Questão de Engenharia de Software — Inteligencia Artificial — Quadrix 2023
Engenharia de Software›Inteligencia Artificial
Código
qg027983
Banca
Quadrix
Órgão
CRM-MG
Ano
2023
Nível
Médio
Cargo
CRM - MG - Técnico de Informática
O tipo de aprendizagem de máquina que se baseia em dados preparados para treinamento, quando se sabe o desfecho de cada registro do conjunto de dados, em geral previamente rotulados por um especialista, é a aprendizagem
Asupervisionada.
Bnão supervisionada.
Cpor reforço.
Daleatória.
Eflexível.
Revelar gabarito e comentário▾
GabaritoA — supervisionada.
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 e características
Gabarito: letra A. A aprendizagem supervisionada é exatamente aquela em que o modelo é treinado com um conjunto de dados rotulados, ou seja, em que se conhece previamente o desfecho (a resposta correta) de cada registro — geralmente atribuído por um especialista. Essa é a definição clássica que distingue a aprendizagem supervisionada das demais abordagens, como a não supervisionada e a por reforço.
A aprendizagem de máquina (machine learning) é um subcampo da inteligência artificial que busca desenvolver algoritmos capazes de aprender padrões a partir de dados e fazer previsões ou tomar decisões sem serem explicitamente programados para cada tarefa. A forma como esse aprendizado ocorre — e, principalmente, o tipo de dado utilizado — é o que define as principais categorias de aprendizado.
A aprendizagem supervisionada é aquela em que o algoritmo recebe um conjunto de dados de treinamento composto por pares de entrada-saída, ou seja, cada exemplo de entrada vem acompanhado do seu respectivo rótulo (a resposta correta). O objetivo é que o modelo aprenda uma função que mapeie as entradas para as saídas, de modo que, ao receber novos dados não rotulados, ele consiga prever a saída correta. Esse tipo de aprendizado é usado em tarefas como classificação (ex.: identificar se um e-mail é spam ou não) e regressão (ex.: prever o preço de um imóvel).
A aprendizagem não supervisionada, por outro lado, trabalha com dados que não possuem rótulos. O algoritmo busca encontrar estruturas, padrões ou agrupamentos nos dados por conta própria, sem saber qual é a resposta correta. É o caso de tarefas de agrupamento (clustering) e redução de dimensionalidade.
Já a aprendizagem por reforço é um paradigma em que um agente aprende a tomar decisões através de tentativa e erro, interagindo com um ambiente e recebendo recompensas ou punições (reforços) com base nas ações que realiza. O agente não recebe exemplos rotulados, mas sim um sinal de recompensa que indica o quão boa foi a ação.
A distinção fundamental entre esses três tipos está na natureza dos dados e no mecanismo de aprendizado:
Critério
Supervisionada
Não supervisionada
Por reforço
Dados de treinamento
Rotulados (com desfecho conhecido)
Não rotulados
Sem dados prévios; interage com o ambiente
Objetivo
Aprender a mapear entrada → saída
Descobrir padrões/estruturas ocultas
Aprender uma política de ações para maximizar recompensa
Exemplo de tarefa
Classificação, regressão
Agrupamento, associação
Jogos, robótica, controle
A pegadinha desta questão é justamente a definição: a banca descreve com precisão a aprendizagem supervisionada e espera que o candidato identifique o termo correto. As alternativas "aleatória" e "flexível" são distratores que não correspondem a paradigmas estabelecidos de aprendizado de máquina, enquanto "não supervisionada" e "por reforço" são paradigmas reais, mas que não se encaixam na descrição apresentada.
Guarde a fronteira: se há rótulos (desfecho conhecido) → supervisionada; se não há rótulos → não supervisionada; se há interação com ambiente e recompensas → por reforço. É exatamente nesse critério que as alternativas se dividem.
Aprendizado de máquina: Supervisionada (Dados rotulados, Desfecho conhecido, Classificação e regressão); Não supervisionada (Dados sem rótulos, Descobre padrões, Agrupamento (clustering)); Por reforço (Interage com ambiente, Recompensas e punições, Tentativa e erro)
Alternativa A — ✅ Correta ⟵ GABARITO
A aprendizagem supervisionada é definida exatamente como o enunciado descreve: utiliza dados preparados para treinamento, nos quais se conhece o desfecho de cada registro, geralmente rotulados por um especialista. O modelo aprende a partir desses exemplos rotulados para fazer previsões sobre novos dados.
Alternativa B — ❌ Incorreta
A aprendizagem não supervisionada trabalha com dados sem rótulos, ou seja, sem desfecho conhecido. O algoritmo busca descobrir padrões e estruturas ocultas nos dados por conta própria, como em tarefas de agrupamento (clustering). A descrição do enunciado — com dados rotulados e desfecho conhecido — é o oposto dessa abordagem.
Alternativa C — ❌ Incorreta
A aprendizagem por reforço não se baseia em dados rotulados, mas sim na interação de um agente com um ambiente, recebendo recompensas ou punições pelas ações tomadas. O aprendizado ocorre por tentativa e erro, e não a partir de um conjunto de dados previamente rotulado por um especialista.
Alternativa D — ❌ Incorreta
"Aleatória" não é um paradigma de aprendizado de máquina. Não existe uma categoria formal de aprendizagem aleatória; o termo é um distrator que não corresponde a nenhuma abordagem reconhecida na área.
Alternativa E — ❌ Incorreta
"Flexível" também não é um paradigma de aprendizado de máquina. Não há uma categoria formal de aprendizagem flexível; é outro distrator sem fundamento técnico.
NÃO CAIA NESSA!
A banca descreve com precisão a aprendizagem supervisionada, mas o candidato pode confundir com a não supervisionada, que é o paradigma mais próximo. A chave é o termo "desfecho de cada registro" e "previamente rotulados": se há rótulos, é supervisionada. Com treino, você identifica essa distinção de imediato 💪.