No processo de descoberta de conhecimento (KDD), a etapa de mineração de dados se caracteriza por

Com relação à segmentação de objetos e caracteres, julgue verdadeira (V) ou falsa (F) cada uma das afirmativas a seguir.

I. No processo de leitura de placas de veículos, a segmentação falha frequentemente quando os caracteres estão "tocando" uns aos outros devido a baixas resoluções ou borrões.
II. A segmentação por "Crescimento de Regiões" (Region Growing) agrupa pixels vizinhos com propriedades semelhantes (como cor ou intensidade) para isolar objetos.
III. A segmentação de caracteres torna-se mais precisa quando aplicada diretamente sobre imagens coloridas, sem qualquer etapa prévia de conversão para tons de cinza ou binarização, pois a presença de múltiplos canais sempre reduz ambiguidades.

A sequência correta é

No que diz respeito ao uso de Reconhecimento Óptico de Caracteres (OCR) para a leitura automática de placas, julgue verdadeira (V) ou falsa (F) cada uma das afirmativas a seguir.

I. O padrão de placas de veículos, que utiliza uma combinação de letras e números sem posição fixa, foi planejado para facilitar o trabalho dos motores de OCR baseados em modelos estatísticos rígidos.
II. A normalização de iluminação através da equalização de histograma ajuda a mitigar falhas de leitura causadas por sombras intensas sobre a placa.
III. Em sistemas de Reconhecimento de Placas de Licenciamento, a "Localização da Placa" é a etapa que deve ocorrer obrigatoriamente após o reconhecimento de cada caractere.

A sequência correta é

Ao executar o algoritmo Apriori, as seguintes regras associativas foram determinadas como relevantes:

{café, açúcar} => {leite} e {açúcar, trigo} => {leite}.

Considerando essas duas regras associativas relevantes, é verdade que

Algoritmos de aprendizado de máquina podem ser classificados como paramétricos e não paramétricos. São exemplos de algoritmos não paramétricos

Na etapa de transformação dos dados no processo de descoberta de informação, a técnica que mapeia dados de alta cardinalidade em um espaço de dimensão inferior, de tal forma que a informação relevante para o problema de aprendizado seja preservada, é chamada de

No contexto do aprendizado de máquina supervisionado, considere a matriz de confusão.

A métrica F1-score pode ser calculada da seguinte forma:

Na elaboração de relatórios analíticos, é comum a utilização de gráficos. O tipo de gráfico que possui os componentes corpo e pavio e o tipo de gráfico que possui os componentes bigode e outliers são, respectivamente, os gráficos

Com relação aos conceitos e tipos ELT e ETL de pipeline de dados, analise as afirmativas a seguir.

I. A abordagem ELT é recomendada para tarefas relacionadas a LGPD porque realiza a limpeza de dados sensíveis antes que eles atinjam o sistema de destino, reduzindo riscos de segurança e economizando espaço de armazenamento.
II. No processo ETL, o conjunto de dados completo e sem tratamento é carregado diretamente no sistema de destino. Como há apenas uma etapa, e ela ocorre apenas uma vez, o carregamento no processo ETL é mais rápido do que no ELT.
III. Na abordagem ELT, é possível aproveitar o poder de processamento distribuído e a escalabilidade elástica do data warehouse de destino para realizar transformações via SQL, eliminando a necessidade de um servidor de processamento intermediário.

É verdadeiro o que é afirmado em

Em relação aos repositórios de dados data lake e data warehouse em arquiteturas de Big Data, analise as afirmativas a seguir.

I. Um data lake é caracterizado por priorizar a ingestão de dados em seu formato original, permitindo armazenar dados estruturados, semiestruturados e não estruturados, com uso de abordagens de schema-on-read.
II. Um data warehouse adota schema-on-write, exigindo modelagem prévia, como esquemas em estrela ou floco de neve, para suportar consultas analíticas otimizadas.
III. A simples adoção de schema-on-write em um data lake o caracteriza automaticamente como um data warehouse.

É verdadeiro o que se afirma em