Questão de Engenharia de Software — Inteligencia Artificial — CESPE / CEBRASPE 2023
Engenharia de Software›Inteligencia Artificial
Código
ce153876
Banca
CESPE / CEBRASPE
Órgão
DATAPREV
Ano
2023
Nível
Médio
Cargo
Analista de Tecnologia da Informação - Perfil: Inteligência da informação
No que se refere a técnicas, ferramentas e algoritmos de aprendizado não supervisionado, julgue o item a seguir.A redução de dimensionalidade é uma técnica que reduz a quantidade de atributos que descrevem um objeto, mantendo a integridade dos dados originais.
CCerto
EErrado
Revelar gabarito e comentário▾
GabaritoC — Certo
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”.
Redução de Dimensionalidade
Gabarito: Certo. A afirmação está correta porque a redução de dimensionalidade, como a PCA, reduz o número de atributos (dimensões) enquanto preserva a maior parte da informação original, mantendo a integridade essencial dos dados.
A redução de dimensionalidade é uma técnica de aprendizado não supervisionado que transforma dados de alta dimensionalidade em uma representação de menor dimensão, buscando capturar a variância e estrutura subjacente. Conforme descrito no material de apoio, "a redução de dimensionalidade visa encontrar representações vetoriais menos complexas, criando características sintéticas a partir das originais" e, no caso do PCA, "tenta criar uma nova representação dos dados, com uma dimensão menor, mantendo a variância entre eles" e "preservando a maior parte das informações originais".
A expressão "mantendo a integridade dos dados originais" pode ser interpretada como a preservação da informação relevante, não a cópia exata dos valores. O objetivo é reter a essência dos dados, minimizando a perda de informação. Assim, a técnica cumpre o papel de reduzir atributos sem destruir o significado dos dados.
PEGA ESSA DICA!
Em provas de CESPE/CEBRASPE, entenda "integridade" como preservação da informação essencial, não como réplica idêntica. A redução de dimensionalidade sempre envolve alguma perda, mas o foco é manter a variância e as relações importantes.