Questão de Engenharia de Software — Inteligencia Artificial — CESPE / CEBRASPE 2025
Engenharia de Software›Inteligencia Artificial
Código
ce202071
Banca
CESPE / CEBRASPE
Órgão
EMBRAPA
Ano
2025
Nível
Superior
Cargo
Pesquisador – Área: Gestão da Informação – Subárea: Engenharia de Dados
Acerca de técnicas utilizadas na ciência de dados, julgue o item a seguir.As árvores de decisão são uma técnica de aprendizado supervisionado que é adequada para analisar, por exemplo, a influência de fatores na qualidade da carne bovina em um sistema de produção, permitindo avaliar variáveis tais como alimentação, genética, manejo e peso ao abate e gerando regras interpretáveis, que auxiliam na tomada de decisão com base nessas características.
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”.
Árvores de Decisão – Aprendizado Supervisionado
✅ CERTO. A afirmação está correta. As árvores de decisão são, de fato, uma técnica de aprendizado supervisionado, pois utilizam um conjunto de dados de treinamento com rótulos (saídas conhecidas) para aprender regras de classificação ou regressão. Elas são especialmente úteis para problemas com variáveis categóricas ou numéricas e geram regras interpretáveis (se-então), o que facilita a tomada de decisão. O exemplo citado (avaliar fatores que influenciam a qualidade da carne bovina) se encaixa perfeitamente nesse contexto, pois a árvore pode capturar interações entre alimentação, genética, manejo e peso ao abate, produzindo regras claras para os produtores.
Árvore de decisão: Aprendizado supervisionado (Dados rotulados, Regras se-então); Vantagens (Interpretável (caixa-branca), Lida com categóricas e numéricas, Captura interações entre variáveis); Exemplo: qualidade da carne (Alimentação, Genética, Manejo, Peso ao abate)
PEGA ESSA DICA!
Lembre-se de que árvores de decisão são modelos de caixa-branca (interpretáveis), ao contrário de redes neurais (caixa-preta). Além disso, são sensíveis a pequenas variações nos dados, mas a questão apenas destaca suas vantagens.