Sobre o algoritmo KNN (K-Vizinhos mais próximos) tradicional, podemos afirmar que:

Todos podem cometer erros, inclusive os algoritmos de aprendizado de máquina. Existem técnicas que podem ser usadas para aumentar nossa confiança de que eles farão previsões confiáveis. A ideia é usar uma coleção de classificadores treinados em dados levemente diferentes e usar todos para avaliar cada instância de entrada. Cada um deles realiza a classificação e escolhemos a classe mais votada como resultado. É correto afirmar que contém apenas técnicas que podem ser usadas para aumentar a confiabilidade nas previsões segundo essa ideia:

“Sua estrutura básica é organizada em camadas. Neurônios em cada camada podem se comunicar com os neurônios da camada anterior e da próxima. É o formato desta estrutura que resulta no nome aprendizado profundo.” (Andrew Glassner)

Segundo Glassner, o que caracteriza uma rede de aprendizado profundo são:

Os sistemas computacionais com ou sem o uso de técnicas de aprendizado são apresentados na Coluna I. Estabeleça a correta correspondência com as definições ou exemplos da Coluna II.

Coluna I

1. Sistema especialista. 2. Aprendizado supervisionado. 3. Aprendizado não supervisionado. 4. Aprendizado por reforço.

Coluna II

( ) o sistema recebe um conjunto de registros médicos eletrônicos de pacientes e os agrupa de acordo com as similaridades entre as características presentes nos registros.
( ) o sistema recebe um conjunto de imagens de lâminas referentes a exames de pacientes e assinala com base em sua experiência prévia a patologia associada ou se se trata de um paciente sadio. Um especialista humano então avalia a decisão do sistema retornando para o mesmo uma pontuação que mede o seu desempenho. O sistema evolui de acordo com essa pontuação.
( ) o sistema é programado com regras pré-definidas por alguém treinado no problema.
( ) o sistema recebe um conjunto de imagens de lâminas referentes a exames de pacientes com rótulos indicando a patologia associada ou um paciente sadio.

A sequência correta, de cima para baixo, é:

Sobre a função de ativação de redes neurais, é CORRETO afirmar que:

São algoritmos de classificação, EXCETO:

Observe as afirmativas a seguir, em relação a seleção de atributos para algoritmos de aprendizado de máquina:

I. Se temos atributos na base de dados que sejam redundantes, irrelevantes ou inúteis, devemos eliminá-los.
II. Podemos eliminar atributos que contribuem muito pouco na construção de um modelo como os que tem um mesmo valor na grande maioria das instâncias.
III. Os atributos removidos do conjunto de treinamento devem ser também removidos do conjunto de testes.

Sobre as afirmativas acima, pode-se dizer que:

Considere o problema de calcular agrupamentos dos objetos apresentados na figura abaixo: 





Considerando a distribuição dos objetos no espaço de acordo com seus atributos ilustrada na figura, o algoritmo de agrupamento indicado para diferenciar os dois grupos seria:

Quando realizamos o agrupamento de objetos de acordo com seus atributos, ou seja, uma tarefa de aprendizado não supervisionado, precisamos avaliar a qualidade deste agrupamento sem informação de supervisão. Como não se tem as classes ou rótulos das instâncias, é preciso avaliar a qualidade dos grupos apenas através de aferições estatísticas de similaridade intra e inter-grupos. Dentre estes índices, podemos citar, EXCETO:

Sobre o algoritmo Apriori para mineração de regras de associação, é correto afirmar que: