Questões de Concursos Públicos - IDCAP - 2025 - PPSA - Analista de Tecnologia da Informação - Projetos de TI

O overfitting, é um fenômeno em aprendizado supervisionado onde um modelo se ajusta excessivamente aos dados de treinamento, capturando não apenas os padrões gerais, mas também o "ruído" ou particularidades específicas desses dados. Como resultado, embora o modelo apresente excelente desempenho nos dados de treinamento, sua capacidade de generalização para novos dados é comprometida, levando a previsões imprecisas em cenários não vistos anteriormente. O que caracteriza o overfitting em um modelo de aprendizado supervisionado?

Hiperparâmetros são variáveis de configuração que controlam o treinamento de modelos de aprendizado de máquina (ou, machine learning). No ajuste de hiperparâmetros, também conhecido como otimização de hiperparâmetros, busca-se: 

Em aprendizado de máquina, muitos algoritmos requerem que os dados de entrada sejam numéricos. No entanto, é comum lidar com variáveis categóricas, que representam categorias ou rótulos, como "vermelho", "azul", "verde" para cores, ou "masculino" e "feminino" para sexo. Para que esses dados possam ser utilizados efetivamente em modelos preditivos, é necessário transformá-los em uma representação numérica adequada. Ao lidar com dados categóricos, qual das seguintes técnicas é comumente utilizada para transformá-los em uma representação adequada para modelos de aprendizado de máquina? 

Aprendizado supervisionado é uma técnica que usa dados rotulados para treinar algoritmos, com o objetivo de que esses algoritmos aprendam a relação entre as entradas e as saídas. Observe as afirmativas a seguir, em relação a Regressão e Classificação em Aprendizado Supervisionado: I.Algoritmos Naive Bayes e K-NN são classificadores de máquina que podem ser usados para resolver problemas de classificação. II.Ensembles são técnicas que combinam várias hipóteses para criar um preditor mais preciso  III.No aprendizado Supervisionado com R queremos ser capaz de classificar outros dados do mesmo tipo e que ainda não foram rotulados, com base no conjunto de dados já rotulados que sabemos qual é a nossa saída correta e que deve ser semelhante ao conjunto. Assinale a alternativa correta.

Um analista da PPSA avaliou um estagiário recém-contratado no setor de gestão de dados da companhia. O analista perguntou ao estagiário qual função do SQL deverá ser utilizada para verificar se o resultado de uma consulta aninhada correlacionada é vazia ou não. A resposta CORRETA é: 

Observe as afirmativas a seguir em relação aos sistemas Analytics: I.Aprendizado de máquina (ou Machine Learning) se refere a processo que usa modelos matemáticos de dados para auxiliar um computador a aprender sozinho, sem receber instruções diretas. II.Inteligência artificial (ou Artificial Intelligence), que se refere a um subconjunto do aprendizado de máquina, é a capacidade de um sistema computacional de mimetizar as funções cognitivas humanas, como o aprendizado e a solução de problemas. III.Análise de dados preditiva realiza previsões sobre resultados futuros usando dados históricos combinados com modelagem estatística, aprendizado de máquina e técnicas de mineração de dados. IV.Análise prescritiva corresponde a prática de analisar dados para identificar padrões, que podem ser usados para fazer previsões e determinar cursos de ação ideais. Assinale a alternativa correta: 

Para avaliar a eficácia de modelos de regressão, diversas métricas são utilizadas para quantificar a precisão das previsões em relação aos valores reais. A escolha da métrica adequada depende do contexto e dos objetivos específicos da análise. Compreender as características de cada métrica é essencial para interpretar corretamente o desempenho do modelo e realizar comparações apropriadas entre diferentes abordagens. Qual das seguintes opções é uma métrica comumente usada para avaliar modelos de regressão? 

Em conjuntos de dados, é comum deparar-se com valores faltantes, que podem surgir por diversas razões, como erros na coleta, falhas de registro ou respostas omitidas. A presença desses valores pode comprometer a qualidade das análises e a eficácia dos modelos preditivos. Portanto, é essencial aplicar técnicas adequadas para lidar com essas lacunas de maneira eficaz. Qual técnica é apropriada para lidar com valores faltantes em um conjunto de dados? 

Avalie as seguintes sentenças em relação à análise e visualização de dados, empregando o Microsoft Power BI e o Sistema R, que é uma linguagem e um ambiente para gráficos e computação estatística: I.Avaliação de outliers, empregando o sistema R pode ser apoiada pelo uso do gráfico O3 (Overview Of Outliers), que mostra quais casos são identificados frequentemente como outliers , quais são identificados em dimensões únicas e quais são identificados apenas em dimensões superiores. II.O sistema R permite a construção de gráficos com o pacote shiny e criação de dashboards interativos exclusivamente com o pacote ggplot2. III.Na construção de dashboards em Microsoft Power BI Desktop, é possível usar o R para visualizar seus dados. Estão corretas as afirmativas: 

No aprendizado de máquina, especialmente em modelos de regressão, é comum enfrentar o problema de overfitting, onde o modelo se ajusta excessivamente aos dados de treinamento, capturando ruídos e padrões irrelevantes. Para mitigar esse problema e melhorar a capacidade de generalização do modelo, algumas técnicas de regularização podem ser empregadas. Qual técnica de regularização adiciona uma penalidade proporcional ao valor absoluto dos coeficientes no cálculo da função de custo?