Questão de Banco de Dados — Geral — CESPE / CEBRASPE 2025
Banco de Dados›Geral
Código
ce217094
Banca
CESPE / CEBRASPE
Órgão
TJ-PA
Ano
2025
Nível
Superior
Cargo
Analista Judiciário - Especialidade: Análise de Sistemas
Julgue o próximo item, a respeito de Big Data, data mining e Oracle Data Integrator (ODI).As técnicas de data mining operam exclusivamente com dados rotulados, utilizando apenas algoritmos supervisionados, uma vez que a descoberta de padrões requer o conhecimento prévio das classes dos dados.
CCerto
EErrado
Revelar gabarito e comentário▾
GabaritoE — Errado
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”.
Data Mining: Algoritmos Supervisionados e Não Supervisionados
Gabarito: Errado (E). A afirmativa está incorreta porque as técnicas de data mining não se restringem a algoritmos supervisionados com dados rotulados. Existem diversas tarefas de mineração que utilizam métodos não supervisionados, como a clusterização e as regras de associação, que não exigem conhecimento prévio das classes dos dados.
A banca induz ao erro ao afirmar que a descoberta de padrões "requer o conhecimento prévio das classes dos dados". Isso seria verdade apenas para tarefas supervisionadas (como classificação), mas a mineração de dados também descobre padrões em dados não rotulados, agrupando registros similares ou encontrando relações entre variáveis sem qualquer rótulo.
NÃO CAIA NESSA!
A banca usa os termos "exclusivamente" e "apenas" para tornar a afirmação absoluta. O candidato pode associar data mining apenas a classificação/predição, esquecendo-se de clusterização e associação — ambas não supervisionadas e amplamente cobradas em provas.
Data mining: Supervisionado (dados rotulados); Classificação; Predição; Não supervisionado (dados não rotulados); Clusterização (agrupamento); Regras de associação (coocorrências)
Alternativa E — ❌ Errada (gabarito)
A afirmativa diz que as técnicas operam exclusivamente com dados rotulados e apenas algoritmos supervisionados. Isso é falso. O próprio processo CRISP-DM (citado no contexto) menciona que a tarefa de mineração pode ser de predição, associação ou clusterização. As duas últimas são tipicamente não supervisionadas. Exemplos clássicos:
Clusterização (não supervisionado): agrupa dados sem rótulos, identificando segmentos naturais.
Regras de associação (não supervisionado): descobre coocorrências (ex.: análise de cestas de compras).
Classificação (supervisionado): usa dados rotulados para prever classes.