Acerca de sensores, de processamento de imagens e de aprendizado de máquina, julgue os próximos itens.

A utilização de câmeras estéreo permite a estimativa de profundidade por meio do cálculo de disparidade entre as imagens capturadas por dois sensores.

A operação de convolução nas CNN envolve a aplicação de filtros (kernels) sobre blocos da matriz de pixels de uma imagem de entrada. Cada filtro gera um mapa de características ao realizar operações que capturam padrões locais específicos, como bordas e texturas. Esse processo resulta em uma transformação que não preserva necessariamente a posição espacial das informações relevantes da imagem, mas é fundamental para a redução da dimensionalidade dos dados.

Acerca de sensores, de processamento de imagens e de aprendizado de máquina, julgue os próximos itens.

Em ambientes externos, sensores ultrassônicos possuem melhor precisão de medição de profundidade que sensores LiDAR.

Com relação a processos de banco de dados ETL (extração, transformação e carga), julgue os itens subsequentes.

Na modelagem de data warehouses, a abordagem top-down torna o processo ETL mais flexível e adaptável a mudanças nos requisitos de negócio, enquanto a abordagem bottom-up exige um ETL rígido e pouco adaptável a novas necessidades.

Acerca de inteligência artificial e machine learning, julgue os itens que se seguem.

Para avaliar o desempenho de um classificador em problemas de classificação com classes significativamente desbalanceadas, a métrica acurácia é a mais adequada, pois considera a proporção de previsões corretas em relação ao total de amostras.

import numpy as np
import rasterio
def calcular_ndvi(arquivo_nir, arquivo_red, saida_ndvi):
  with rasterio.open(arquivo_nir) as nir_src:
    nir = nir_src.read(1).astype('float32')
    perfil = nir_src.profile
  with rasterio.open(arquivo_red) as red_src:
    red = red_src.read(1).astype('float32')
  ndvi = (nir - red) / (nir + red + 1e-10)
  perfil.update(dtype=rasterio.float32, count=1)
  with rasterio.open(saida_ndvi, 'w', **perfil) as dst:
    dst.write(ndvi, 1)
  print(f"NDVI calculado e salvo em: {saida_ndvi}")

Ao salvar a imagem resultante, o código preserva automaticamente a escala original dos valores de NDVI, sem precisar de ajustes adicionais.

import numpy as np
import rasterio
def calcular_ndvi(arquivo_nir, arquivo_red, saida_ndvi):
  with rasterio.open(arquivo_nir) as nir_src:
    nir = nir_src.read(1).astype('float32')
    perfil = nir_src.profile
  with rasterio.open(arquivo_red) as red_src:
    red = red_src.read(1).astype('float32')
  ndvi = (nir - red) / (nir + red + 1e-10)
  perfil.update(dtype=rasterio.float32, count=1)
  with rasterio.open(saida_ndvi, 'w', **perfil) as dst:
    dst.write(ndvi, 1)
  print(f"NDVI calculado e salvo em: {saida_ndvi}")

A função calcular_ndvi recebe, como parâmetros obrigatórios, três arquivos; se um deles não for encontrado, o código gerará um erro, o que impedirá a continuidade da execução.

Acerca de técnicas utilizadas na ciência de dados, julgue os itens a seguir.

O algoritmo Naive Bayes é inadequado para, por exemplo, a análise de dados de produção agrícola na previsão da qualidade de grãos de café, pois exige uma independência completa entre variáveis como pH do solo, umidade e temperatura, e não apresenta bons resultados quando essas variáveis são correlacionadas.

Em um sistema de rastreabilidade alimentar que utilize dados de GPS e imagens de satélite, a interpolação espacial pode ser aplicada para estimar a localização exata de um lote de produtos entre dois pontos conhecidos, garantindo a precisão do rastreamento em tempo real, sem a necessidade de sensores contínuos ao longo da rota.

A seleção de atributos em um modelo preditivo pode reduzir o over fitting e, ao mesmo tempo, garantir menor variância sem impactar o viés, desde que os atributos removidos não sejam altamente correlacionados com a variável resposta.