Aula 13 - Prof.

Diego
Carvalho e Emannuelle
Gouveia
Concursos da Área Fiscal - Curso
Completo de Tecnologia da Informação

Autor:
Diego Carvalho, Equipe
Informática e TI, Paolla Ramos

08 de Outubro de 2025

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Índice
1) Machine Learning - Teoria
..............................................................................................................................................................................................3

2) Machine Learning - Resumo

..............................................................................................................................................................................................
127

3) Machine Learning - Questões Comentadas

..............................................................................................................................................................................................
146

4) Machine Learning - Lista de Questões

..............................................................................................................................................................................................
264

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 2

[Link] 310

61542958393 - Victor Brunos Soares de Souza

Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 3

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

APRESENTAÇÃO
Seus lindos, a aula de hoje é sobre Machine Learning! Eu não vou mentir para vocês: essa é uma das
aulas mais difíceis que eu já fiz nada vida. E olha que eu já dou aula há quase 10 anos e já escrevi
mais de 12.000 páginas sobre os mais diversos assuntos relacionados à tecnologia da informação.
Aqui veremos o estado da arte da tecnologia atual, que se mistura bastante com matemática e
estatística, mas juro que tentei facilitar ao máximo a vida de vocês. Legal? Fechou...

PROFESSOR DIEGO CARVALHO - [Link]/professordiegocarvalho

Galera, todos os tópicos da aula possuem Faixas de Relevância, que indicam se o assunto cai
muito ou pouco em prova. Diego, se cai pouco para que colocar em aula? Cair pouco não significa
que não cairá justamente na sua prova! A ideia aqui é: se você está com pouco tempo e precisa ver
somente aquilo que cai mais, você pode filtrar pelas relevâncias média, alta e altíssima; se você tem
tempo sobrando e quer ver tudo, vejam também as relevâncias baixas e baixíssimas. Fechado?

RELEVÂNCIA EM PROVA: baixíssima

RELEVÂNCIA EM PROVA: baixa
RELEVÂNCIA EM PROVA: média
RELEVÂNCIA EM PROVA: ALTA
RELEVÂNCIA EM PROVA: Altíssima

Além disso, essas faixas não são por banca – é baseado tanto na quantidade de vezes que caiu em
prova independentemente da banca e também em minhas avaliações sobre cada assunto...

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 4

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

MACHINE LEARNING
Contextualização Inicial
RELEVÂNCIA EM PROVA: Altíssima

Vamos começar falando sobre Inteligência Artificial (IA)! Nós – humanos – decidimos denominar
a nossa própria espécie como Homo Sapiens (Homem Sábio). Vocês sabem o porquê? Porque nós
consideramos que a nossa inteligência é o que nos diferencia de outros animais. Aliás, a inteligência
sempre foi motivo de grande curiosidade em nossa espécie. Durante milhares de anos, nós
procuramos entender como funcionava o pensamento e a inteligência humana.

De fato, esse é um tópico muito intrigante! Vocês já pararam para pensar como um mero punhado de
matéria orgânica pode perceber, compreender, prever e manipular um mundo muito maior e mais
complicado que ela própria? Pois é! Após a segunda guerra mundial, esse estudo se intensificou com
o surgimento do campo de inteligência artificial, que buscava não apenas compreender, mas
também construir coisas inteligentes.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 5

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Seu estudo começou após o fim da 2ª guerra mundial por meio do genial Alan Turing (sim, aquele
encenado no filmaço The Imitation Game), que estava fascinado com a ideia de que um computador
poderia eventualmente se tornar inteligente. Professor, um computador não é inteligente? Não,
longe disso! Albert Einstein dizia que computadores são incrivelmente rápidos, precisos e burros!
Quando era criança, eu achava que bastava falar para o computador fazer algo que ele faria...

