Acerca de segurança da informação, bancos de dados e aprendizado de máquina, julgue os próximos itens.

A técnica de clustering em data mining atribui categorias aos grupos de dados para facilitar a análise e a tomada de decisão.

Um instituto de pesquisa governamental está desenvolvendo um sistema inteligente para análise de dados sobre cursos de capacitação de servidores públicos. O objetivo é otimizar a oferta de cursos com base nos padrões de participação e desempenho dos servidores. Durante a fase de definição do modelo de aprendizado de máquina, a equipe propôs duas tarefas:

Tarefa A: prever se um servidor concluirá o curso com sucesso com base em variáveis como frequência, tipo de curso e cargo;

Tarefa B: identificar grupos com padrões semelhantes de participação, sem informações prévias sobre desempenho.

Com base nesse contexto, assinale a alternativa que caracteriza corretamente os tipos de modelos aplicáveis a cada tarefa.

O IFMS está realizando uma análise de dados para melhorar a experiência de aprendizado dos alunos no curso de Desenvolvimento Web. O objetivo da análise é identificar diferentes grupos de alunos com base no comportamento de interação com o conteúdo do curso e no desempenho nas avaliações. Essa segmentação visa personalizar as abordagens de ensino, como estratégias de recuperação de aprendizado e adaptação de conteúdo. A equipe de TI (Tecnologia da Informação), composta pelo analista de informática do IFMS, utiliza técnicas de mineração de dados para encontrar padrões e agrupamentos nos dados dos alunos. Nesse sentido, o analista precisa escolher um algoritmo de clusterização para agrupar os alunos em segmentos, levando em consideração variáveis como tempo de acesso, desempenho em atividades, participação em fóruns e engajamento com o material didático. Diante das seguintes opções, assinale a alternativa que apresenta corretamente um algoritmo de clusterização que pode ser utilizado para agrupar os alunos de acordo com as variáveis analisadas.

O aprendizado de máquina aplicado à mineração de dados possibilita a extração de conhecimento útil a partir de grandes volumes de informações, automatizando a identificação de padrões e tendências. Ele é empregado para prever comportamentos, classificar dados e detectar anomalias em diferentes contextos. Entre as abordagens utilizadas nesse processo, destacam-se o aprendizado supervisionado, o aprendizado não supervisionado e o aprendizado por reforço, cada um adequado a diferentes tipos de problemas e conjuntos de dados. Em relação às abordagens mencionadas, informe se é verdadeiro (V) ou falso (F) o que se afirma a seguir e assinale a alternativa com a sequência correta.

( ) No aprendizado supervisionado, o modelo aprende com um conjunto de dados não rotulados (exemplo: previsão de vendas).

( ) No aprendizado não supervisionado, o modelo encontra padrões em dados rotulados (exemplo: segmentação de clientes).

( ) No aprendizado por reforço, o modelo aprende através de interações com o ambiente e feedback sobre as ações (exemplo: algoritmos de recomendação).

Um tribunal gera relatórios em Python 3.x usando pandas para calcular a média de tempo de tramitação por juiz. Nesse contexto, considere o código abaixo.

import pandas as pd
dados = {
    "juiz": ["Maria", "João", "Maria", "Carlos", "João"],
    "tempo_tramitacao": [120, 150, 100, 200, 130]
}
df = pd.DataFrame(dados)
def calcular_media_por_juiz(df):
    return df.groupby("juiz")["tempo_tramitacao"].__I__().to_dict()
media_por_juiz = calcular_media_por_juiz(df)
print(media_por_juiz)

Completa corretamente a lacuna I o método