Um Tribunal realiza periodicamente testes de intrusão para verificar vulnerabilidades em sua infraestrutura de rede interna e sem fio. Durante um teste, os analistas identificaram que um atacante poderia interceptar e modificar o tráfego de comunicação entre dois dispositivos. Com base no cenário descrito, a técnica de ataque que foi identificada é

Um Tribunal implementou uma rede sem fio corporativa para facilitar a conexão de dispositivos móveis e estações de trabalho dos funcionários. Após a configuração inicial, o setor de TI notou uma grande quantidade de tráfego desconhecido, perda de conectividade e tentativas de acesso não autorizado. Uma análise de segurança indicou que o problema estava relacionado a um ataque direcionado à rede sem fio. O ataque mais provável que foi utilizado é o de

Uma empresa de tecnologia foi denunciada por um cliente à Autoridade Nacional de Proteção de Dados (ANPD) por não proteger adequadamente os dados pessoais coletados. Após investigação, a ANPD constatou que a empresa não adotou medidas de segurança adequadas e não informou os titulares sobre o tratamento de seus dados. Nesse caso, uma provável sanção que a empresa pode sofrer, de acordo com a LGPD, é

A equipe de Analistas do Tribunal Regional do Trabalho está desenvolvendo um sistema para automatizar o trâmite e gerenciar os processos eletrônicos. Durante a fase de testes, é necessário adotar uma abordagem robusta e adequada para garantir a qualidade do software, considerando diversos aspectos, incluindo o desempenho e a segurança. Para isso, a equipe deve

Uma Analista está desenvolvendo um modelo de aprendizado de máquina em Python 3, em condições ideais. Após dividir o conjunto de dados em treinamento e teste, deseja criar um pipeline no scikit-leam para pré-processamento e treino do modelo. O pipeline deve lidar com variáveis categóricas utilizando OneHotEncoder e treinar um modelo de árvore de decisão com os parâmetros padrão. Isso pode ser feito com base no trecho de código abaixo.

from sklearn.pipeline import Pipeline
from sklearn.preprocessing import OneHotEncoder
from sklearn.tree import DecisionTreeClassifier

pipeline = Pipeline(([
   ___I___
])

pipeline.fit(X_train, y_train)

A lacuna I deve ser corretamente

('encoder', OneHotEncoder(handle_unknown='error')),
('modelo', DecisionTreeRegressor())

('encoder', OneHotEncoder(sparse='False')),
('modelo', DecisionTreeRegressor(criterion='gini'))

('encoder', Label_Encoder()),
('modelo', DecisionTreeClassifier())

('encoder', OneHotEncoder(handle_unknown='ignore')),
('modelo', DecisionTreeClassifier())

('encoder', LabelBinarizer()),
('modelo', DecisionTreeClassifier(maxdepth=3))

Uma equipe está trabalhando em um projeto de análise preditiva com base em dados estruturados provenientes de diferentes fontes de um Tribunal Regional do Trabalho. Durante a etapa de pré-processamento, o time precisa lidar com valores ausentes/faltantes, escalonar os dados para uniformizar as unidades e selecionar as variáveis mais importantes para treinar um modelo supervisionado. Para realizar estas tarefas nesta etapa, a equipe deve

Uma equipe de um Tribunal Regional do Trabalho está desenvolvendo um modelo preditivo para avaliar o tempo de tramitação de processos trabalhistas. Os dados estão armazenados em um arquivo CSV chamado “processos.csv”, com as seguintes colunas:

- id_processo: Identificador único do processo.
- data_abertura: Data em que o processo foi aberto.
- data_encerramento: Data em que o processo foi encerrado.
A equipe deseja calcular o tempo de tramitação (em dias) de cada processo e inseri-lo em uma nova coluna chamada tempo_tramitacao. Considerando que o arquivo foi carregado em um dataframe chamado dados, o comando R que realiza corretamente esta tarefa é:

Considere o código Python abaixo que utiliza a biblioteca pandas para manipular um conjunto de dados.

import pandas as pd

dados = {
    'numero_processo': ['12345-67', '98765-43', '56789-01', '34567-89'],
    'valor_processo': [10000.0, 5000.0, 7500.0, 12000.0],
    'peso': [1.2, 0.8, 1.5, 1.0],
    'status': ['Encerrado', 'Pendente', 'Pendente', 'Encerrado']
}

df = pd.DataFrame(dados)

# Filtro para selecionar apenas processos com status 'Pendente'
filtro = df['status'] == 'Pendente'

# Aplicar o filtro e calcular a média ponderada
media_ponderada = ___I___

print(f"A média ponderada do valor dos processos pendentes é: {media_ponderada}")

 

Considerando que o cálculo da média ponderada utiliza a fórmula Média Ponderada= \(\sum(\text{valor}\times\text{peso}) / \sum(\text{peso})\). e que o código será executado em condições ideais, a lacuna I é corretamente preenchida com

Considere a tabela t_audiencias que armazena informações sobre audiências marcadas.

Considerando que esta tabela está criada e contém valores adequados, em um banco de dados MySQL aberto e funcionando em condições ideais, o comando que seleciona todas as audiências que estão marcadas como “pendente”, cuja data de audiência seja posterior ao dia e hora atuais e que pertençam às varas de trabalho 1, 2 0u 3, é:

SELECT * FROM t_audiencias WHERE status = 'Pendente' AND