Ora, não é bem assim! Ele não faz absolutamente nada se alguém não o programar detalhadamente
sobre o que ele deve que fazer. Cada coisinha que você vê em um computador/smartphone, alguém
teve que criar para o computador tão somente processar. Por que, Diego? Porque computadores são
ótimos em processar dados de maneira absurdamente rápida, mas tudo que ele faz, alguém teve
que programá-lo para fazer!

Alan Turing não parava de se perguntar como as gerações futuras iriam saber se um computador
havia adquirido inteligência ou não. Ele, então, propôs um teste projetado para fornecer uma
definição satisfatória sobre a inteligência de um computador. Ele dizia que um computador passaria
em um teste de inteligência se um interrogador humano fizesse um conjunto de perguntas por
escrito e as passasse para um computador e para um humano responder.

Ambos responderiam as perguntas também por escrito e repassariam de volta para o interrogador.
Se ele não conseguisse distinguir se as respostas escritas vinham de uma pessoa ou de um
computador, poderíamos dizer que o computador adquiriu inteligência. Trazendo para os dias
atuais, acho que todos vocês já tiveram que tratar com chatbots (robôs de chat). Aliás, o próprio
Estratégia Concursos tem o seu...

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 6

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Se esse teste ocorresse nos dias atuais, poderíamos dizer que finalmente chegamos à era dos
computadores inteligentes quando tentássemos resolver algum problema ou tirar alguma dúvida
via chatbot e não conseguíssemos mais diferenciar se estamos falando com um robô ou com um
humano. Legal, né? Ainda estamos bem longe disso visto que os chatbots podem ser bem irritantes
e, por vezes, não resolverem nossos problemas!

Galera, o termo “inteligência artificial”

foi utilizado pela primeira vez em 1956
por um pesquisador americano
chamado John McCarthy! De acordo
com ele, a inteligência artificial se refere
à ciência e à engenharia de construir
máquinas inteligentes. Simples, não?
Outra definição um pouco mais extensa
afirma que a inteligência artificial é o
campo da ciência da computação que
lida com a simulação de
comportamento inteligente em
computadores. Na imagem ao lado,
podemos ver diversas aplicações
práticas da inteligência artificial.

Já a imagem abaixo apresenta diversos subcampos da inteligência artificial, tais como:

processamento de linguagem natural, redes neurais e aprendizado de máquina.

Agora chegamos no tema principal dessa aula: Machine Learning. Note que se trata de apenas um
dos diversos subcampos da inteligência artificial. Vamos ver um pouquinho do histórico...

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 7

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

A inteligência artificial surgiu em meados da década de 1950; o aprendizado de máquina começa a

ser estudado no início da década e 1980; e a última década foi marcada pelo aprendizado profundo.
E como eles se diferenciam? Ora, a inteligência artificial trata de programas que podem sentir,
raciocinar, agir e se adaptar a fim de imitar a inteligência humana por meio de diversas técnicas –
sendo o aprendizado de máquina uma delas.

Já o aprendizado de máquina trata de algoritmos cujo desempenho melhoram à medida que eles
são expostos a mais dados no decorrer do tempo. Por fim, o aprendizado profundo é um
subconjunto do aprendizado de máquina em que um software é capaz de treinar a si mesmo para
executar diversas tarefas por meio da utilização de redes neurais para aprender algo a partir de uma
quantidade massiva de dados. O foco dessa aula é especificamente Aprendizado de Máquina!

O Aprendizado de Máquina (Machine Learning) é a ciência e a arte de programar computadores para

que eles possam aprender com os dados. Uma definição um pouco mais formal diria que se trata do
campo de estudo que dá aos computadores a capacidade de aprender sem ser explicitamente
programado. Eu gosto mais dessa segunda definição porque ela traz uma comparação entre
algoritmo de programação tradicional e algoritmo de aprendizado de máquina.

