Foram encontradas 5.143 questões.
No contexto da linguagem Pyhton 3.0, assinale o código que, quando executado, exibe o resultado a seguir.
[[ 2 -3 1] [ 4 5 6] [-9 8 7]]
Provas
I. Criar ou abrir um projeto de visualização de dados ao qual deseja adicionar o conjunto de dados. Para criar um projeto novo, ele deverá acessar a Página Inicial, clicar em “New” e, em seguida, clicar em “Project” para exibir a caixa de diálogo “Add Data Set”.
II. Localizar a caixa de diálogo “Add Data Set”, selecionar os conjuntos de dados que deseja analisar e, em seguida, clicar em “Add to Project”.
III. Para visualizar dados de outro conjunto de dados no mesmo projeto, localizar o painel “Data Elements”, clicar em “Add” e, em seguida, selecionar “Add Data Set”.
IV. Por fim, o analista deverá arrastar os elementos de dados que deseja visualizar do painel “Data Elements” e começar a criar seu projeto.
Está correto o que se afirma em
Provas
Provas
I. O custo de uso da AD é logarítmico em relação ao número de pontos de dados usados para treinar a árvore.
II. As previsões das AD são suaves e contínuas e apresentam aproximações constantes por partes. Portanto, são boas para extrapolação de dados.
III. AD apresentam bom desempenho mesmo que suas suposições sejam de alguma forma violadas pelo modelo verdadeiro a partir do qual os dados foram gerados.
IV. AD são estáveis, pois grandes variações nos dados podem resultar na geração de árvore equivalentes. Essa condição é assegurada pelo uso de AD dentro de pequenos conjuntos de dados.
Está correto o que se afirma em
Provas
1. Anomalias não intencionais.
2. Anomalias pontuais.
3. Anomalias contextuais.
4. Anomalias coletivas.
( ) Essas anomalias, também conhecidas como valores discrepantes globais, são pontos de dados individuais que estão muito fora do restante do conjunto de dados. Um exemplo desses tipo anomalia é um saque de conta bancária que é significativamente maior do que qualquer um dos saques anteriores do usuário;
( ) Essas anomalias envolvem um conjunto de instâncias de dados que juntas se desviam da norma, mesmo que as instâncias individuais possam parecer normais. Um exemplo desse tipo de anomalia seria um conjunto de dados de tráfego de rede que mostra um aumento repentino no tráfego de vários endereços IP ao mesmo tempo;
( ) Essas anomalias são pontos de dados que se desviam da norma devido a erros ou ruído no processo de coleta de dados. Esses erros podem ser sistemáticos ou aleatórios, originados por problemas como sensores defeituosos ou erro humano durante a entrada de dados. Esse tipo de anomalia pode distorcer o conjunto de dados, dificultando a obtenção de insights precisos;
( ) Essas anomalias são pontos de dados que se desviam da norma dentro de um contexto específico. Essas anomalias não são necessariamente valores discrepantes quando consideradas isoladamente, mas se tornam anômalas quando vistas dentro de seu contexto específico. Por exemplo, considere o uso de energia. Se houver um aumento repentino no consumo de energia ao meio-dia, quando normalmente nenhum membro da família está em casa. Este dado pode não ser um valor discrepante quando comparado ao consumo de energia pela manhã ou à noite (quando as pessoas geralmente estão em casa), mas é anômalo em relação ao horário em que ocorreu.
A relação correta, na ordem dada, é:
Provas
Provas
“O cérebro eletrônico faz tudo Faz quase tudo Faz quase tudo Mas ele é mudo
O cérebro eletrônico comanda Manda e desmanda Ele é quem manda Mas ele não anda”
(Gilberto Gil)
A respeito da inteligência artificial e do cotidiano com as tecnologias, assinale a opção correta.
Provas
Disciplina: TI - Ciência de Dados e BI
Banca: FAFIPA
Orgão: Câm. Canoas-RS
Provas
Disciplina: TI - Ciência de Dados e BI
Banca: FAFIPA
Orgão: Câm. Canoas-RS
Provas
Disciplina: TI - Ciência de Dados e BI
Banca: FAFIPA
Orgão: Câm. Canoas-RS
Em um setor administrativo de uma Assembleia Legislativa, foi implantado um sistema de Inteligência Artificial para classificar automaticamente tipos de documentos legislativos, com base em seus conteúdos textuais, além de prever categorias temáticas para pautas futuras, utilizando o histórico de reuniões arquivadas. Esse sistema utiliza algoritmos de Machine Learning para aprender com os dados processados e uma rede neural profunda (Deep Learning) para melhorar a precisão na análise de linguagem natural. Cabe ao Assistente Legislativo, entre outras atividades de apoio, monitorar a operação do sistema, identificar comportamentos anômalos e comunicar inconsistências à equipe técnica especializada. Considerando esse contexto, assinale a alternativa que apresenta CORRETAMENTE a diferença entre Machine Learning e Deep Learning aplicada ao cenário descrito.
Provas
Caderno Container