Julgue o próximo item, acerca de soluções de suporte à decisão.

A tabela de fatos de um modelo dimensional descreve as dimensões com sua semântica e a finalidade dos fatos analisados.

Julgue o item a seguir, referentes a Python.

Na execução do código a seguir, a tentativa de criar a coluna status em df_aprovados não será bem-sucedida devido à ocorrência de SettingWithCopyWarning, pois df_aprovados é uma fatia do data frame original.

import pandas as pd
dados = {'aluno': ['Amanda', 'Bruno', 'Carla', 'Daniel'],
         'idade': [20, 22, 19, 24],
         'nota_final': [7.5, 8.0, 6.0, 9.0]}
df = pd.DataFrame(dados)
df_aprovados = df[df['nota_final'] >= 7]
df_aprovados['status'] = 'Aprovado'

Hadoop é um framework de código aberto baseado em um modelo distribuído que permite o processamento e o armazenamento de grandes volumes de dados de maneira escalável. Dentro desse framework, uma das principais abordagens para o processamento de dados envolve a divisão do processamento em duas etapas: na primeira, os dados são divididos em pequenos blocos e distribuídos para os nós do cluster; na segunda, os dados processados são agregados. Diante de tal informação, assinale a alternativa que apresenta uma das partes do Hadoop que implementa esse modelo de processamento de dados.

O Processamento de Linguagem Natural (PLN) é uma subárea da inteligência artificial (IA) que foca na interação entre computadores e a linguagem humana. O PLN visa permitir que as máquinas compreendam, interpretem e gerem linguagem humana de maneira que seja útil em diversas aplicações, como chatbots, análise de sentimentos, tradutores automáticos, entre outros. Dentro do contexto de PLN, diversas técnicas são utilizadas para melhorar a compreensão e manipulação das palavras.

Considerando tais informações, assinale a alternativa que apresenta a técnica de PLN que reduz palavras à sua forma básica ou dicionária, considerando o contexto e a gramática.

O analista de tecnologia da informação da PARANAPREVIDÊNCIA está envolvido em um projeto de análise de grandes volumes de dados, visando identificar padrões e agrupar dados semelhantes. O objetivo é aplicar técnicas de clusterização, que permitem agrupar os dados de forma automática, sem a necessidade de rótulos predefinidos. Essas análises têm como intuito gerar insights valiosos para otimizar os serviços oferecidos pela instituição e, para isso, o analista deve selecionar os algoritmos adequados para a tarefa de clusterização.

Considerando tais informações, assinale a alternativa que apresenta corretamente dois algoritmos de clusterização que o analista pode utilizar para realizar essa tarefa.

Os tipos de aprendizado de máquina são categorias que definem como os algoritmos processam e aprendem a partir de dados com a finalidade de realizar tarefas específicas. Eles variam de acordo com o nível de supervisão e a estrutura dos dados disponíveis. Em relação aos tipos de aprendizado de máquina e suas técnicas, 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, os modelos são treinados utilizando dados previamente rotulados, ou seja, entradas que estão associadas às respectivas saídas esperadas.

( ) No aprendizado não supervisionado, os modelos analisam dados sem a necessidade de rótulos pré-definidos, identificando padrões ou agrupamentos existentes nos dados de forma autônoma.

( ) No aprendizado por reforço, os modelos adquirem conhecimento por meio da interação com um ambiente, recebendo recompensas ou penalidades com base nas ações realizadas. O objetivo é maximizar a recompensa acumulada ao longo do tempo.

( ) A análise de associação é um exemplo de aprendizado não supervisionado, enquanto a classificação é um exemplo de aprendizado supervisionado.