O que é a programação tradicional? Trata-se do processo manual de escrever um conjunto de regras

em uma sequência de passos – também chamado de algoritmo – utilizando uma linguagem de
programação para que o computador as execute sobre um conjunto de dados de entrada a fim de
produzir um conjunto de resultados de saída. Imaginem um software que recebe um conjunto de
nomes de alunos e suas respectivas notas em uma prova e retorna um ranking de notas.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 8

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Os dados de entrada são nome/nota dos alunos; as regras são escritas por um programador capaz
de entender o problema e decompô-lo em passos que um computador entenda utilizando uma
linguagem de programação; e o resultado será o ranking de notas. Simples, não? Ocorre que, para
alguns casos, essa abordagem apresenta diversos problemas. Imaginem um software que recebe
uma imagem de entrada qualquer e identifica se há um gato nela ou não. É bem complexo...

Humanos conseguem fazer isso em frações de segundos, mas uma máquina teria bem mais
dificuldades. Utilizando a programação tradicional, teríamos diversos gargalos: em primeiro lugar,
seria necessário ter um ou mais programadores; em segundo lugar, não basta que ele entenda de
programação, ele também deve entender do problema e sugerir uma maneira de resolvê-lo. Ora,
criar um conjunto de passos para identificar um gato em uma imagem não é uma tarefa simples...

Uma forma de tentar resolver esse problema é por meio do aprendizado de máquina. Ocorre que
ele funciona de uma maneira praticamente inversa à programação tradicional. Nós continuamos
entrando com dados, mas – em vez de um programador criar manualmente as regras – são inseridos
exemplos de resultados passados. Já a saída de um algoritmo de aprendizado de máquina são
justamente as regras. Note que as entidades mudaram de lugar...

No caso do software identificador de gatos, nós

continuaríamos inserindo imagens de entrada
quaisquer, mas também seriam inseridos
diversos exemplos de resultados (isto é,
imagens que efetivamente contêm gatos). A
saída do algoritmo de aprendizado de máquina
seria capaz, por si só, de realizar um
mapeamento estatístico entre os dados de
entrada e os exemplos de resultados esperados
a fim descobrir se há ou não um gato em uma
imagem. Em vez de um programador dizer
quais são as regras, quem diz é o algoritmo! Diz
se não é genial...

Em outras palavras, o algoritmo de aprendizado de máquina consegue extrair regras de

identificação de gatos por meio de padrões estatísticos comuns entre os dados de entrada e os
resultados esperados. Professor, isso significa que o algoritmo de aprendizado de máquina retornará

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 9

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

um código-fonte? Não, pessoal... são regras estatísticas na forma de um modelo matemático –

composto de diversas funções e parâmetros – capaz de identificar padrões a partir de exemplos.

Vocês notaram que as áreas de tecnologia de informação estatística começaram a despencar em

concurso público recentemente? Pois é, esse é um dos grandes motivos – existe um relacionamento
íntimo entre essas áreas no contexto de aprendizado de máquina. Voltando: quanto mais exemplos
de resultados você oferece, mais o algoritmo é treinado, mais regras são aprendidas e mais ajustado
se torna o modelo. Essa etapa do processo de aprendizado de máquina é chamada de Treinamento.

Trata-se de uma etapa custosa porque idealmente nós temos que inserir quantidades massivas de
exemplos de resultados para que o modelo fique o mais ajustado possível. Após essa fase, nós
temos a etapa de Inferência, que é bem menos custosa. Ela ocorre quando utilizamos uma
programação bem próxima à programação tradicional com regras aprendidas na etapa anterior e
novos dados para gerar inferir resultados.

O cientista de dados será responsável pela etapa de treinamento a fim de gerar regras aprendidas
e outros softwares as utilizam como entrada e com novos dados para processar e gerar novos
resultados. Vocês se lembram do exemplo do gato? Após o cientista de dados treinar o algoritmos e
chegar a um conjunto de regras (modelo), outros softwares podem utilizar esse modelo na
programação clássica para inferir se uma imagem possui ou não um gato.

