Questão de Engenharia de Software — Inteligencia Artificial — CESPE / CEBRASPE 2023
Engenharia de Software›Inteligencia Artificial
Código
ce151497
Banca
CESPE / CEBRASPE
Órgão
AGER - Mato Grosso
Ano
2023
Nível
Superior
Cargo
Analista Regulador - Ciências da Computação e ou Sistemas de Informação
Em machine learning, quando algoritmos de aprendizado de máquina são usados para analisar e agrupar conjuntos de dados não rotulados, de forma tal que os algoritmos descobrem padrões ocultos sem a necessidade de intervenção humana, usa-se a forma de aprendizado do tipo
Anão supervisionado.
Bsupervisionado.
Cover fitting.
Dunder fitting.
Eclassificação.
Revelar gabarito e comentário▾
GabaritoA — não supervisionado.
Comentário gerado por IA. É um apoio ao estudo, ancorado em fontes, mas pode conter imprecisões — confira sempre na fonte oficial (lei, súmula, edital e gabarito da banca). Encontrou um erro? Use “Reportar”.
Aprendizado de máquina: tipos de aprendizado
Gabarito: letra A. A descrição do enunciado — algoritmos que analisam e agrupam dados não rotulados, descobrindo padrões ocultos sem intervenção humana — é a definição exata de aprendizado não supervisionado (unsupervised learning). É o tipo de aprendizado em que não há rótulos prévios e o modelo busca estrutura própria nos dados.
A questão é conceitual e direta. Abaixo, a análise de cada alternativa.
Aprendizado de máquina: Supervisionado (Dados rotulados, Mapeia entrada → saída); Não supervisionado (Dados não rotulados, Descobre padrões ocultos, Agrupamento (clusters)); Problemas (Overfitting (sobreajuste), Underfitting (subajuste)); Tarefas (Classificação, Regressão, Clusterização)
Alternativa A — ✅ Correta ⟵ GABARITO
O aprendizado não supervisionado é exatamente o que o enunciado descreve: algoritmos trabalham com dados não rotulados para encontrar padrões, agrupamentos (clusters) ou redução de dimensionalidade sem supervisão humana. Exemplos clássicos são o k-means e a análise de componentes principais (PCA).
Alternativa B — ❌ Incorreta
O aprendizado supervisionado utiliza dados rotulados (com entradas e saídas conhecidas) para treinar um modelo a mapear entradas em saídas. O enunciado fala explicitamente de "dados não rotulados", o que exclui essa categoria.
Alternativa C — ❌ Incorreta
Overfitting (sobreajuste) é um problema que ocorre quando um modelo se ajusta excessivamente aos dados de treinamento, perdendo capacidade de generalização. Não é um tipo de aprendizado, e sim um fenômeno que pode ocorrer em qualquer paradigma.
Alternativa D — ❌ Incorreta
Underfitting (subajuste) é o oposto: o modelo não consegue capturar a estrutura dos dados, resultando em baixo desempenho. Também não é uma forma de aprendizado.
Alternativa E — ❌ Incorreta
Classificação é uma tarefa (não um tipo de aprendizado) que pode ser resolvida tanto por aprendizado supervisionado (mais comum) quanto por não supervisionado (ex.: classificação não supervisionada via clustering). Mas o enunciado se refere a "forma de aprendizado", e o contexto de dados não rotulados e descoberta de padrões é próprio do aprendizado não supervisionado, não da classificação como categoria.
Conclusão: A única alternativa que corresponde corretamente à descrição é a letra A — aprendizado não supervisionado.