Julgue os itens subsequentes, relativos à teoria da informação e a banco de dados.

A mineração de dados é uma técnica em que se utilizam exclusivamente algoritmos de aprendizado supervisionado para a identificação de padrões em grandes volumes de dados; no contexto de Big Data, a premissa principal é a utilização de bancos de dados relacionais tradicionais, que são suficientes para o enfrentamento dos desafios de volume, variedade e velocidade característicos desse ambiente.

Considere que um algoritmo de árvore de decisão utilize entropia como medida de impureza para realizar as divisões dos dados em diferentes nós da árvore. Considere ainda que a entropia seja máxima quando a distribuição das classes é perfeitamente equilibrada e mínima quando todos os exemplos pertencem a uma única classe. Nesse caso, em uma partição contendo 100 exemplos classificados em três categorias A, B e C, a entropia da partição é maior no cenário em que há 33 exemplos de cada classe do que no cenário em que há 90 exemplos da classe A, 5 da classe B e 5 da classe C, mesmo que o número total de exemplos na partição seja o mesmo em ambos os casos.

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

Em geral, projetos de Big Data caracterizam-se por cinco diferentes atributos: valor, variedade, velocidade, veracidade e volume.

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).