É claaaaaro que nem tudo é perfeito! Lembra da estatística? Pois é, a inferência é probabilística e,
não, determinística. Isso significa que ela identificará uma alta ou uma baixa probabilidade de ter
um gato em uma imagem – ela não vai cravar que existe ou não um gato em uma imagem. Querem
um exemplo? As quatro imagens a seguir possuem um gato! Ora, se nós temos dificuldades,
imaginem uma máquina...

Veja que a máquina não funciona tão diferente dos humanos: nós só sabemos o que é um gato
porque já vimos vários exemplos de gatos e de não-gatos. Dessa forma, nosso cérebro consegue
abstrair e generalizar o que seria um gato. Agora se fizéssemos esse experimento quando nós
fôssemos bem pequenos, nós provavelmente não saberíamos diferenciar porque ainda não fomos
bem treinados com vários exemplos e não-exemplos. Querem ver uma prova?

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 10

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Tentem identificar qualquer objeto na imagem ao lago.

Alguém conseguiu identificar qualquer coisa? Não! Por
que, professor? Porque essa imagem foi criada
especificamente para confundir nosso cérebro. Vejam
que ele fica doidinho tentando identificar qualquer
coisa, mas ele não teve um treinamento anterior com
objetos semelhantes para fazer a comparação. Nós só
conseguimos identificar algo porque fazemos uma
comparação mental. A máquina começa desse jeito
também, mas depois de ser treinada com exemplos e
não-exemplos, ela consegue identificar novos objetos.
Experimentem mostrar uma fita cassete para uma
criança bem pequena hoje em dia. Ela provavelmente
nunca viu uma, logo não conseguirá identificar...

Vocês viram a grande utilidade do aprendizado de máquina? Em algumas situações, é extremamente

difícil criar regras. Se fôssemos criar um algoritmo utilizando apenas a programação tradicional

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 11

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

para identificar gatos em uma imagem, provavelmente teríamos que contratar zoólogos/biólogos
– além dos programadores. O aprendizado de máquina supre esse gargalo, não sendo necessária a
atuação de zoólogos/biológicos – a máquina aprenderá apenas por meio de dados de treinamento.

Por fim, vamos falar um pouquinho sobre o vocabulário utilizado no contexto de aprendizado de
máquina que veremos intensamente na aula a partir das próximas páginas. É importante para que
vocês tenham uma base de conhecimento sobre o assunto, mas infelizmente (ou não) as questões
de prova costumam intercambiar esses termos. Logo, eu coloquei mais para vocês terem uma
noção, mas não sejam rigorosos na hora da prova. Fechado?

TERMO DESCRIÇÃO
Definição genérica daquilo que se deseja produzir como resultado do modelo preditivo. Ex:
TAREFA classificar um documento em três possíveis categorias ou prever o valor de determinada medida.

Conjunto de procedimentos que permite melhorar resultados preditivos. Ex: regularização é uma
TÉCNICA técnica para prevenir o overfitting; hold-out é uma técnica de separação de dados para medir o
desempenho em generalização de um modelo.
Fórmula no sentido lato, que permite relacionar as variáveis independentes para prever a variável
ALGORITMO dependente. Quando aplicamos (ou treinamos) um algoritmo, temos um modelo treinado.
Exemplo: Regressão Linear ou Árvores de Decisão.
MODELO Objeto computacional que efetivamente transforma uma observação (variáveis independentes)
em uma previsão utilizando um algoritmo específico, instanciado e treinado.
(treinado)

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 12

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Responsible AI
RELEVÂNCIA EM PROVA: baixíssima

Responsible AI (Inteligência Artificial Responsável) é uma abordagem para o desenvolvimento e uso

de sistemas de Inteligência Artificial (IA) que levam em consideração os impactos éticos, sociais e
ambientais que eles podem ter. O objetivo é garantir que os sistemas de IA sejam desenvolvidos e
utilizados de forma justa, transparente, confiável e segura, minimizando o risco de prejuízos ou
discriminação para indivíduos ou grupos. Os objetivos da Responsible AI incluem:

