Analise a afirmação a seguir:

" ______ são uma das categorias mais importantes de robôs, pois permitem interação e acesso a funções computacionais por meio da linguagem natural, que é uma das maneiras mais simples e rápidas para os seres humanos se comunicarem, especialmente na dimensão oral.”(GABRIEL, 2022, p. 93-94).

Diante da afirmação acima, assinale a alternativa que preencha corretamente a lacuna.

Aprendizado de máquina (Machine learning) e aprendizado profundo (Deep learning) são assuntos populares nos dias de hoje na área da computação. Assinale a alternativa que apresenta a principal diferença entre aprendizado máquina e aprendizado profundo.

Processamento de Linguagem Natural (PLN) é uma subárea da inteligência artificial que foca na interação entre computadores e a linguagem humana. Ele envolve a criação de algoritmos e modelos que permitem que as máquinas compreendam, interpretem e respondam a textos e fala de maneira semelhante aos humanos. Este processamento segue um fluxo básico de análises e ações. Assinale a alternativa que apresenta quais são os estágios deste fluxo.

Modelos generativos tentam modelar como os dados foram gerados, ou seja, eles aprendem a distribuição conjunta P (X, Y), onde X são as características e Y são os rótulos, enquanto, modelos discriminativos tentam modelar a fronteira de decisão entre diferentes classes. Eles aprendem a distribuição condicional P(Y|X), ou seja, a probabilidade de um rótulo dado um conjunto de características. Desta maneira, assinale a alternativa que apresenta qual categoria se enquadra o algoritmo Naive Bayes.

Todas as probabilidades necessárias para a obtenção do classificador Naive Bayes são computadas a partir dos dados de treinamento. Assinale a alternativa que apresenta o que é necessário para calculara probabilidade a priori de observar uma classe y_i, P(y_i).

teorema de Bayes é usado para calcular a probabilidade a posteriori de um evento, dadas sua probabilidade a priori e a verossimilhança do novo dado. No contexto do aprendizado bayesiano, assinale a alternativa correta sobre qual é a relação entre a probabilidade:

P (Teste = positivo | Doença = presente) e P (Doença = presente|Teste = positivo)

se vamos criar apenas uma hipótese, essa abordagem é suficiente. Mas muitas vezes acabamos criando várias hipóteses: podemos querer comparar dois modelos de aprendizado de máquina completamente diferentes, ou podemos ajustar os vários “botões” dentro de um modelo. Por exemplo, poderíamos tentar diferentes limiares para poda x2 das árvores de decisão ou diferentes graus para os polinômios. Chamamos esses “botões” de hiperparâmetros — parâmetros da classe de modelo, não do modelo individual. Desta forma, assinale a alternativa que apresenta o que são hiperparâmetros em modelos de aprendizado de máquina.

Considere a afirmação a seguir: “O processo de penalizar explicitamente a hipótese complexa é chamado ________ estamos procurando funções que sejam mais regulares. Observe que agora estamos fazendo duas escolhas: a função de perda (L1 ou L2) e a medida de complexidade, que é chamada função de _______” (RUSSEL et al., 2022, p.607).

Assinale a alternativa que preencha correta e respectivamente as lacunas.

De acordo com o processo de aprendizado de máquina, assinale a alternativa que apresenta o que ocorre quando os dados são subamostrados (underfitting) no contexto de algoritmos de aprendizagem.

Analise a afirmação a seguir:

“O fenômeno de ________ acontece quando o modelo preditivo é gerado de forma a representar os exemplares usados para sua geração com uma fidelidade mais alta que o necessário. Esses modelos, se avaliados em relação ao seu desempenho nesses exemplares, receberão avaliações muito boas [...]" (SILVA et al, 2016, p. 137).

Diante da afirmação anterior, assinale a alternativa que preencha corretamente a lacuna sobre qual fenômeno é este, com relação às estratégias para treinamento, validação e teste.