Questão de Engenharia de Software — Inteligencia Artificial — CESPE / CEBRASPE 2025
Engenharia de Software›Inteligencia Artificial
Código
ce195658
Banca
CESPE / CEBRASPE
Órgão
BDMG
Ano
2025
Nível
Superior
Cargo
Analista de Desenvolvimento - Sistemas, Arquitetura e Solução de Dados
Considerando os conceitos de ML (machine learning), julgue o item a seguir.Os algoritmos supervisionados de ML do tipo regressão linear são capazes de prever uma variável dependente contínua usando determinado conjunto de variáveis independentes.
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”.
Regressão Linear em Machine Learning
✅ CERTO. A afirmação está correta. A regressão linear é um algoritmo de aprendizado supervisionado cujo objetivo é modelar a relação entre uma variável dependente contínua (também chamada de resposta ou alvo) e uma ou mais variáveis independentes (preditores). O modelo aprende a partir de dados rotulados e, após o treinamento, é capaz de fazer previsões de valores numéricos contínuos para novos exemplos.
O contexto de Machine Learning reforça que algoritmos supervisionados utilizam dados com saídas conhecidas (rótulos) para aprender uma função de mapeamento. A regressão linear é um exemplo clássico desse tipo de aprendizado, sendo amplamente usado para previsão de valores contínuos, como preços, temperaturas ou demandas.
A banca cobra exatamente essa definição: a capacidade de prever uma variável dependente contínua a partir de variáveis independentes. Não há erro ou pegadinha; o enunciado descreve com precisão a finalidade da regressão linear no contexto de aprendizado supervisionado.
Regressão linear (ML supervisionado): Variável dependente (Contínua (preço, temperatura, demanda)); Variáveis independentes (preditores); Objetivo (Modelar relação, Prever valor numérico); Dados rotulados (saída conhecida)