Questão de Noções de Informática — Inteligência Artificial e Automação — INSTITUTO AOCP 2025
Noções de Informática›Inteligência Artificial e Automação
Código
qg539423
Banca
INSTITUTO AOCP
Órgão
IF-MS
Ano
2025
Nível
Superior
Cargo
Professor EBTT - Informática/Desenvolvimento WEB
O aprendizado de máquina aplicado à mineração de dados possibilita a extração de conhecimento útil a partir de grandes volumes de informações, automatizando a identificação de padrões e tendências. Ele é empregado para prever comportamentos, classificar dados e detectar anomalias em diferentes contextos. Entre as abordagens utilizadas nesse processo, destacam-se o aprendizado supervisionado, o aprendizado não supervisionado e o aprendizado por reforço, cada um adequado a diferentes tipos de problemas e conjuntos de dados. Em relação às abordagens mencionadas, informe se é verdadeiro (V) ou falso (F) o que se afirma a seguir e assinale a alternativa com a sequência correta.( ) No aprendizado supervisionado, o modelo aprende com um conjunto de dados não rotulados (exemplo: previsão de vendas).( ) No aprendizado não supervisionado, o modelo encontra padrões em dados rotulados (exemplo: segmentação de clientes).( ) No aprendizado por reforço, o modelo aprende através de interações com o ambiente e feedback sobre as ações (exemplo: algoritmos de recomendação)
AV – V – V.
BF – F – F.
CV – F – V.
DV – V – F
EF – F – V.
Revelar gabarito e comentário▾
GabaritoE — F – F – V.
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: supervisionado, não supervisionado e por reforço
Gabarito: letra E (F – F – V). As duas primeiras afirmativas invertem os conceitos: o aprendizado supervisionado usa dados rotulados (com a resposta esperada conhecida), e o não supervisionado encontra padrões em dados não rotulados — exatamente o oposto do que foi dito. A terceira afirmativa está correta: o aprendizado por reforço aprende por interações com o ambiente e feedback (recompensas/punições) sobre as ações, como em algoritmos de recomendação. A sequência correta é F – F – V.
O aprendizado de máquina (machine learning) é um subcampo da inteligência artificial que dá aos computadores a habilidade de aprender com dados, sem serem explicitamente programados para cada tarefa. A definição clássica de Tom Mitchell resume bem: um programa aprende pela experiência E, com respeito a uma tarefa T e uma performance P, se sua performance em T melhora com a experiência E. Em outras palavras, o algoritmo constrói um modelo a partir de dados de entrada e usa esse modelo para fazer previsões ou tomar decisões.
As três grandes abordagens — supervisionada, não supervisionada e por reforço — diferem fundamentalmente na natureza dos dados e na forma de aprendizado. No supervisionado, o modelo é treinado com um conjunto de dados rotulados, ou seja, cada exemplo de entrada vem acompanhado da saída correta (o rótulo). O objetivo é aprender uma regra que mapeie entradas em saídas, permitindo classificar dados ou prever resultados. No não supervisionado, o modelo recebe dados sem rótulos e busca identificar padrões, agrupamentos (clustering) ou associações por conta própria. Já no por reforço, o modelo aprende pela interação com um ambiente, recebendo recompensas ou punições (feedback) pelas ações tomadas, otimizando seu comportamento ao longo do tempo.
A pegadinha clássica da banca é inverter os termos: dizer que o supervisionado usa dados não rotulados e que o não supervisionado usa dados rotulados. É exatamente o que as duas primeiras afirmativas fazem. Para não cair, lembre-se: supervisionado = com supervisão (rótulos); não supervisionado = sem supervisão (sem rótulos). O aprendizado por reforço, por sua vez, não se encaixa nessa dicotomia de rótulos, pois aprende por tentativa e erro com feedback do ambiente.
NÃO CAIA NESSA!
A banca inverte os conceitos de supervisionado e não supervisionado nas duas primeiras afirmativas. O candidato que decora apenas os nomes, sem entender a essência (presença ou ausência de rótulos), cai facilmente. Lembre-se: supervisionado = dados rotulados; não supervisionado = dados não rotulados. Com esse critério, você desarma a pegadinha na hora.
Afirmativa
Descrição
V/F
1
No aprendizado supervisionado, o modelo aprende com dados não rotulados (ex.: previsão de vendas).
F
2
No aprendizado não supervisionado, o modelo encontra padrões em dados rotulados (ex.: segmentação de clientes).
F
3
No aprendizado por reforço, o modelo aprende por interações com o ambiente e feedback (recompensas/punições).
V
Aprendizado de máquina: Supervisionado (Dados rotulados, Classificação e regressão); Não supervisionado (Dados não rotulados, Agrupamento (clustering)); Por reforço (Interação com ambiente, Feedback (recompensa/punição))
Afirmativa 1 — ❌ Falsa
A afirmativa diz que no aprendizado supervisionado o modelo aprende com dados não rotulados, citando como exemplo a previsão de vendas. Isso está invertido. O aprendizado supervisionado é definido pelo uso de dados rotulados, ou seja, cada exemplo de entrada vem com a saída esperada conhecida. A previsão de vendas é um exemplo clássico de regressão supervisionada: o modelo é treinado com dados históricos (entrada) e os valores de vendas correspondentes (rótulos/saída) para aprender a prever vendas futuras. O erro está em afirmar que os dados são não rotulados — o oposto do que caracteriza o método.
Afirmativa 2 — ❌ Falsa
A afirmativa diz que no aprendizado não supervisionado o modelo encontra padrões em dados rotulados, citando como exemplo a segmentação de clientes. Também está invertida. O aprendizado não supervisionado trabalha com dados não rotulados, buscando identificar padrões, agrupamentos ou associações sem que haja uma resposta esperada prévia. A segmentação de clientes é um exemplo típico de clustering: o algoritmo agrupa clientes com características semelhantes sem que ninguém tenha dito previamente quais grupos existem. O erro está em afirmar que os dados são rotulados — o oposto do que caracteriza o método.
Afirmativa 3 — ✅ Verdadeira
A afirmativa está correta. No aprendizado por reforço, o modelo aprende através de interações com o ambiente e feedback sobre as ações, exatamente como descrito. O agente toma ações, observa o resultado e recebe uma recompensa ou punição, ajustando seu comportamento para maximizar a recompensa acumulada ao longo do tempo. O exemplo citado, algoritmos de recomendação, é adequado: sistemas de recomendação (como os da Netflix ou Amazon) aprendem com as interações do usuário (cliques, avaliações, compras) e ajustam as recomendações para maximizar o engajamento, que funciona como recompensa.
Conclusão: A sequência correta é F – F – V, portanto o gabarito é a letra E.