Dados são um conjunto de fatos em estado bruto que podem ser utilizados para tomadas de decisão. Os dados podem ser divididos entre estruturados e não-estruturados. Sobre os dados estruturados, assinale a afirmativa correta.

Acerca de governança de dados, assinale a alternativa correta.

Certa empresa se deparou com o seguinte cenário: seus cientistas de dados reprocessavam toda a base de dados sempre que tinham dados novos disponíveis. Nesse processo, os dados eram apagados de suas bases e eram novamente obtidos de suas fontes originais. Isso gerava um alto custo financeiro para a empresa em razão do grande volume de dados disponíveis para obtenção. Foi desenvolvido, então, um novo processo no qual, uma vez por dia, os novos dados eram carregados para dentro do sistema, de forma a não ser mais necessário realizar a carga total das informações. Esse novo processo é conhecido como ingestão de dados

Uma das soluções de Big Data mais presentes no mercado é o Apache Spark. Quanto a essa framework, assinale a alternativa correta.

Uma base de dados hipotética possui como informação mais importante os dados provenientes de um sensor de temperatura ambiente. Após um mês de coleta de dados, foi realizada uma verificação e constatou-se que o sensor apresentava leituras sabidamente errôneas em 95% das medições realizadas. Também observou-se que a demora para a identificação do problema se deu pelas leituras do sensor, que, apesar de errôneas, continuavam com valores válidos para medições de temperaturas, não disparando os alarmes predefinidos pela equipe. Suponha que não houve qualquer influência não esperada advinda do ambiente e nem de erro humano, como mau posicionamento do sensor, instalação errada, manipulação externa, entre outras, e também considere que os demais dados dessa base não apresentaram nenhuma alteração em sua qualidade. Acerca dessa situação hipotética, assinale o aspecto da disciplina de qualidade de dados que mais foi afetado por esse problema.

Na modelagem multidimensional de um Data Warehouse, há dois modelos que são mais utilizados. O primeiro deles é um schema no qual somente a tabela fato e as tabelas de dimensões a ela relacionadas estão nele contidas e não é usada normalização; nesse schema, poucas junções com chave estrangeira são usadas e há menos redundância de dados. O segundo é um schema no qual a tabela fato, bem como as tabelas de dimensões e as tabelas de outras hierarquias (subdimensões) relacionadas estão nele contidas; nesse schema há mais junções com chaves estrangeiras e pode haver uma maior redundância de dados.

O primeiro e o segundo schemas são, correta e respectivamente, denominados

No âmbito do Aprendizado de Máquina, uma das métricas mais conhecidas para problemas de regressão é o RMSE (Root Mean Squared Error). Considere os dados abaixo (valores fornecidos: raiz quadrada de 81,25 = 9,01; raiz quadrada de 325 = 18,03; raiz quadrada de 100 = 10; raiz quadrada de 25 = 5).

Com base nos dados fornecidos,

Considere, abaixo, as situações que envolvem métodos de aprendizado de máquina que podem ser supervisionados (S) ou não supervisionados (NS).

I. Uma empresa monitora e coleta dados em tempo real de mais de 1.000 veículos de divulgação, 100 mil blogs e das principais redes sociais do mundo. Utiliza um método capaz de identificar e segmentar grupos de eleitores a favor ou contra determinado assunto, de acordo com o interesse do cliente.

II. A partir de uma base de dados na qual são identificadas pessoas que estão fumando e pessoas que não estão fumando, são formados dois subconjuntos disjuntos: a base de treino (contendo 70% dos dados originais) e a base de teste (contendo o restante dos dados originais, 30%). Em seguida, a base de treino é submetida ao modelo para que seus parâmetros sejam calibrados e, após esta etapa, ocorre a predição de classes.

III. O sistema de recomendação de um site de comércio eletrônico monitora todos os itens vendidos e, quando um cliente está realizando uma compra, apresenta para ele itens semelhantes frequentemente comprados juntos.

Os itens I, II e III, são exemplos, respectivamente, de métodos

A matriz de confusão é utilizada na avaliação de modelos de classificação, no contexto do aprendizado de máquina. Dentre as métricas que podem ser extraídas da matriz de confusão, que resumem a capacidade de um modelo de acertar suas predições, estão o percentual que foi predito:

I. Positivo corretamente sobre o total que de fato era positivo.

II. Negativo corretamente sobre o total que de fato era negativo.

III. Positivo sobre o total que de fato era negativo.

IV. Negativo sobre o total que de fato era positivo.

Os itens de I a IV correspondem, correta e respectivamente, a