Noções de Informática · FGV · 2025 | Questão sqc-fg124970

Aprendizado de máquina – Categorias

Gabarito: letra B. O enunciado descreve exatamente o aprendizado não supervisionado: modelos que inferem regras a partir de dados não rotulados, buscando identificar padrões internos (agrupamento, associação, redução de dimensionalidade). Essa é a definição clássica da área, sem necessidade de respostas corretas para treinar.

A banca testa o conhecimento das três principais categorias de aprendizado de máquina: supervisionado, não supervisionado e por reforço. A chave está na expressão "dados que não contêm respostas corretas" – isso elimina o supervisionado e o por reforço.

Categoria de Aprendizado	Fonte de Dados	Objetivo Principal	Exemplo de Aplicação
Aprendizado Não Supervisionado	Dados não rotulados (sem respostas corretas)	Identificar padrões, agrupamentos ou estruturas ocultas nos dados	Segmentação de clientes, detecção de anomalias
Aprendizado Supervisionado	Dados rotulados (com respostas corretas)	Mapear entradas em saídas com base em exemplos	Classificação de e-mails (spam ou não), regressão de preços
Aprendizado por Reforço	Interação com ambiente (recompensas/punições)	Aprender uma política de ações para maximizar recompensa	Jogos (AlphaGo), robótica, sistemas de recomendação

Aprendizado de máquina: Supervisionado (Dados rotulados, Mapeia entrada → saída); Não supervisionado (Dados sem rótulos, Identifica padrões ocultos); Por reforço (Recompensas/punições, Tentativa e erro); Modelos generativos (Subcategoria, Gera novos dados)

Alternativa A — ❌ Incorreta

Modelos de linguagem de grande escala (LLMs) são uma aplicação específica, geralmente treinados com aprendizado supervisionado (em tarefas de predição de tokens) e também com técnicas não supervisionadas em pré-treinamento, mas a descrição do enunciado se refere a uma categoria de aprendizado, não a um tipo de modelo concreto.

Alternativa B — ✅ Correta ⟵ GABARITO

A definição casa perfeitamente: aprendizado não supervisionado trabalha com dados sem rótulos (sem respostas corretas), cabendo ao modelo descobrir estruturas ocultas, como clusters, regras de associação ou distribuições de probabilidade.

Alternativa C — ❌ Incorreta

No aprendizado supervisionado, o modelo recebe dados rotulados (com respostas corretas) para aprender a mapear entradas em saídas. O enunciado explicitamente afirma que os dados não contêm respostas corretas, o que invalida esta opção.

Alternativa D — ❌ Incorreta

Aprendizado por reforço utiliza um sistema de recompensas e punições (sinais de reforço) para guiar o agente. Embora não use rótulos explícitos, o agente recebe feedback do ambiente – não é exatamente "inferir regras" a partir de dados passivos, mas sim aprender por tentativa e erro.

Alternativa E — ❌ Incorreta

Modelos generativos (como GANs, VAEs) são uma subcategoria que pode ser treinada de forma não supervisionada, mas o termo mais amplo e correto para a descrição é o aprendizado não supervisionado. A opção é específica demais e não abrange todo o conceito.

PEGA ESSA DICA!

Para questões de categorias de aprendizado de máquina, lembre-se do tipo de dado usado: se há rótulos → supervisionado; se há recompensas → reforço; se não há nada → não supervisionado. O nome do modelo (generativo, LLM) é uma implementação, não a categoria.