Engenharia de Software · FGV · 2026 | Questão sqc-fg133945

Engenharia de SoftwareInteligencia Artificial

Código: fg133945
Banca: FGV
Órgão: TJ-RJ
Ano: 2026
Nível: Superior

Cargo: Analista Judiciário - Tecnologia da Informação - Arquiteto de Dados

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 Supervisionado vs. Não Supervisionado

Gabarito: letra B. No aprendizado supervisionado, o modelo é treinado com um conjunto de dados que contém pares de entrada e saída rotulada (labels), ou seja, as respostas corretas são fornecidas durante o treinamento. Essa é a principal diferença conceitual em relação ao aprendizado não supervisionado, que trabalha com dados sem rótulos.

A banca testa o conhecimento básico dos paradigmas de machine learning. A definição correta de aprendizado supervisionado está na alternativa B; as demais descrevem outros paradigmas ou conceitos errados.

NÃO CAIA NESSA!

A alternativa A parece correta para quem confunde os conceitos, mas ela descreve o aprendizado não supervisionado, não o supervisionado. A banca troca as definições: supervisionado = dados rotulados; não supervisionado = dados não rotulados. Fique atento!

Paradigma	Dados de treino	Objetivo principal	Exemplo de técnica
Supervisionado	Entrada + rótulo (label)	Prever saída rotulada	Regressão, classificação
Não supervisionado	Apenas entrada (sem rótulo)	Encontrar padrões ocultos	Clusterização, PCA
Por reforço	Interação com ambiente	Maximizar recompensa	Q-learning, redes profundas

Alternativa A — ❌ Incorreta

Descreve o aprendizado não supervisionado, onde o algoritmo busca padrões em dados sem classificação prévia. No supervisionado, os dados são rotulados.

Alternativa B — ✅ Correta ⟵ GABARITO

Afirma exatamente o que caracteriza o aprendizado supervisionado: o conjunto de treinamento contém pares de entrada e seus respectivos rótulos (labels). É a definição consagrada na literatura.

Alternativa C — ❌ Incorreta

Descreve o aprendizado por reforço (reinforcement learning), que se baseia em interação com ambiente e sinais de recompensa/punição, e não em dados rotulados.

Alternativa D — ❌ Incorreta

Redução de dimensionalidade é uma técnica comum em aprendizado não supervisionado (ex.: PCA), mas não é o objetivo principal nem define o paradigma supervisionado.

Alternativa E — ❌ Incorreta

Em aprendizado supervisionado, é essencial separar os dados em treino e teste para avaliar a generalização do modelo. A validação não ocorre simultaneamente ao processamento.

Gabarito: letra B.

Link permanente: /questoes/fg133945