OBJETIVOS DO RESPONSIBLE AI
Garantir que os sistemas de IA sejam desenvolvidos e utilizados de forma ética e legalmente responsável,
respeitando os direitos e privacidade das pessoas e minimizando os impactos negativos sobre a sociedade.
Promover a transparência e explicabilidade das decisões tomadas por sistemas de IA, permitindo que as pessoas
entendam como as decisões foram tomadas e possam contestá-las se necessário.
Promover a equidade e inclusão, considerando aspectos sociais e garantindo que os sistemas de IA não
discriminem ou prejudiquem grupos ou indivíduos e promovam a diversidade e a inclusão na IA.
Garantir a segurança e confiabilidade dos sistemas de IA, minimizando o risco de prejuízos para as pessoas ou a
sociedade em geral.

É importante diferenciar IA Responsável de IA Explicável. A IA Responsável envolve garantir que

a IA seja desenvolvida e implementada de forma ética e legalmente responsável – ela leva em
consideração o ciclo de vida da IA, desde a concepção até a desativação, e sua responsabilidade
ética em cada fase. Já a IA Explicável refere-se à capacidade de explicar como uma decisão foi
tomada pelo modelo de IA, permitindo que os usuários entendam o processo de tomada de decisão.

Uma IA pode ser responsável, mas ainda ser opaca e não explicável, tornando difícil para os usuários
entenderem como as decisões são tomadas.

Princípios e Práticas

A Inteligência Artificial Responsável é um conceito muito recente, logo não existe uma
consolidação acadêmica sobre seus principais princípios e práticas. Logo, eu compilei alguns
princípios e práticas listados por diversas organizações como a UNESCO, OECD, IEEE, Microsoft,
Google, European Commission, entre outros. Esse assunto já começou a cair em prova e acredito
que se tornará cada vez mais comum:

Transparência

A transparência é requisito fundamental para nortear o desenvolvimento de aplicações de IA.

Tais aplicações podem, por exemplo, ser utilizadas para informar decisões por parte de um banco
sobre quais pessoas devem receber empréstimos com juros menores (e quais não devem). Isso traz
impactos práticos na vida das pessoas e, portanto, é justificável que elas queiram compreender
quais foram os critérios utilizados, ou como estas decisões foram tomadas.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 13

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Naturalmente será mais difícil para as pessoas confiarem em algoritmos se eles funcionarem como
“caixas-pretas” que fazem recomendações que elas não conseguem compreender como foram
feitas ou que parecem contrariar o senso comum. Vale ressaltar que em muitos cenários os
profissionais de diversos domínios terão que confiar nos algoritmos acima de suas próprias
intuições, como o piloto de avião que precisa poder confiar no piloto automático.

Uma boa prática de transparência é que além de simplesmente tornar a aplicação disponível para
uso, o responsável por seu desenvolvimento disponibilize também informações sobre as
capacidades, funcionalidades e limitações da solução. Os dados, o sistema e os modelos de
negócios de IA devem ser transparentes e os mecanismos de rastreabilidade podem ajudar a
alcançar isso.

Além disso, os sistemas de IA e as suas decisões devem ser explicados de uma forma adaptada às
partes interessadas em causa – seres humanos precisam saber que estão interagindo com uma IA.

Explicabilidade/Interpretabilidade

A Explicabilidade se refere à capacidade de um sistema de IA explicar como e por que chegou a

uma determinada decisão ou conclusão. Quando uma IA é capaz de explicar suas decisões, os
usuários humanos podem entender melhor como a IA está tomando decisões e avaliar se essas
decisões são justas, confiáveis e éticas. Além disso, a explicabilidade também pode ajudar a
identificar erros ou vieses na tomada de decisão da IA, permitindo que sejam corrigidos.

