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:

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

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:

“Processos de mineração de dados são usualmente aplicados em conjuntos de dados coletados para outros propósitos, para uso futuro ou aplicações diversas. Por essa razão, aplicações de mineração de dados quase nunca podem se beneficiar de estratégias que endereçam a correção de erros na fonte dos dados.” Entretanto, a maioria das estatísticas aplicadas em processos de mineração de dados depende da qualidade de dados. Como prevenir problemas na qualidade dos dados na sua geração não é uma opção, o processo de limpeza de dados inclui a seguinte tarefa:

Na análise de dados de vendas de um novo produto, um analista deseja comparar as médias de vendas em diferentes regiões para determinar se existem diferenças significativas. Se a distribuição dos dados não segue uma forma conhecida e não pode ser assumida como normal, qual abordagem estatística o analista deve utilizar para realizar essa comparação?

Uma equipe de análise de dados em uma empresa de consultoria financeira está realizando uma análise exploratória dos dados de mercado para identificar tendências e padrões que possam informar estratégias de investimento. Qual método de representação gráfica é particularmente útil para visualizar a distribuição de retornos de investimento ao longo do tempo?

Uma campanha de marketing deseja analisar o impacto de suas estratégias nas redes sociais, coletando e analisando dados não estruturados de postagens, comentários e interações dos usuários. Considerando a complexidade e a variedade desses dados, qual técnica de preparação é crucial para efetuar uma análise significativa do impacto da campanha?

Uma organização de notícias online quer melhorar sua capacidade de categorizar automaticamente artigos em tópicos relevantes, utilizando uma vasta quantidade de conteúdo textual não estruturado. Qual abordagem seria mais eficaz para organizar automaticamente esses dados e facilitar a busca e recuperação de informações específicas?

Uma loja de varejo on-line coleta dados de navegação, histórico de compras e preferências de produtos de seus usuários para melhor entender o comportamento do cliente e personalizar a experiência de compra. Qual técnica de agrupamento de dados é ideal para identificar padrões de compra e agrupar clientes com preferências similares?