Questão de Noções de Informática — Inteligência Artificial e Automação — CESPE / CEBRASPE 2026

Aprendizado de Máquina: Fundamentos Conceituais

Gabarito: Letra E (Todos os itens estão certos). Cada um dos três itens apresenta definições precisas e amplamente aceitas na literatura de aprendizado de máquina: o algoritmo como procedimento de otimização que induz um modelo; a distinção entre parâmetros (aprendidos) e hiperparâmetros (configurados previamente); e o contraste entre aprendizado supervisionado (mapeamento entrada-rótulo) e não supervisionado (descoberta de padrões em dados não rotulados). Nenhum item contém erro, portanto a única alternativa que contempla todos eles é a letra E.

Item I — ✅ Correto

O item define corretamente o algoritmo de aprendizado como o procedimento lógico-matemático (processo de otimização) aplicado aos dados para induzir um modelo, que por sua vez é a generalização capaz de inferir sobre dados não vistos. Essa é a essência do aprendizado de máquina: treinar um modelo para generalizar a partir dos dados.

Item I original:

"O algoritmo de aprendizado constitui o procedimento lógico-matemático (ou processo de otimização) aplicado ao conjunto de dados para a indução de um modelo; este último representa a generalização ou hipótese final capaz de realizar inferências sobre dados não observados durante o treinamento."

Item II — ✅ Correto

A distinção entre parâmetros e hiperparâmetros está precisa e é fundamental na prática de machine learning. Parâmetros (como pesos de redes neurais ou coeficientes de regressão) são aprendidos a partir dos dados; hiperparâmetros (como o número de vizinhos no KNN ou a taxa de aprendizado) são definidos antes do treinamento e controlam o comportamento do algoritmo e a complexidade do modelo.

Item II original:

"Os parâmetros são variáveis internas ao modelo cujos valores são aprendidos ou estimados a partir dos dados (ex.: pesos em redes neurais ou coeficientes de regressão); por outro lado, os hiperparâmetros são configurações externas ao modelo, definidas antes do processo de treinamento, que controlam o comportamento do algoritmo e a complexidade do modelo (ex.: número de vizinhos no KNN ou a taxa de aprendizado)."

Item III — ✅ Correto

O item descreve acertadamente as finalidades dos dois principais paradigmas de aprendizado. No supervisionado, o objetivo é induzir uma função de mapeamento entre entradas e um rótulo predestinado (variável alvo). No não supervisionado, o foco é descobrir padrões intrínsecos, estruturas latentes ou distribuições em dados sem anotações externas.

Item III original:

"No aprendizado supervisionado, o objetivo é a indução de uma função de mapeamento entre variáveis de entrada e uma variável alvo predestinada (rótulo); já no aprendizado não supervisionado, o processo foca a descoberta de padrões intrínsecos, estruturas latentes ou distribuições em dados que não possuem anotações ou supervisão externa."

Análise das Alternativas

Agora que cada item foi confirmado como correto, examinamos as alternativas:

Alternativa A — ❌ Incorreta

Afirma que apenas o item II está certo. Contudo, os itens I e III também estão corretos. Logo, a alternativa A é incompleta e, portanto, errada.

Alternativa B — ❌ Incorreta

Afirma que apenas o item III está certo. Na verdade, os itens I e II também estão corretos. Alternativa incompleta.

Alternativa C — ❌ Incorreta

Afirma que apenas os itens I e II estão certos. O item III também está correto, tornando a alternativa C incompleta.

Alternativa D — ❌ Incorreta

Afirma que apenas os itens I e III estão certos. O item II também está correto, portanto a alternativa D é incompleta.

Alternativa E — ✅ Correta ⟵ GABARITO

Afirma que todos os itens estão certos. Como demonstrado acima, cada um dos três itens está conceitualmente correto, sendo esta a única alternativa que abrange a totalidade dos itens.

Gabarito: letra E.