Existem diferentes técnicas para aumentar a explicabilidade de sistemas de inteligência artificial,

tais como a criação de modelos de interpretabilidade, a implementação de transparência nas
etapas de treinamento e a utilização de técnicas de interpretação de modelos. O objetivo é tornar
o processo de tomada de decisão da IA mais transparente e compreensível para os usuários
humanos.

A explicabilidade é especialmente importante em áreas onde as decisões da IA têm implicações

significativas para os indivíduos, como em questões de justiça criminal, crédito e saúde. A falta de
explicabilidade nessas áreas pode levar a decisões injustas ou discriminatórias e pode minar a
confiança nas tecnologias de IA. Por isso, a explicabilidade é considerada uma parte fundamental
da Responsabilidade AI. E a interpretabilidade? Bem, muitos artigos consideram como sinônimos!

No entanto, existe o entendimento de que a interpretabilidade tem relação com a facilidade de se

estabelecer uma relação de causa e efeito nas predições, ou seja, a capacidade de predizer o que
vai acontecer em função dos dados e parâmetros fornecidos como entradas. Já a explicabilidade
pode denotar a medida em que o funcionamento do modelo em si pode ser explicado para
pessoas não especialistas, ou ao menos as previsões geradas pelo modelo podem ser explicadas.

Uma dificuldade com a transparência das soluções de inteligência artificial que utilizam
aprendizado de máquina é que os algoritmos utilizados por essas aplicações são desenvolvidos

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 14

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

visando-se a performance funcional. Isso leva à adoção de funções matemáticas que são
otimizadas para fornecer a melhor resposta possível para a questão formulada (Por exemplo:
reconhecer objetos em imagens ou classificar textos).

Essa otimização é obtida através de um ajuste fino de parâmetros, em um processo que na maior
parte dos casos não fornece explicações sobre como tais aproximações e otimizações foram feitas.
Em certos casos – como em aplicações de aprendizado profundo que utilizam redes neurais
complexas – poderá haver um trade-off maior entre a interpretabilidade e a performance conforme
apresenta o gráfico seguinte.

Privacidade/Segurança

A privacidade se refere à proteção dos dados pessoais e sensíveis dos usuários que são
coletados e processados pelos sistemas de inteligência artificial. Nós temos que lembrar que a
privacidade se trata de um direito fundamental dos indivíduos. Dessa forma, as organizações que
desenvolvem e utilizam sistemas de IA devem garantir que os dados pessoais sejam tratados de
maneira justa, transparente e segura.

Para proteger a privacidade dos usuários, as organizações devem adotar medidas de segurança
apropriadas para proteger dados pessoais coletados e processados pelos sistemas de IA. Isso
pode incluir criptografia, controles de acesso rigorosos e adoção de práticas de segurança
cibernética robustas. Além disso, as organizações devem garantir que os usuários tenham controle
sobre seus dados pessoais e tenham a opção de optar por não compartilhar certas informações.

Isso pode incluir a implementação de recursos como a escolha de privacidade, onde os usuários
podem escolher quais dados desejam compartilhar com a IA e em que condições. Por fim, a
privacidade também envolve a transparência na coleta e uso de dados pessoais pela IA. As
organizações devem explicar claramente aos usuários como seus dados serão usados e como a
IA tomará decisões com base nesses dados.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 15

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

A segurança da informação e a privacidade devem ser levadas em conta em todo o ciclo de vida das
soluções de IA – projeto, preparação de dados, treinamento do modelo, testes e implementação,
dado que estas soluções podem ser alvo de ataques e outras ameaças. O cuidado com esses
princípios ajuda a construir confiança entre os usuários e as organizações que utilizam sistemas
de IA, promovendo a Responsible AI.

Responsabilização

O termo original é Accountability, mas esse termo não tem uma tradução precisa em português
– em geral, utiliza-se responsabilização, auditabilidade ou prestação de constas. Ela se refere à
capacidade de responsabilizar algoritmos e sistemas de inteligência artificial por suas decisões e
ações. Isso implica a transparência em relação ao processo de tomada de decisão e à explicação do
raciocínio por trás das escolhas feitas pelos modelos de IA.

