Pular para o conteúdo principal

Questão de Sistemas de Informação — Sistemas de Informação — FGV 2026

Sistemas de InformaçãoSistemas de Informação
Código
fg126230
Banca
FGV
Órgão
AL-GO
Ano
2026
Nível
Superior
Cargo
Analista Legislativo - Desenvolvedor de Sistemas
No contexto corporativo, o aprendizado de máquina, como subcampo da inteligência artificial, tem sido amplamente adotado para apoiar a análise de grandes volumes de dados, automatizar processos e aprimorar a tomada de decisão estratégica. Considerando sua aplicação em áreas como previsão de demanda, detecção de padrões, personalização de serviços e otimização operacional.Considerando o processo de treinamento de um modelo de aprendizado de máquina, pode-se afirmar que
  1. Ao treinamento de um modelo pode ser realizado de maneira eficaz utilizando exclusivamente dados de teste, pois esses dados já refletem a performance esperada do modelo em situações reais.
  2. Bo uso de um conjunto de validação durante o treinamento é irrelevante, já que a divisão entre dados de treinamento e teste é suficiente para avaliar a performance do modelo.
  3. Ca normalização dos dados não é necessária antes do treinamento, pois a maioria dos algoritmos de aprendizado de máquina é robusta a diferenças de escala entre as variáveis.
  4. Duma vez que o modelo é treinado, ele não precisa ser reavaliado ou ajustado, pois a performance inicial será sempre mantida em qualquer conjunto de dados futuro.
  5. Eo processo de treinamento envolve ajustar os parâmetros do modelo para minimizar a função de perda, utilizando um conjunto de dados rotulado, onde a relação entre as características e os rótulos é conhecida.
Revelar gabarito e comentário

GabaritoE — o processo de treinamento envolve ajustar os parâmetros do modelo para minimizar a função de perda, utilizando um conjunto de dados rotulado, onde a relação entre as características e os rótulos é conhecida.

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 — Processo de Treinamento

Gabarito: letra E. O treinamento supervisionado consiste em ajustar os parâmetros do modelo para minimizar a função de perda, usando um conjunto de dados rotulados (características e rótulos conhecidos). As demais alternativas trazem equívocos comuns sobre o uso de dados de teste, validação, normalização e necessidade de reavaliação do modelo.

  1. 1Dados rotulados (características + rótulos)
  2. 2Ajuste iterativo dos parâmetros
  3. 3Minimização da função de perda
  4. 4Modelo treinado
LEVEL · soulevel.com.br

Alternativa A — ❌ Incorreta

Afirma que o treinamento pode ser feito exclusivamente com dados de teste. Erro: Os dados de teste servem apenas para avaliar o modelo treinado; usá-los no treinamento viciaria a avaliação e levaria ao overfitting. O treinamento exige um conjunto de dados separado (treinamento).

Alternativa B — ❌ Incorreta

Diz que o conjunto de validação é irrelevante e que treinamento + teste bastam. Erro: O conjunto de validação é essencial para ajustar hiperparâmetros e selecionar o melhor modelo sem contaminar a avaliação final com o conjunto de teste. Sem validação, o risco de overfitting no teste aumenta.

Alternativa C — ❌ Incorreta

Alega que a normalização dos dados não é necessária porque os algoritmos são robustos a escalas diferentes. Erro: Muitos algoritmos (redes neurais, SVM, kk-NN, regressão com regularização) são sensíveis à escala; a normalização (ou padronização) é frequentemente necessária para convergência e desempenho adequados.

Alternativa D — ❌ Incorreta

Sustenta que o modelo, uma vez treinado, dispensa reavaliação ou ajuste. Erro: Modelos podem sofrer concept drift ou data drift ao longo do tempo, exigindo monitoramento contínuo, retreinamento e ajustes para manter a performance.

Alternativa E — ✅ Correta ⟵ GABARITO

Descreve corretamente o treinamento supervisionado: ajuste iterativo dos parâmetros do modelo para minimizar uma função de perda (ex.: erro quadrático médio, entropia cruzada) com base em dados rotulados. Esse é o fundamento do aprendizado supervisionado.

Gabarito: letra E.

Link permanente: /questoes/fg126230