Acerca das noções de Big Data, julgue o item.

Capturar e Integrar são partes do ciclo de gestão do Big Data.

Acerca das noções de Big Data, julgue o item.

Pelo fato de o Big Data administrar um volume enorme de dados diferentes, ele não permite análises e reações em tempo real.

Acerca das noções de Big Data, julgue o item.

Com a tecnologia do Big Data, é possível que uma empresa virtualize seus dados para que possam ser armazenados em nuvem, obtendo, assim, um melhor custo-benefício.

Com relação à modelagem dimensional, julgue o item. Com relação à modelagem dimensional, julgue o item.

A modelagem dimensional, formada pelos elementos básicos: fatos; dimensões; e medidas, utiliza o conceito de cubo, que tem três ou mais dimensões.

Com relação à modelagem dimensional, julgue o item. Com relação à modelagem dimensional, julgue o item.

A modelagem dimensional não utiliza dados granulares, pois eles não podem ser modelados em diferentes formatos, o que inviabiliza a etapa de análise.

Com relação à modelagem dimensional, julgue o item.

A vantagem dos modelos dimensionais é que eles são adequados tanto para o uso em DW quanto para o uso em ambientes relacionais.

Com relação à modelagem dimensional, julgue o item.

Pode-se conceituar a modelagem dimensional como uma técnica de estrutura de dados, otimizada para o armazenamento de dados em um DW (data warehouse), que tem como objetivo a otimização do banco de dados para uma rápida recuperação dos dados.

Com relação aos conceitos de machine learning e deep learning, julgue o item.

O deep learning pode ser definido como sendo a aplicação de uma quantidade massiva de camadas de processamento em um algoritmo de rede neural.

Com relação aos conceitos de machine learning e deep learning, julgue o item.

Para que os algoritmos de deep learning sejam capazes de analisar dados não estruturados, é imprescindível que haja algum tipo de pré-processamento do conjunto de dados a ser analisado.

Com relação aos conceitos de machine learning e deep learning, julgue o item.

Entre as técnicas de machine learning, a random forest é capaz de solucionar problemas de classificação e de regressão, por meio da construção e dos treinamentos de árvores de decisão.