No que se refere à governança de dados, julgue os próximos itens.
Um dado de referência, como, por exemplo, os dados dos clientes, é uma informação crucial para a operação do negócio.
Questões de certo/errado e de múltipla escolha das provas anteriores, com o gabarito definitivo da banca. Responda de graça com uma conta: até 10 por dia.
No que se refere à governança de dados, julgue os próximos itens.
Um dado de referência, como, por exemplo, os dados dos clientes, é uma informação crucial para a operação do negócio.
Julgue os próximos itens, relativos a Naive Bayes e random forest.
Tamanho do nó, número de árvores e número de recursos amostrados, ou número de preditores amostrados, são parâmetros de algoritmos random forest.
Julgue os próximos itens, relativos a Naive Bayes e random forest.
Naive Bayes é um algoritmo de classificação baseado na aprendizagem por reforço, em que um agente realiza uma ação e recebe uma recompensa de acordo com o resultado dessa ação por meio da implementação do teorema de Bayes, com o objetivo de encontrar a probabilidade a posteriori.
Julgue os próximos itens, relativos a Naive Bayes e random forest.
Random forest é um algoritmo de classificação que permite a realização de mineração dos dados por meio da criação de estruturas de aprendizagem a partir de uma base de dados na qual se utiliza uma única árvore de decisão para a classificação dos dados.
Julgue os próximos itens, relativos a Naive Bayes e random forest.
O algoritmo de classificação Naive Bayes pode ser utilizado para o cálculo da probabilidade de ocorrência de um evento, com base em probabilidades obtidas em eventos numéricos passados, e, por isso, não pode ser empregado em atividades de classificação textual.
Julgue os próximos itens, relativos a Naive Bayes e random forest.
Nas árvores de decisão e em random forest, são utilizadas técnicas estatísticas com o objetivo de se produzir, a partir de um conjunto de observações, uma predição de valores em função de uma ou mais variáveis independentes contínuas e(ou) binárias.
A respeito de KNN (k-nearest neighbours), SVM (support vector machines), deep learning e técnicas de agrupamento, julgue os itens a seguir.
Deep learning é um tipo de aprendizado de máquina que usa redes neurais artificiais para permitir que sistemas digitais aprendam e tomem decisões com base em dados não estruturados e não rotulados.
A respeito de KNN (k-nearest neighbours), SVM (support vector machines), deep learning e técnicas de agrupamento, julgue os itens a seguir.
KNN é um algoritmo de aprendizado supervisionado não paramétrico que não pode ser utilizado em problemas de classificação, uma vez que seu objetivo é prever valores numéricos e não valores categóricos.
A respeito de KNN (k-nearest neighbours), SVM (support vector machines), deep learning e técnicas de agrupamento, julgue os itens a seguir.
SVM é um algoritmo de aprendizado de máquina supervisionado que pode ser usado para desafios de classificação ou regressão.
A respeito de KNN (k-nearest neighbours), SVM (support vector machines), deep learning e técnicas de agrupamento, julgue os itens a seguir.
Uma das formas de se realizar um agrupamento é por meio de técnicas de agrupamento baseadas em hierarquia, em que se pode criar estrutura hierárquica de acordo com a proximidade entre os indivíduos, o que resulta em uma árvore binária.
Os enunciados são das provas públicas do Cebraspe; o gabarito é o definitivo, publicado pela banca. Achou algo estranho num item? Escreva para o suporte.