Acerca de sensores, de processamento de imagens e de aprendizado de máquina, julgue os próximos itens.

A utilização de técnicas de aprendizado não supervisionado, como clustering, pode identificar padrões em dados visuais sem a necessidade de grandes conjuntos de dados rotulados.

Com relação a processos de banco de dados ETL (extração, transformação e carga), julgue os itens subsequentes.

Na extração incremental, apenas os dados alterados desde a última carga são extraídos, tornando o processo mais eficiente que a extração full, que recupera todos os dados da fonte.

Acerca de inteligência artificial e machine learning, julgue os itens que se seguem.

O aprendizado não supervisionado se caracteriza pela utilização de dados previamente rotulados para treinar um modelo de machine learning, permitindo que ele aprenda padrões automaticamente a partir dos rótulos desses dados.

Acerca de inteligência artificial e machine learning, julgue os itens que se seguem.

Diferentemente do aprendizado supervisionado e não supervisionado, o aprendizado por reforço baseia-se em um agente que interage com um ambiente e recebe recompensas ou penalidades conforme suas ações, buscando maximizar um retorno cumulativo ao longo do tempo.

Julgue os próximos itens, a respeito de gestão e governança de dados.

O DMBoK (Data Management Body of Knowledge) é um framework que descreve as melhores práticas de gestão de dados, focando nas tecnologias de armazenamento e processamento de dados, sem considerar aspectos relacionados a governança, qualidade ou segurança dos dados.

Julgue os próximos itens, a respeito de gestão e governança de dados.

Os metadados são fundamentais para a governança de dados, pois fornecem informações sobre a origem, a estrutura, o significado e a qualidade dos dados, contribuindo para a rastreabilidade, segurança, interoperabilidade e conformidade regulatória.

Julgue os próximos itens, a respeito de gestão e governança de dados.

A Infraestrutura Nacional de Dados Espaciais (INDE) é um componente estratégico para a governança de dados espaciais no Brasil, pois define padrões e promove a integração, a interoperabilidade e o compartilhamento de dados geoespaciais entre órgãos públicos, setores privados e a sociedade.

import numpy as np
import rasterio
def calcular_ndvi(arquivo_nir, arquivo_red, saida_ndvi):
  with rasterio.open(arquivo_nir) as nir_src:
    nir = nir_src.read(1).astype('float32')
    perfil = nir_src.profile
  with rasterio.open(arquivo_red) as red_src:
    red = red_src.read(1).astype('float32')
  ndvi = (nir - red) / (nir + red + 1e-10)
  perfil.update(dtype=rasterio.float32, count=1)
  with rasterio.open(saida_ndvi, 'w', **perfil) as dst:
    dst.write(ndvi, 1)
  print(f"NDVI calculado e salvo em: {saida_ndvi}")

Se o código estiver processando imagens advindas do satélite LANDSAT 8, as bandas espectrais do vermelho e do infravermelho próximo serão B4 e B5, respectivamente.

Acerca de técnicas utilizadas na ciência de dados, julgue os itens a seguir.

A métrica lift é usada para medir a dependência entre dois itens em uma regra de associação: se o lift de uma regra de associação entre dois itens A e B for maior que 1, então A e B obrigatoriamente aparecerão em conjunto mais frequentemente do que seria esperado se A e B fossem independentes.

import numpy as np
import rasterio
def calcular_ndvi(arquivo_nir, arquivo_red, saida_ndvi):
  with rasterio.open(arquivo_nir) as nir_src:
    nir = nir_src.read(1).astype('float32')
    perfil = nir_src.profile
  with rasterio.open(arquivo_red) as red_src:
    red = red_src.read(1).astype('float32')
  ndvi = (nir - red) / (nir + red + 1e-10)
  perfil.update(dtype=rasterio.float32, count=1)
  with rasterio.open(saida_ndvi, 'w', **perfil) as dst:
    dst.write(ndvi, 1)
  print(f"NDVI calculado e salvo em: {saida_ndvi}")

Na interpretação do resultado do código, valores de NDVI próximos de 0 indicam maiores quantidades de vegetação fotossinteticamente ativa, enquanto valores próximos de 1 sugerem uma baixa vegetação.