Questão de Noções de Informática — Inteligência Artificial e Automação — FGV 2025
Noções de Informática›Inteligência Artificial e Automação
Código
fg108585
Banca
FGV
Órgão
DPE-RO
Ano
2025
Nível
Superior
Cargo
Analista Programador - Classe B
Atualmente existem várias técnicas de aprendizado de máquina. A técnica que usa uma função que recebe como entrada um vetor de valores de atributos e retorna um único resultado como valor de saída, sendo que os valores de entrada e saída podem ser discretos ou contínuo e para cada elemento do vetor será classificado como verdadeira (um exemplo positivo) ou falso (um exemplo negativo).Essa técnica é conhecida como
Adetecção de anomalias.
Bárvore de decisão.
Ck-means.
Ddbscan.
Epca.
Revelar gabarito e comentário▾
GabaritoB — árvore de decisão.
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”.
Aprendizado de Máquina – Árvore de Decisão
Gabarito: letra B. A descrição da questão – função que recebe um vetor de atributos e retorna um único valor de saída (discreto ou contínuo), classificando cada elemento como verdadeiro/falso – define exatamente uma árvore de decisão, técnica supervisionada que particiona o espaço de atributos em regiões de decisão. As demais alternativas referem-se a outros paradigmas (clusterização, redução de dimensionalidade, detecção de anomalias) que não se encaixam na descrição.
A questão testa o conhecimento dos principais tipos de algoritmos de aprendizado de máquina e suas aplicações. Para fixar, veja a tabela comparativa:
Técnica
Tipo
Saída
Exemplo de uso
Árvore de decisão
Supervisionado
Classificação/Regressão (um valor)
Diagnóstico médico, filtro de spam
Detecção de anomalias
Supervisionado/Não supervisionado
Sinalização de outliers
Fraude em cartão de crédito
K-means
Não supervisionado
Clusters (grupos)
Segmentação de clientes
DBSCAN
Não supervisionado
Clusters baseados em densidade
Análise de dados espaciais
PCA
Não supervisionado (redução)
Componentes principais
Redução de dimensionalidade visualização
Alternativa A – ❌ Incorreta
Detecção de anomalias identifica pontos que fogem ao padrão esperado, mas não é uma técnica que, para cada vetor de atributos, retorne uma classificação binária (verdadeiro/falso) aprendida a partir de exemplos rotulados. A descrição se encaixa melhor em classificação supervisionada.
Alternativa B – ✅ Correta ⟵ GABARITO
A árvore de decisão constrói um modelo em forma de árvore, onde cada nó interno testa um atributo, cada ramo representa o resultado do teste e cada folha contém um rótulo (classe). Dado um vetor de entrada, percorre-se a árvore até uma folha, obtendo assim a classificação. É supervisionada, aceita atributos discretos ou contínuos e produz saída discreta (classificação) ou contínua (regressão).
Alternativa C – ❌ Incorreta
K-means é um algoritmo de clusterização não supervisionado. Agrupa dados em K clusters com base na similaridade, mas não utiliza rótulos (verdadeiro/falso) e não retorna uma única classificação por vetor – atribui um cluster, não um valor binário.
Alternativa D – ❌ Incorreta
DBSCAN também é um algoritmo de clusterização não supervisionado, baseado em densidade. Não realiza classificação supervisionada e não produz saída binária. Agrupa pontos próximos e marca ruídos.
Alternativa E – ❌ Incorreta
PCA (Análise de Componentes Principais) é uma técnica de redução de dimensionalidade não supervisionada. Transforma um conjunto de atributos em um número menor de componentes, mas não classifica nem retorna verdadeiro/falso.
PEGA ESSA DICA!
Para questões que pedem a descrição de uma técnica, associe as palavras-chave: "árvore" → decisão binária, "grupos" → clusterização, "componentes" → PCA, "anomalia" → outlier. A presença de "vetor de atributos" e "classificação verdadeiro/falso" é marca registrada de árvores de decisão.