Noções de Informática · FCC · 2026 | Questão sqc-fc076369

Aprendizado de Máquina Não Supervisionado – Associação vs. Agrupamento

Gabarito: letra C. A questão pede a tarefa de aprendizado de máquina não supervisionado que descobre relações entre produtos em lojas online para criar estratégias de recomendação. Essa é a essência da mineração de regras de associação, cujo algoritmo clássico é o Apriori, que identifica itens frequentemente comprados juntos. As demais alternativas, embora também sejam técnicas de aprendizado de máquina, não se encaixam no descrito: clustering (divisivo ou K-means) agrupa dados similares, mas não revela associações entre produtos; Captcha é verificação de humanidade; regressão linear é supervisionada.

A banca testa a diferença entre duas grandes áreas do aprendizado não supervisionado: agrupamento (clustering) e associação (regras de associação). Enquanto K-means e clustering divisivo formam grupos com base em similaridade, o Apriori extrai padrões do tipo "se compra A, então compra B", fundamental para sistemas de recomendação.

Técnica	Tipo de Aprendizado	Objetivo Principal	Aplicação em Varejo Online
Clustering (divisivo, K-means)	Não supervisionado	Agrupar dados similares (clientes, produtos)	Segmentação de clientes, não recomendação por associação
Algoritmo Apriori	Não supervisionado	Descobrir regras de associação entre itens	Recomendar produtos comprados juntos (cestas de compras)
Regressão linear	Supervisionado	Prever valor numérico contínuo	Previsão de vendas, não recomendação
CAPTCHA	Não é aprendizado de máquina	Verificar se usuário é humano	Não se aplica

Alternativa A – ❌ Incorreta

Clustering divisivo é uma técnica de agrupamento hierárquico que particiona os dados recursivamente. Não é voltada para descobrir relações entre itens, mas sim para formar clusters com base em distâncias ou densidades. O enunciado descreve análise de associação entre produtos, não segmentação de clientes ou itens.

Alternativa B – ❌ Incorreta

"Estes Captcha" parece referir-se a CAPTCHA (teste de Turing público completamente automatizado para diferenciar computadores e humanos). Não é uma técnica de aprendizado de máquina não supervisionado, nem se aplica a recomendação de produtos.

Alternativa C – ✅ Correta ⟵ GABARITO

O algoritmo Apriori é o padrão-ouro para mineração de regras de associação. Ele opera sobre conjuntos de transações (ex.: cestas de compras) e identifica itens que ocorrem juntos com frequência acima de um suporte mínimo, gerando regras de associação. É não supervisionado porque não há rótulos prévios; o algoritmo descobre padrões a partir dos dados. Lojas de varejo online usam essas regras para recomendar produtos complementares.

Alternativa D – ❌ Incorreta

Regressão linear é um método de aprendizado supervisionado, pois requer uma variável alvo contínua para treinar o modelo. Não é utilizada para identificar relações entre produtos em transações, e sim para predição de valores numéricos.

Alternativa E – ❌ Incorreta

K-means é um algoritmo de agrupamento (clustering) não supervisionado, mas sua função é particionar os dados em K grupos com base na distância euclidiana. Não revela associações do tipo "se A, então B" entre itens. Embora também seja não supervisionado, não atende ao que a questão descreve.

NÃO CAIA NESSA!

A banca explora a confusão entre duas tarefas comuns de aprendizado não supervisionado: agrupamento (clustering) e associação (regras de associação). Tanto K-means quanto Apriori são não supervisionados, mas o primeiro agrupa dados semelhantes, enquanto o segundo descobre relações entre itens. Lojas de varejo usam Apriori para recomendar produtos complementares, e não K-means. Fique atento ao contexto: "relações entre diferentes produtos" é o gatilho para associação.

PEGA ESSA DICA!

Sempre que a questão mencionar "recomendação de produtos", "cestas de compras" ou "relações entre itens", pense em regras de associação (Apriori). Já "segmentação de clientes" ou "agrupamento de produtos similares" remete a clustering (K-means, hierárquico).

Gabarito: letra C (Algoritmos Apriori).