Pular para o conteúdo principal

Questão de Engenharia de Software — Inteligencia Artificial — FGV 2023

Engenharia de SoftwareInteligencia Artificial
Código
fg069589
Banca
FGV
Órgão
SEFAZ-MG
Ano
2023
Nível
Superior
Cargo
Auditor Fiscal da Receita Estadual - Tecnologia da Informação (Tarde)
Machine Learning é um subconjunto da Inteligência Artificial que utiliza dados e algoritmos para imitar o raciocínio humano.Em relação aos algoritmos de machine learning, assinale a afirmativa incorreta.
  1. AAlgoritmo de regressão: prevê valores de saída usando recursos de entrada dos dados fornecidos ao sistema. Os algoritmos mais populares são Linear Regression, Logistic Regression Multivariate Adaptive Regression Splines (MARS) e Locally Estimated Scatter plot Smoothing (LOESS).
  2. BAlgoritmo de agrupamento: agrupamento de pontos de dados com base em recursos semelhantes. Alguns algoritmos são KMeans, K-Medians e Hierárquical Clustering.
  3. CAlgoritmo de regularização: é um processo de diminuir informações adicionais para evitar o overfitting ou resolver um problema mal definido. Os algoritmos mais comuns são Least Absolute Shrinkage and Selection Operator (LASSO), Least-Angle Regression (LARS) e Elastic Net and Ridge Regression.
  4. DAlgoritmos de redução de dimensionalidade: reduzem o número de características obtendo um conjunto de variáveis principais. Alguns algoritmos são Principal Component Analysis (PCA) e Principal Component Regression (PCR).
  5. EAlgoritmos de regras de associação: é usado para descobrir a relação entre os pontos de dados. Alguns algoritmos comuns são o algoritmo Apriori e o algoritmo Eclat.
Revelar gabarito e comentário

GabaritoC — Algoritmo de regularização: é um processo de diminuir informações adicionais para evitar o overfitting ou resolver um problema mal definido. Os algoritmos mais comuns são Least Absolute Shrinkage and Selection Operator (LASSO), Least-Angle Regression (LARS) e Elastic Net and Ridge Regression.

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”.

Algoritmos de Machine Learning

Gabarito: letra C (afirmativa incorreta). A alternativa C descreve incorretamente os algoritmos de regularização, tanto na definição quanto na classificação do LARS. Regularização é uma técnica que adiciona uma penalidade à função de custo para evitar overfitting, e não um processo de "diminuir informações adicionais". Além disso, o LARS (Least-Angle Regression) é um algoritmo de regressão linear, não um algoritmo de regularização em si; ele é frequentemente usado para computar o caminho do LASSO, mas sua natureza é de regressão.

As demais alternativas estão corretas.

Algoritmos de Machine Learning
  • 1Regressão
    • Prevê valores contínuos
    • Ex.: Linear, Logistic, MARS, LOESS
  • 2Agrupamento (clustering)
    • Agrupa por similaridade
    • Ex.: KMeans, K-Medians, Hierarchical
  • 3Regularização
    • Adiciona penalidade à função de custo
    • Evita overfitting
    • Ex.: LASSO, Ridge, Elastic Net
    • LARS é regressão, não regularização
  • 4Redução de dimensionalidade
    • Reduz número de features
    • Ex.: PCA, PCR
  • 5Regras de associação
    • Descobre relações entre itens
    • Ex.: Apriori, Eclat
LEVEL · soulevel.com.br

Alternativa A — ✅ Correta

Algoritmos de regressão de fato preveem valores de saída contínuos a partir de características de entrada. A lista (Linear Regression, Logistic Regression - embora seja classificador, é frequentemente tratada como regressão logística -, MARS, LOESS) é representativa e comumente aceita.

Alternativa B — ✅ Correta

Agrupamento (clustering) é uma técnica não supervisionada que agrupa dados por similaridade. KMeans, K-Medians e Hierarchical são algoritmos clássicos dessa categoria.

Alternativa C — ❌ Incorreta ⟵ GABARITO

Dois problemas: (1) A definição de regularização como "diminuir informações adicionais" é imprecisa; o correto é que ela adiciona uma penalidade (ex.: normas L1 ou L2) à função de perda para controlar a complexidade e evitar overfitting. (2) O LARS (Least-Angle Regression) é um algoritmo de regressão que pode ser usado para resolver problemas de regularização (como o LASSO), mas não é classificado como um algoritmo de regularização. Os verdadeiros algoritmos de regularização são LASSO, Ridge e Elastic Net (que aplicam penalidades). LARS é um método de otimização, não uma técnica de regularização.

Alternativa D — ✅ Correta

Redução de dimensionalidade diminui o número de features, criando variáveis latentes. PCA e PCR são exemplos clássicos.

Alternativa E — ✅ Correta

Regras de associação descobrem relações entre itens em transações. Apriori e Eclat são algoritmos amplamente usados.

NÃO CAIA NESSA!

A banca explora a confusão entre algoritmos de regressão e regularização, e ainda inclui o LARS como se fosse um algoritmo de regularização, quando ele é, na verdade, um algoritmo de regressão. Fique atento: regularização é uma técnica (redução de overfitting por penalidade), não uma categoria de algoritmo que inclua métodos como LARS.

Gabarito: letra C (incorreta).

Link permanente: /questoes/fg069589