Tecnologista Pleno I - Processamento de Dados Meteorológicos e Georreferenciados; Desenvolvimento de Software na Área de Meteorologia
Uma das tarefas de mineração de dados é a criação de modelos preditivos a partir do histórico de observações como, por exemplo, precipitação, temperatura, direção e velocidade dos ventos.Assinale a opção que indica a biblioteca Python capaz de executar métodos preditivos baseados em modelos de classificação ou regressão.
ACartopy.
BGeopandas.
CScikit-Learn.
DShapely.
EXarray.
Revelar gabarito e comentário▾
GabaritoC — Scikit-Learn.
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”.
Bibliotecas Python para Machine Learning
Gabarito: letra C. O Scikit-Learn (sklearn) é a biblioteca padrão do Python para aprendizado de máquina, oferecendo implementações prontas para modelos de classificação e regressão, além de ferramentas para pré-processamento, seleção de modelos e métricas de avaliação. As demais alternativas são bibliotecas especializadas em outras áreas (geoprocessamento, geometria, dados multidimensionais).
A questão testa o conhecimento sobre o ecossistema de bibliotecas Python e suas finalidades. Vamos analisar cada alternativa:
Bibliotecas Python
1Machine Learning
Scikit-Learn (sklearn)
Classificação (SVM, Random Forest, KNN)
Regressão (Linear, Ridge, Lasso)
Pré-processamento e métricas
2Geoprocessamento
Cartopy (projeções cartográficas)
Geopandas (dados geoespaciais)
Shapely (geometria)
3Dados multidimensionais
Xarray (arrays rotulados)
LEVEL · soulevel.com.br
Alternativa A — ❌ Incorreta
Cartopy é uma biblioteca para projeções cartográficas e mapas, utilizada em geociências e visualização geoespacial. Não possui implementações de algoritmos preditivos.
Alternativa B — ❌ Incorreta
Geopandas estende o Pandas para operações com dados geoespaciais (vetores, shapefiles). É voltada para análise geográfica, não para machine learning.
Alternativa C — ✅ Correta ⟵ GABARITO
Scikit-Learn (também referida como sklearn) é a biblioteca mais consolidada para aprendizado de máquina em Python. Ela disponibiliza classificadores (SVM, Random Forest, KNN) e regressores (Regressão Linear, Ridge, Lasso), além de utilitários como train_test_split, validação cruzada e métricas de desempenho. O código típico para treinar um modelo inclui:
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
modelo = RandomForestClassifier()
modelo.fit(X_train, y_train)
Alternativa D — ❌ Incorreta
Shapely é uma biblioteca para manipulação e análise de objetos geométricos (pontos, linhas, polígonos). Não tem relação com modelos preditivos.
Alternativa E — ❌ Incorreta
Xarray é voltada para arrays rotulados e dados multidimensionais (grades, séries temporais). Embora possa ser usada como estrutura de dados para machine learning, não implementa algoritmos de classificação/regressão.
PEGA ESSA DICA!
Para identificar a biblioteca correta, lembre-se que o Scikit-Learn é o "canivete suíço" do ML em Python, enquanto as demais opções são especializadas em áreas como geoprocessamento (Cartopy, Geopandas, Shapely) ou dados multidimensionais (Xarray). Estude as principais classes e funções do sklearn, como train_test_split, RandomForestClassifier, LinearRegression, e as métricas do módulo sklearn.metrics.