Foram encontradas 5.143 questões.
Disciplina: TI - Ciência de Dados e BI
Banca: CESPE / CEBRASPE
Orgão: Câm. Deputados
No que se refere a Big Data, julgue o seguinte item.
Value, pilar fundamental do Big Data, está relacionado à qualidade, à confiabilidade e à precisão dos dados, assim como à garantia de que esses dados não se tornem ruído.
Provas
No contexto de arquiteturas modernas de dados, data lakes são adotados para lidar com grande volume, variedade e velocidade de dados, mantendo flexibilidade para múltiplos usos analíticos, tendo como princípio a estratégia
Provas
Na consolidação de bases ambientais heterogêneas que envolvam dados geoespaciais, séries temporais, sensores remotos e registros administrativos, as arquiteturas ETL e ELT são empregadas de forma estratégica, conforme requisitos de qualidade, escalabilidade e governança. Assinale a opção que apresenta uma vantagem conceitual do ELT em ambientes analíticos ambientais modernos.
Provas
Assinale a opção que indica característica central da modelagem dimensional aplicada a sistemas de apoio à decisão.
Provas
Texto 2A2-III
Um analista ambiental pretende integrar ao sistema institucional dados disponibilizados por órgãos federais em portais públicos, permitindo reutilização por diferentes aplicações e usuários.
Considerando-se a intenção do analista ambiental mencionada no texto 2A2-III e o conceito de dados abertos, é correto afirmar que os dados
Provas
Texto 2A2-II
Um órgão ambiental federal responsável pelo monitoramento e pela fiscalização de recursos pesqueiros iniciou um projeto nacional de combate à pesca ilegal. O projeto envolve a integração de dados heterogêneos, incluindo registros administrativos de licenças de pesca, dados de rastreamento de embarcações, imagens de satélite, informações geoespaciais, relatórios de fiscalização e séries históricas de infrações ambientais. A equipe técnica precisa estruturar um ambiente analítico que permita consultas eficientes, automatização de rotinas recorrentes, análise e comunicação clara dos resultados para os gestores responsáveis pela formulação de políticas públicas e pela priorização de ações de fiscalização.
Ainda em relação à situação apresentada no texto 2A2-II, na arquitetura analítica do projeto de combate à pesca ilegal, a integração entre consultas em SQL e o uso de linguagens como Python e R seria tecnicamente justificável porque essa integração
Provas
Texto 2A2-II
Um órgão ambiental federal responsável pelo monitoramento e pela fiscalização de recursos pesqueiros iniciou um projeto nacional de combate à pesca ilegal. O projeto envolve a integração de dados heterogêneos, incluindo registros administrativos de licenças de pesca, dados de rastreamento de embarcações, imagens de satélite, informações geoespaciais, relatórios de fiscalização e séries históricas de infrações ambientais. A equipe técnica precisa estruturar um ambiente analítico que permita consultas eficientes, automatização de rotinas recorrentes, análise e comunicação clara dos resultados para os gestores responsáveis pela formulação de políticas públicas e pela priorização de ações de fiscalização.
No contexto do combate à pesca ilegal descrito no texto 2A2-II, a adoção de práticas associadas a Big Data contribui diretamente para a efetividade da fiscalização, porque possibilita
Provas
Texto 2A2-II
Um órgão ambiental federal responsável pelo monitoramento e pela fiscalização de recursos pesqueiros iniciou um projeto nacional de combate à pesca ilegal. O projeto envolve a integração de dados heterogêneos, incluindo registros administrativos de licenças de pesca, dados de rastreamento de embarcações, imagens de satélite, informações geoespaciais, relatórios de fiscalização e séries históricas de infrações ambientais. A equipe técnica precisa estruturar um ambiente analítico que permita consultas eficientes, automatização de rotinas recorrentes, análise e comunicação clara dos resultados para os gestores responsáveis pela formulação de políticas públicas e pela priorização de ações de fiscalização.
No fluxo analítico do projeto descrito no texto 2A2-II, o uso de ferramentas como Power BI e Tableau seria tecnicamente adequado porque essas plataformas
Provas
Texto 2A2-I
Imagens de satélite e inteligência artificial podem ser aplicadas para determinar os níveis de desmatamento e os detalhes da biodiversidade da Floresta Amazônica, de maneira que culturas agrícolas sejam automaticamente classificadas por um sistema de aprendizado de máquina que usa imagens de satélite nesse mapeamento.
É nesse sentido que a ferramenta LLP-Co (learning from label proportions with prototypical contrastive clustering) organiza grandes conjuntos de dados capturados por drones e satélites, que conseguem sobrevoar a floresta e coletar dados em grande escala, inclusive em áreas de cobertura vegetal mais densa. Esses dados são organizados, identificados (rotulados) e classificados pelo sistema, que tem a capacidade de aprender sozinho a partir da supervisão e validação dos pesquisadores.
As aplicações do sistema no monitoramento florestal permitem uma maior acurácia no acompanhamento do avanço do desmatamento, possibilitando uma gestão de políticas públicas mais eficaz. Além disso, a identificação e a classificação das espécies vegetais podem revelar detalhes surpreendentes da biodiversidade local, abrindo novos flancos de pesquisas voltadas para a preservação ambiental.
Internet: <https://portal.fgv.br> (com adaptações).
A classificação automática de culturas agrícolas e espécies vegetais, conforme descrita no texto 2A2-I, corresponde, do ponto de vista da mineração de dados, a uma tarefa de classificação porque
Provas
Texto 2A2-I
Imagens de satélite e inteligência artificial podem ser aplicadas para determinar os níveis de desmatamento e os detalhes da biodiversidade da Floresta Amazônica, de maneira que culturas agrícolas sejam automaticamente classificadas por um sistema de aprendizado de máquina que usa imagens de satélite nesse mapeamento.
É nesse sentido que a ferramenta LLP-Co (learning from label proportions with prototypical contrastive clustering) organiza grandes conjuntos de dados capturados por drones e satélites, que conseguem sobrevoar a floresta e coletar dados em grande escala, inclusive em áreas de cobertura vegetal mais densa. Esses dados são organizados, identificados (rotulados) e classificados pelo sistema, que tem a capacidade de aprender sozinho a partir da supervisão e validação dos pesquisadores.
As aplicações do sistema no monitoramento florestal permitem uma maior acurácia no acompanhamento do avanço do desmatamento, possibilitando uma gestão de políticas públicas mais eficaz. Além disso, a identificação e a classificação das espécies vegetais podem revelar detalhes surpreendentes da biodiversidade local, abrindo novos flancos de pesquisas voltadas para a preservação ambiental.
Internet: <https://portal.fgv.br> (com adaptações).
O sistema LLP-Co, descrito no texto 2A2-I, enquadra-se, segundo a literatura especializada, no conceito de sistema de aprendizado de máquina, porque sua característica central consiste em
Provas
Caderno Container