Questão de Algoritmos e Estrutura de Dados — Algoritmos — UFSM 2022
Algoritmos e Estrutura de Dados›Algoritmos
Código
qq808875
Banca
UFSM
Órgão
UFSM
Ano
2022
Nível
Superior
Cargo
Analista de Tecnologia da Informação
Após coletar um conjunto de dados com histórico de alunos, você foi designado para criar um modelo que classifique um aluno em um determinado conceito (A, B, C, D, E). Apesar de não esperar muita precisão em tal modelo, você conta com vários registros anonimizados para treino. Com base nesses dados, você investiga algoritmos para tal tarefa. Para isso, considere as duas questões abaixo.(I) Qual algoritmo poderia ser usado para criar um modelo autoexplicativo que classifique um aluno com base em seu histórico?(II) De qual tipo de algoritmo estamos falando?Considerando as opções a seguir, assinale a alternativa que apresenta a resposta correta para as duas questões.
AI. Quick Sort.II. Aprendizado não supervisionado.
EI. Monte Carlo.II. Aprendizado não supervisionado.
Revelar gabarito e comentário▾
GabaritoD — I. Random Tree.
II. Aprendizado supervisionado.
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”.
Classificação de alunos: algoritmo autoexplicativo e tipo de aprendizado
Gabarito: letra D. A tarefa de classificar alunos em conceitos (A, B, C, D, E) a partir de dados rotulados é um problema de aprendizado supervisionado. Dentre as opções, a Random Tree (árvore de decisão aleatória) é um modelo supervisionado e autoexplicativo, pois gera regras interpretáveis. As demais alternativas misturam algoritmos inadequados ou tipos de aprendizado incorretos.
A banca testa o conhecimento básico sobre algoritmos de aprendizado de máquina e sua classificação. O enunciado pede um modelo "autoexplicativo", ou seja, que seja fácil de entender as decisões – característica das árvores de decisão, não de redes neurais (caixa-preta) nem de métodos de ordenação/agrupamento.
Algoritmo
Tipo de Aprendizado
Autoexplicativo?
Adequado para Classificação?
Quick Sort
Não se aplica (ordenação)
Não
Não
K-Means
Não supervisionado
Sim (centroides)
Não (agrupamento)
Redes Neurais Adaline
Supervisionado
Não (caixa-preta)
Sim
Random Tree
Supervisionado
Sim (regras)
Sim
Monte Carlo
Não se aplica (simulação)
Não
Não
Algoritmo autoexplicativo: Árvore de decisão (Random Tree); Rede neural (caixa-preta); K-Means (agrupamento); Quick Sort (ordenação); Monte Carlo (simulação); Tipo de aprendizado (Supervisionado (rótulos), Não supervisionado)
Alternativa A — ❌ Incorreta
Quick Sort é um algoritmo de ordenação, não de aprendizado. Além disso, classificação supervisionada exige rótulos, não se encaixa em aprendizado não supervisionado. A alternativa erra nos dois itens.
Alternativa B — ❌ Incorreta
K-Means é um algoritmo de agrupamento (clustering), portanto de aprendizado não supervisionado. A alternativa o associa a "aprendizado supervisionado", o que é contraditório.
Alternativa C — ❌ Incorreta
Redes Neurais Adaline são de aprendizado supervisionado, mas não são autoexplicativas – são modelos de caixa-preta, difíceis de interpretar. O enunciado pede um modelo autoexplicativo, o que invalida a opção.
Alternativa D — ✅ Correta ⟵ GABARITO
Random Tree (árvore de decisão aleatória) é um modelo de aprendizado supervisionado e autoexplicativo, pois suas regras de decisão são legíveis e compreensíveis. Atende perfeitamente aos dois requisitos da questão.
Alternativa E — ❌ Incorreta
Monte Carlo é um método de simulação estatística, não um algoritmo de aprendizado de máquina. Também é erroneamente classificado como aprendizado não supervisionado; para classificação com rótulos, seria supervisionado.