Hiperparâmetros são variáveis de configuração que controlam o treinamento de modelos de aprendizado de máquina (ou, machine learning).
No ajuste de hiperparâmetros, também conhecido como otimização de hiperparâmetros, busca-se:

O overfitting, é um fenômeno em aprendizado supervisionado onde um modelo se ajusta excessivamente aos dados de treinamento, capturando não apenas os padrões gerais, mas também o "ruído" ou particularidades específicas desses dados. Como resultado, embora o modelo apresente excelente desempenho nos dados de treinamento, sua capacidade de generalização para novos dados é comprometida, levando a previsões imprecisas em cenários não vistos anteriormente. O que caracteriza o overfitting em um modelo de aprendizado supervisionado?

Em redes neurais artificiais, as funções de ativação permitem que a rede aprenda e represente padrões complexos nos dados. Para tarefas de classificação binária, onde o objetivo é distinguir entre duas classes. Qual das seguintes funções de ativação é mais adequada para problemas de classificação binária?

Os data lakes são cada vez mais utilizados nas companhias de petróleo, eles são repositórios centralizados que permitem armazenar dados estruturados e não estruturados em qualquer escala. As zonas que os data lakes são organizados são:

Em redes neurais artificiais, o processo de aprendizado envolve a adaptação dos pesos das conexões entre neurônios para que a rede possa realizar tarefas  específicas, como classificação ou regressão. O que é o algoritmo backpropagation em redes neurais artificiais?

Os datawarehouses possuem uma série de características diferenciadoras em relação aos bancos de dados relacionais. Com relação a essas características, analise as assertivas e identifique as corretas:
I.Visão conceitual multidimensional e dimensionalidade genérica.
II.Dimensões e níveis de agregações limitadas.
III.Processamento OLTP e tratamento dinâmico de matrizes esparsas.
É CORRETO o que se afirma em:

No que diz respeito às Redes Neurais Artificiais (ANN, Artificial Neural Network):
I.Os Métodos de regularização por penalização com normas L1 e L2, correspondem respectivamente à Regressão Ridge e à Regressão Lasso (Least Absolute Shrinkage and Selection Operator Regression).
II.Métodos de regularização por Dropout, regularizam as redes neurais, descartando aleatoriamente nós, juntamente com suas conexões de entrada e saída, da rede durante o treinamento.
III.Métodos de regularização por Early Stopping interrompem o treinamento quando as atualizações de parâmetros não começam mais a produzir melhorias em um conjunto de validação em redes neurais profundas
IV.Para manejo de redes neurais com R, pode ser utilizado o pacote neuralnet , que permite treinamento de redes neurais usando a retropropagação, retropropagação resiliente com ou sem retrocesso de peso ou a versão globalmente convergente modificada.
Estão corretas as afirmativas:

Atualmente, as empresas têm executado um processo administrativo, denominado gestão de dados, que consiste em recolher, organizar, proteger e usar informações, com o objetivo de utilizar os dados para melhorar a eficiência, a produtividade e a tomada de decisões. Nesse contexto, um termo, que tem por significado a mineração de dados, consiste no uso de processos para explorar grandes quantidades de dados digitais à procura de padrões consistentes, como regras de associação ou sequências temporais, visando descobrir relacionamentos sistemáticos entre variáveis, detectando assim novos subconjuntos de dados. Paralelamente, outro termo, traduzido como armazém de dados, é, basicamente, um depósito de dados digitais para armazenar informações corporativas detalhadas.
Esses dois termos são conhecidos, respectivamente, como:

As técnicas utilizadas em modelos de Machine Learning (ML) geralmente podem ser separadas em três grandes categorias. São elas:

Dos seguintes modelos de dados NoSQL, aquele que apresenta características favoráveis para aplicações baseadas em modelos multidimensionais e análise OLAP é o: