Engenharia de Software · FGV · 2025 | Questão sqc-fg121226

Engenharia de SoftwareInteligencia Artificial

Código: fg121226
Banca: FGV
Órgão: TCE-PE
Ano: 2025
Nível: Superior

Cargo: Analista de Controle Externo - Tecnologia da Informação

Em aplicações modernas de ciência de dados, como reconhecimento de padrões e previsão de comportamento, o aprendizado supervisionado tem se destacado por utilizar conjuntos de dados rotulados para treinar modelos capazes de generalizar para novos exemplos.Assinale a afirmativa que descreve corretamente uma característica fundamental do aprendizado supervisionado em Machine Learning.

AModelos supervisionados não utilizam dados rotulados, pois aprendem padrões de forma autônoma com base em agrupamentos naturais.
BEm aprendizado supervisionado, o modelo é treinado com dados de entrada e suas respectivas saídas esperadas, permitindo que ele aprenda a prever rótulos para novos dados.
CO aprendizado supervisionado é ideal apenas para problemas de agrupamento, como segmentação de clientes sem dados prévios.
DA principal vantagem do aprendizado supervisionado é que ele não requer validação ou avaliação do modelo, pois a acurácia é garantida pela presença de rótulos.
ETécnicas supervisionadas não podem ser aplicadas em regressão, sendo utilizadas exclusivamente para problemas de classificação binária.

Revelar gabarito e comentário

GabaritoB — Em aprendizado supervisionado, o modelo é treinado com dados de entrada e suas respectivas saídas esperadas, permitindo que ele aprenda a prever rótulos para novos dados.

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 Supervisionado em Machine Learning

Gabarito: letra B. No aprendizado supervisionado, o modelo é treinado com dados de entrada rotulados (com as saídas esperadas), aprendendo a mapear entradas para saídas e, assim, prever rótulos para novos exemplos. Essa é a definição fundamental da área, conforme consagrado na literatura de Machine Learning (vide, por exemplo, Tom Mitchell).

Aprendizado supervisionado: Dados de entrada rotulados (Pairs (entrada, saída esperada)); Tarefas (Classificação (rótulo discreto), Regressão (valor contínuo)); Objetivo (Generalizar para novos dados); Exige validação (Evitar overfitting/underfitting)

Alternativa A — ❌ Incorreta

Afirma que modelos supervisionados não utilizam dados rotulados e aprendem por agrupamentos naturais. Isso descreve o aprendizado não supervisionado, que opera sem rótulos e busca padrões como clusters. Supervisionado exige dados rotulados.

Alternativa B — ✅ Correta ⟵ GABARITO

Descreve exatamente o processo: o modelo recebe pares (entrada, saída esperada) e aprende a prever o rótulo (classe ou valor) para dados novos. É a característica central do aprendizado supervisionado, usado em tarefas de classificação e regressão.

Alternativa C — ❌ Incorreta

Afirma que o aprendizado supervisionado é ideal apenas para agrupamento (clustering). O agrupamento é tarefa típica do aprendizado não supervisionado. Supervisionado é voltado para classificação e regressão.

Alternativa D — ❌ Incorreta

Diz que o supervisionado não requer validação ou avaliação, pois a acurácia é garantida pelos rótulos. Isso é falso: mesmo com rótulos, o modelo precisa ser avaliado para evitar overfitting, underfitting e garantir generalização – a validação é etapa essencial.

Alternativa E — ❌ Incorreta

Afirma que técnicas supervisionadas são exclusivas para classificação binária e não podem ser usadas em regressão. Na verdade, a regressão (previsão de valores contínuos) é um dos pilares do aprendizado supervisionado, exemplo: regressão linear, árvores de regressão, etc. Além disso, classificação pode ser multiclasse, não apenas binária.

Conclusão: A única alternativa que descreve corretamente o aprendizado supervisionado é a letra B.

Link permanente: /questoes/fg121226