Pular para o conteúdo principal

Questão de Engenharia de Software — Inteligencia Artificial — FGV 2024

Engenharia de SoftwareInteligencia Artificial
Código
fg096771
Banca
FGV
Órgão
TCE-PA
Ano
2024
Nível
Superior
Cargo
Auditor de Controle Externo - Área Administrativa - Ciência de Dados
Alguns algoritmos de aprendizado de máquina servem para agrupar instâncias de dados em clusters, podendo ser utilizados para tarefas como segmentação de imagens, ou segmentação social (por exemplo, para agrupamento de clientes em uma mesma categoria.Dois dos mais populares algoritmos são o K-means e o DBSCAN. A respeito desses algoritmos, relacione-os com suas principais características:1. K-means2. DBSCAN( ) Precisa da definição de um número inicial de agrupamentos.( ) Mais robusto à ocorrência de outliers, por sua provável localização em regiões de baixa densidade de dados.( ) Precisa da definição do número mínimo de vizinhos e do raio da vizinhança para determinar limites dos agrupamentos.( ) Determina centróides dos agrupamentos e agrupa as instâncias de dados em função de uma métrica de distância entre as instâncias e os centróides.Assinale a opção que indica a relação correta, na sequência apresentada.
  1. A2 – 1 – 2 – 1.
  2. B1 – 1 – 2 – 1.
  3. C2 – 1 – 1 – 2.
  4. D2 – 1 – 1 – 1.
  5. E1 – 2 – 2 – 1.
Revelar gabarito e comentário

GabaritoE — 1 – 2 – 2 – 1.

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 Clusterização: K-means e DBSCAN

Gabarito: letra E (1 – 2 – 2 – 1). O K-means exige a definição prévia do número de clusters (K) e utiliza centróides, enquanto o DBSCAN é robusto a outliers e requer parâmetros de densidade (eps e minPts). A sequência correta para as características apresentadas é: (1) K-means – precisa de K; (2) DBSCAN – robusto a outliers; (2) DBSCAN – precisa de minPts e raio; (1) K-means – centróides.

Análise dos itens:

  • 1ª característica: "Precisa da definição de um número inicial de agrupamentos." → K-means (1).

  • 2ª característica: "Mais robusto à ocorrência de outliers, por sua provável localização em regiões de baixa densidade de dados." → DBSCAN (2), pois identifica outliers como ruído.

  • 3ª característica: "Precisa da definição do número mínimo de vizinhos e do raio da vizinhança para determinar limites dos agrupamentos." → DBSCAN (2), parâmetros eps e minPts.

  • 4ª característica: "Determina centróides dos agrupamentos e agrupa as instâncias de dados em função de uma métrica de distância entre as instâncias e os centróides." → K-means (1).

Portanto, a sequência é 1, 2, 2, 1.

Característica

K-means (1)

DBSCAN (2)

Precisa da definição de um número inicial de agrupamentos

Sim

Não

Mais robusto à ocorrência de outliers, por sua provável localização em regiões de baixa densidade de dados

Não

Sim

Precisa da definição do número mínimo de vizinhos e do raio da vizinhança para determinar limites dos agrupamentos

Não

Sim

Determina centróides dos agrupamentos e agrupa as instâncias de dados em função de uma métrica de distância entre as instâncias e os centróides

Sim

Não

Alternativas:

  • A) 2 – 1 – 2 – 1: Incorreta, pois a primeira característica é do K-means (1), não do DBSCAN (2).

  • B) 1 – 1 – 2 – 1: Incorreta, pois a segunda característica é do DBSCAN (2), não do K-means (1).

  • C) 2 – 1 – 1 – 2: Incorreta, pois inverte a terceira e quarta características.

  • D) 2 – 1 – 1 – 1: Incorreta, pois apenas a primeira característica está correta como DBSCAN; as demais não.

  • E) 1 – 2 – 2 – 1: Correta, conforme análise acima.

Gabarito: letra E (1 – 2 – 2 – 1).

Link permanente: /questoes/fg096771