Noções de Informática · FGV · 2026 | Questão sqc-fg133797

Noções de InformáticaInteligência Artificial e Automação

Código: fg133797
Banca: FGV
Órgão: TJ-RJ
Ano: 2026
Nível: Superior

Cargo: Analista Judiciário - Tecnologia da Informação - Analista de Inteligência Artificial

O aprendizado de máquina (machine learning) é frequentemente categorizado em diferentes paradigmas, dependendo da natureza dos dados disponíveis e do problema a ser resolvido. Dois dos tipos mais comuns são o aprendizado supervisionado e o aprendizado não supervisionado.A principal diferença conceitual entre essas duas abordagens reside no fato de que, no aprendizado supervisionado:

Ao algoritmo opera sobre dados que não possuem classificação prévia, buscando encontrar padrões ou estruturas ocultas por conta própria;
Bo conjunto de dados de treinamento contém pares de dados de entrada e seus respectivos rótulos (labels) ou respostas corretas desejadas;
Co sistema aprende através da interação com um ambiente dinâmico, recebendo sinais de recompensa ou punição baseados em suas ações;
Do objetivo principal é sempre reduzir a dimensionalidade dos dados para facilitar a visualização, ignorando as variáveis de saída;
Enão é necessário separar os dados em conjuntos de treino e teste, visto que a validação ocorre simultaneamente ao processamento.

Revelar gabarito e comentário

GabaritoB — o conjunto de dados de treinamento contém pares de dados de entrada e seus respectivos rótulos (labels) ou respostas corretas desejadas;

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 – Tipos de Aprendizado

Gabarito: letra B. No aprendizado supervisionado, o modelo é treinado com dados rotulados, ou seja, cada exemplo de entrada possui um rótulo (label) que indica a saída correta desejada. Essa é a principal diferença conceitual em relação ao aprendizado não supervisionado, que trabalha com dados sem rótulos e busca padrões ocultos.

A banca testa a compreensão básica dos três grandes paradigmas: supervisionado, não supervisionado e por reforço. É essencial dominar essa classificação e saber associar cada um às suas características − rotulagem, objetivo, tipo de feedback.

Alternativa A — ❌ Incorreta

Descreve o aprendizado não supervisionado, no qual o algoritmo opera sem rótulos e tenta descobrir estruturas nos dados por conta própria. O erro é aplicar essa definição ao supervisionado.

Alternativa B — ✅ Correta ⟵ GABARITO

Exatamente a definição de aprendizado supervisionado: o conjunto de treinamento contém pares (entrada, rótulo) e o modelo aprende a mapear a entrada para a saída correta. Exemplos clássicos são classificação e regressão.

Alternativa C — ❌ Incorreta

Corresponde ao aprendizado por reforço (reinforcement learning), no qual um agente interage com um ambiente, recebendo recompensas ou punições. Não se aplica ao supervisionado.

Alternativa D — ❌ Incorreta

Reduzir a dimensionalidade é uma técnica usada tanto em aprendizado não supervisionado (ex.: PCA) quanto em pré-processamento, mas não é o objetivo principal do supervisionado. Além disso, o supervisionado sempre considera as variáveis de saída (rótulos).

Alternativa E — ❌ Incorreta

No aprendizado supervisionado é fundamental separar os dados em conjuntos de treino e teste para avaliar a generalização do modelo. Não existe validação simultânea ao processamento nesse paradigma.

PEGA ESSA DICA!

Para fixar, lembre-se: supervisionado → dados rotulados → objetivo preditivo (classificação/regressão). Não supervisionado → dados não rotulados → objetivo descritivo (agrupamento, redução de dimensionalidade). Reforço → interação com ambiente → recompensa/punição. Nas questões, identifique pela presença ou ausência de rótulos no treinamento.

Gabarito: letra B.

Link permanente: /questoes/fg133797