Questão de Engenharia de Software — Inteligencia Artificial — Quadrix 2024

Aprendizado supervisionado e não supervisionado

Gabarito: letra B. A principal diferença entre aprendizado supervisionado e não supervisionado está no uso de dados rotulados: o aprendizado supervisionado requer um conjunto de dados de treinamento rotulado, enquanto o aprendizado não supervisionado não utiliza rótulos, encontrando padrões nos próprios dados. Essa distinção é fundamental em aprendizado de máquina e é amplamente reconhecida na literatura da área.

O aprendizado de máquina é um subcampo da inteligência artificial que permite que sistemas aprendam e melhorem a partir da experiência, sem serem explicitamente programados. Dentro desse campo, existem duas abordagens principais: o aprendizado supervisionado e o aprendizado não supervisionado. A diferença central entre elas reside na natureza dos dados de treinamento e no papel do usuário no processo de aprendizado.

No aprendizado supervisionado, o modelo é treinado com um conjunto de dados que contém tanto as entradas quanto as saídas desejadas, ou seja, os dados são rotulados. O algoritmo aprende a mapear as entradas para as saídas corretas, ajustando seus parâmetros para minimizar o erro entre as previsões e os rótulos reais. Esse tipo de aprendizado é usado em problemas de classificação, onde o objetivo é prever uma categoria, e em problemas de regressão, onde o objetivo é prever um valor contínuo. Por exemplo, um sistema que classifica e-mails como 'spam' ou 'não spam' é treinado com um conjunto de e-mails já rotulados.

No aprendizado não supervisionado, o modelo é treinado com um conjunto de dados que contém apenas as entradas, sem rótulos. O algoritmo deve encontrar padrões, estruturas ou relações nos dados por conta própria. Esse tipo de aprendizado é usado em problemas de agrupamento (clustering), onde o objetivo é agrupar dados semelhantes, e em redução de dimensionalidade, onde o objetivo é simplificar os dados sem perder informações essenciais. Por exemplo, um sistema que segmenta clientes em grupos com base em seu comportamento de compra, sem que os grupos sejam predefinidos, utiliza aprendizado não supervisionado.

A distinção entre os dois tipos de aprendizado é crucial para a escolha da técnica adequada em cada problema. A banca explora essa diferença fundamental, e a alternativa correta é a que a descreve com precisão. As demais alternativas apresentam erros conceituais ou generalizações incorretas.

Alternativa A — ❌ Incorreta

Afirma que aprendizado supervisionado e não supervisionado são termos intercambiáveis, sem diferenças significativas. Isso é falso, pois a diferença é fundamental e reside no uso de dados rotulados. O aprendizado supervisionado utiliza rótulos para treinar o modelo, enquanto o não supervisionado não os utiliza. A banca tenta confundir o candidato ao sugerir que não há diferença, mas a distinção é um dos conceitos mais básicos e importantes em aprendizado de máquina.

Alternativa B — ✅ Correta ⟵ GABARITO

A alternativa afirma que o aprendizado supervisionado requer um conjunto de dados de treinamento rotulado, enquanto o aprendizado não supervisionado não utiliza rótulos. Isso está correto e é a definição clássica da diferença entre as duas abordagens. No aprendizado supervisionado, o modelo aprende a partir de exemplos rotulados, enquanto no não supervisionado, o modelo encontra padrões nos dados sem a necessidade de rótulos. Essa é a principal diferença entre os dois tipos de aprendizado.

Alternativa C — ❌ Incorreta

Afirma que no aprendizado supervisionado os modelos são treinados sem um conjunto de dados específico, enquanto no não supervisionado um conjunto de dados de treinamento é obrigatório. Isso inverte completamente a lógica. O aprendizado supervisionado requer um conjunto de dados rotulado, enquanto o não supervisionado não requer rótulos, mas ainda assim utiliza um conjunto de dados para encontrar padrões. A alternativa está errada ao inverter os papéis dos dois tipos de aprendizado.

Alternativa D — ❌ Incorreta

Afirma que o aprendizado supervisionado é utilizado apenas para classificação, enquanto o não supervisionado é aplicado apenas em problemas de regressão. Isso é falso. O aprendizado supervisionado é usado tanto em problemas de classificação quanto de regressão. O aprendizado não supervisionado é usado em problemas de agrupamento e redução de dimensionalidade, não em regressão. A alternativa comete um erro ao restringir as aplicações de cada tipo de aprendizado.

Alternativa E — ❌ Incorreta

Afirma que aprendizado supervisionado e não supervisionado são conceitos desatualizados e não mais relevantes em aprendizado de máquina moderno. Isso é falso. Esses conceitos são fundamentais e amplamente utilizados em aprendizado de máquina moderno, sendo a base para a maioria dos algoritmos e aplicações. A alternativa tenta confundir o candidato ao sugerir que esses conceitos estão ultrapassados, mas eles continuam sendo essenciais.

Gabarito: letra B