Julgue os próximos itens, relativos às MLOps, à interpretabilidade de modelos e ao viés algorítmico.

Modelos altamente interpretáveis, como árvores de decisão simples, tendem a apresentar menor transparência em comparação a modelos complexos, como redes neurais profundas.

Julgue os próximos itens, relativos às MLOps, à interpretabilidade de modelos e ao viés algorítmico.

Em pipelines de MLOps, a automação de testes, de monitoramento e de re-treinamento contínuo contribui para a confiabilidade e para a escalabilidade dos sistemas de ML.

Em algoritmos de aprendizado de máquina, a validação cruzada (cross-validation) é utilizada para aumentar o conjunto de treinamento ao duplicar os dados disponíveis, elevando assim a capacidade de generalização do modelo.

Redes neurais profundas diferenciam-se das redes neurais rasas principalmente pela presença de múltiplas camadas ocultas, permitindo maior capacidade de representação.

Em modelos de deep learning, o overfitting ocorre quando o modelo possui baixa capacidade de representação, sendo raro em redes neurais profundas com muitos parâmetros.

Modelos de IA generativa, como os baseados em arquiteturas transformer, são capazes de produzir novos dados a partir de padrões aprendidos durante o treinamento.

Na metodologia CRISP-DM, a preparação dos dados serve para limpá-los, tratando valores ausentes, outliers e inconsistências.

Em mineração de dados, dado ruidoso é aquele cujo valor está fora do domínio do atributo.

O k-means é um algoritmo iterativo de agrupamento baseado em centroides, isto é, ele divide um conjunto de dados em grupos semelhantes com base na distância entre seus centroides.

No contexto de regras de associação, o conceito de confiança refere-se à expectativa de que um dado, grupo ou banco de dados atue da maneira esperada em dada situação.