgue os itens a seguir, relativos a dados e bancos de dados.

É possível a análise de dados estruturados e não estruturados armazenados no banco de dados, apesar de o formato dos dados não estruturados ser mais diversificado e complexo que o dos dados estruturados.

Julgue os itens a seguir, relativos a dados e bancos de dados.

Os metadados provêm uma descrição concisa dos dados e desempenham um papel na gestão dos dados; a partir dos metadados, as informações são processadas, atualizadas e consultadas.

No contexto de Ciência de Dados, faça a associação correta das quatro utilizações listadas a seguir.

1. Análise descritiva

2. Análise diagnóstica

3. Análise preditiva

4. Análise prescritiva

( ) Usa dados históricos para fazer previsões precisas sobre padrões de dados que podem ocorrer no futuro. Em suas técnicas, os computadores são treinados para fazer engenharia reversa de conexões de causalidade nos dados.

( ) Analisa as potenciais implicações de diferentes escolhas e recomenda o melhor plano de ação fazendo uso de análise de gráficos, simulação, processamento de eventos complexos, redes neurais e mecanismos de recomendação de machine learning.

( ) Analisa os dados para obter insights sobre o que aconteceu ou o que está acontecendo no ambiente de dados. Ela é caracterizada por visualizações de dados, como gráficos de pizza, gráficos de barras, gráficos de linhas, tabelas ou narrativas geradas.

( ) É uma análise aprofundada ou detalhada de dados para entender por que algo aconteceu. Ela é caracterizada por técnicas como drill-down, descoberta de dados, mineração de dados e correlações.

Assinale a opção que indica a associação correta, na ordem apresentada.

Algoritmos de agrupamento são fundamentais para a área de aprendizado de máquina não supervisionado. Em geral, esses algoritmos determinam clusters de instâncias de dados que possuem algum traço de similaridade entre si. Relacione os métodos de agrupamento hierárquico e o K-means às suas principais características.

1. Agrupamento Hierárquico

2. K-means

( ) Seus resultados são altamente sensíveis ao número de clusters que deve ser pré-definido pelo usuário do algoritmo.

( ) Baseia-se em abordagens top-down ou bottom-up, isto é, com a divisão ou com a união sucessiva de clusters.

( ) Seus resultados costumam ser graficamente visualizados por dendrogramas, que podem ser seccionados de acordo com o número de clusters determinado pelo usuário do algoritmo.

( ) Avalia distâncias entre as instâncias de dados e os centroides dos clusters e atualiza a posição dos centroides dos clusters sucessivamente, até a convergência.

Assinale a opção que indica a relação correta, na ordem apresentada.

A análise de componentes principais (Principal Component Analysis - PCA) é uma técnica consagrada para a redução de dimensionalidade e para a identificação de padrões estruturais lineares em conjuntos de dados.

Com relação à análise de componentes principais, analise as afirmativas a seguir e assinale (V) para a verdadeiras e (F) para a falsa.

( ) Baseia-se na identificação dos autovetores da matriz de covariâncias dos dados, permitindo ao analista determinar direções de maiores variações nas instâncias de dados.

( ) Permite a seleção e a eliminação das dimensões referentes às direções de maiores variações nas instâncias de dados, que por sua vez contribuem com poucas informações úteis para a análise do conjunto de dados.

( ) É utilizada em compressão de dados, pois permite a representação dos dados em menos dimensões que são facilmente interpretáveis pelo analista, sem grandes perdas de informações.

As afirmativas são, respectivamente.

Há uma família de modelos de IA generativa que tem dois modelos treinados em conjunto: o gerador e o discriminador.

O gerador tenta criar dados falsos que sejam indistinguíveis dos dados reais, enquanto que o discriminador tenta distinguir entre dados reais e falsos. O treinamento é um jogo min-max, em que o gerador melhora suas habilidades para enganar o discriminador, e o discriminador melhora suas habilidades para detectar dados falsos.

Assinale a opção que apresenta as características do modelo de IA generativa descritas no texto.