Muitos cenários de análise de dados envolvem conjuntos sem rótulos disponíveis, como é comum em agrupamentos de clientes, detecção de padrões anômalos ou redução de dimensionalidade. Nesses casos, técnicas de aprendizado não supervisionado são essenciais para extrair conhecimento oculto nos dados.
Com relação ao aprendizado não supervisionado em Machine Learning, assinale a afirmativa correta.

Em um contrato de auditoria automatizada, um órgão de controle utiliza técnicas de machine learning para identificar padrões de comportamento atípicos em diárias e passagens. Os dados não estão rotulados e a ideia é descobrir grupos de registros similares e desvios sem conhecimento prévio.
A técnica mais adequada para esse tipo de análise denomina-se:

Com o avanço do deep learning, redes neurais profundas e grandes modelos de linguagem (LLMs) vêm sendo amplamente utilizados em aplicações como tradução automática, geração de texto, reconhecimento de imagens e assistentes virtuais.
A respeito de redes neurais profundas, deep learning e grandes modelos de linguagem (LLMs), assinale a afirmativa correta.

No âmbito jurídico, é possível deparar-se com situações em que é necessário identificar decisões judiciais com valores indenizatórios atípicos, sem dispor de um banco de dados pré-classificado como "normal" ou "anômalo".
Para alertar sobre esses casos, sem empregar dados históricos rotulados, a técnica de machine learning mais adequada é:

Uma forma de garantir que um modelo de linguagem revise cláusulas de confidencialidade em contratos com alta precisão é fornecer exemplos concretos de cláusulas corretas e incorretas, para que o modelo aprenda o padrão desejado antes de analisar novas cláusulas.
A técnica de Engenharia de Prompt que descreve corretamente esse processo é chamada:

Considere o seguinte trecho de código Python utilizado por um analista de dados em um projeto de análise de churn de clientes:

---
import pandas as pd
import numpy as np
df = pd.read_csv("clientes.csv")
df["tempo_contrato"].fillna(df["tempo_contrato"].median(),
inplace=True)
df["idade_faixa"] = pd.cut(df["idade"], bins=[0, 25, 40, 60, np.inf],
labels=["Jovem", "Adulto", "Meia-idade", "Idoso"])
df["score_normalizado"] = (df["score_credito"] -
df["score_credito"].mean()) / df["score_credito"].std()
df_churn = df[df["churn"] ==
1].groupby("idade_faixa")["tempo_contrato"].mean()
---

Com base no código acima, e nos conceitos de Pandas e análise de dados, é correto afirmar que:

No campo da inteligência artificial, os agentes desempenham papel central como entidades capazes de perceber o ambiente, tomar decisões e agir com base em metas definidas. Compreender sua estrutura e tipos é fundamental para o desenvolvimento de sistemas inteligentes.
Assinale a afirmativa que descreve corretamente uma característica de agentes de inteligência artificial.

Redes neurais profundas revolucionaram áreas como reconhecimento de fala, visão computacional e processamento de linguagem natural, ao permitir a modelagem de padrões complexos por meio de múltiplas camadas ocultas.
A respeito das redes neurais profundas, assinale a afirmativa correta.

Em aplicações modernas de ciência de dados, como reconhecimento de padrões e previsão de comportamento, o aprendizado supervisionado tem se destacado por utilizar conjuntos de dados rotulados para treinar modelos capazes de generalizar para novos exemplos.
Assinale a afirmativa que descreve corretamente uma característica fundamental do aprendizado supervisionado em Machine Learning.

Uma instituição financeira deseja implementar um sistema de detecção automática de fraudes em transações bancárias, com base em registros históricos rotulados como fraude e transação legítima. O objetivo é classificar novas transações em tempo real. A técnica de aprendizado de máquina supervisionado mais indicada para esse cenário é: