Tendo em vista os tipos de aprendizado de máquina, relacione a COLUNA II com a COLUNA I, associando os tipos de aprendizado às suas características.

COLUNA I
1. Aprendizado Supervisionado
2. Aprendizado Não Supervisionado

COLUNA II
(   ) Treina modelos com um conjunto de dados que possui rótulos ou labels, em que a resposta correta já é conhecida.
(   ) Treina modelos com dados que não possuem rótulos, buscando descobrir estruturas e padrões ocultos.
(   ) Utilizado para tarefas de classificação e regressão, como prever preços ou categorizar e-mails.

Assinale a sequência correta.

Em robótica, especialmente em máquinas de Comando Numérico Computadorizado (CNC), são empregados motores de passo. Com base nas características desses motores, analise as assertivas a seguir:
I. São motores CC sem escova.
II. As suas bobinas devem ser energizadas em intervalos definidos para manter o eixo de saída do motor girando.
III. O número de graus por passo determina quantos passos existem em cada rotação do eixo de saída.
IV. Quanto mais passos o motor for capaz de dar em uma rotação do eixo de saída, maior será sua resolução.
Quais estão corretas?

Em nível acadêmico, ao se construir um robô, deve-se definir os atuadores para movimentá-lo e os sensores para enviar dados sobre o meio onde ele está interagindo. Entre os diferentes tipos de sensores, há a chave de colisão, que é um:

A correta execução de bibliotecas de inteligência artificial que utilizem aceleração por GPU, como TensorFlow ou PyTorch com suporte CUDA, depende da compatibilidade entre as versões da GPU NVIDIA, do driver instalado, do CUDA Toolkit e da biblioteca utilizada, visto que uma incompatibilidade entre esses componentes pode impedir o uso da GPU, mesmo que ela esteja fisicamente instalada e funcional.

O uso de resfriamento líquido direto ao chip em data centers de inteligência artificial permite a operação com temperaturas de água mais elevadas, reduzindo a dependência de chillers mecânicos em diversos climas, abordagem que contribui tanto para a eficiência energética quanto para a eficiência hídrica.

A utilização de GPU permite acelerar cargas de trabalho de alta complexidade, superando a capacidade de processamento de CPUs tradicionais para a execução de certas tarefas, como o treinamento de modelos de aprendizado profundo para a análise preditiva de sentenças.

Redes neurais convolucionais são utilizadas principalmente em tarefas de processamento sequencial, como tradução automática e análise de sentimentos em linguagem natural.

A inteligência artificial generativa inclui modelos como as redes generativas adversárias e os modelos baseados em transformadores, os quais são capazes de criar novos conteúdos, como imagens, textos ou áudios.

O aprendizado por reforço é utilizado principalmente em tarefas de classificação supervisionada, nas quais o agente aprende com base em dados rotulados fornecidos previamente.

O conceito de data lake baseia-se na estruturação rígida dos dados no momento da ingestão (schema-on-write), o que garante integridade imediata e desempenho otimizado em consultas transacionais.