A responsabilização também envolve a identificação e mitigação de possíveis vieses e

discriminação presentes nos dados de treinamento e nos algoritmos de IA, garantindo que os
sistemas sejam justos e equitativos em relação a todos os usuários. Além disso, ela inclui a
responsabilidade pelos impactos sociais e ambientais dos sistemas de IA, bem como a
implementação de medidas para minimizar esses impactos negativos.

Em suma, a accountability no contexto de Responsible AI é essencial para garantir a confiança

e a aceitação pública da tecnologia de IA e para proteger os direitos e interesses dos usuários e
da sociedade em geral. Notem que diversos princípios ou práticas se interrelacionam, possuindo
uma forte ligação um com outro e – por vezes – até se confundindo. Como ainda não temos uma
consolidação bibliográfica sobre esse tema, eventualmente ocorre algumas confusões.

Inclusividade/Diversidade

Aplicações de IA devem ser acessíveis e produzir benefícios para todos os membros da sociedade,
sem deixar de fora grupos de pessoas por conta de seu gênero, idade, etnia, origem, cultura, status
socioeconômico, capacidades físicas e mentais ou outros fatores que possam dificultar o acesso à
solução. A ideia é que desenvolvedores sigam princípios de design inclusivo para que as
aplicações de IA possam ser mais facilmente utilizadas por deficientes, idosos, minorias, etc.

Isso envolve a inclusão de perspectivas diversas nas fases de concepção, desenvolvimento e teste
de modelos de inteligência artificial, garantindo que os sistemas sejam projetados e treinados com
dados que representem a diversidade da sociedade. Quanto à acessibilidade, recomenda-se o
fornecimento de opções para interfaces de usuário alternativas (Ex: texto em áudio ou legendas em
vídeo) e treinando algoritmos para reconhecer e lidar com diferentes formas de fala e comunicação.

Além disso, a ela também se relaciona com a garantia de que os sistemas de IA não perpetuem ou
amplifiquem preconceitos e discriminações existentes na sociedade, evitando a introdução de
vieses nos dados de treinamento e nos algoritmos de IA. Em suma, a inclusividade é um elemento

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 16

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

chave da Responsible AI, pois promove a equidade e a justiça social na aplicação de tecnologias
de IA e ajuda a criar soluções mais efetivas e amplamente aceitas pela sociedade.

Justiça/Equidade

Inclusão refere-se a garantir que os sistemas de IA sejam projetados e implementados para serem
acessíveis a todos os indivíduos e comunidades, independentemente de sua etnia, gênero, idade,
deficiência, status socioeconômico ou outras características. Isso significa que os sistemas de IA
devem ser projetados com a participação de diversas partes interessadas e não devem
perpetuar ou ampliar preconceitos ou discriminações.

Por outro lado, justiça refere-se à garantia de que os sistemas de IA não discriminem indivíduos
ou grupos com base em suas características protegidas ou outros fatores. Isso significa que os
sistemas de IA devem ser projetados para evitar preconceitos e garantir que as decisões tomadas
pelo sistema sejam baseadas em dados relevantes e precisos, em vez de perpetuar ou ampliar
desigualdades existentes.

Embora inclusão e justiça estejam relacionadas, são princípios distintos: um projeto inclusivo pode
ajudar a promover a justiça ao garantir que as necessidades e perspectivas de todas as partes
interessadas sejam levadas em conta, enquanto um projeto justo pode ajudar a garantir que os
sistemas de IA sejam realmente inclusivos, evitando discriminação e promovendo tratamento
igual para todos os indivíduos e grupos.

As falhas ao atender o pressuposto da justiça ou igualdade trazem muitos desafios éticos. Como
exemplo, houve um algoritmo desenvolvido pela Amazon para ajudar o RH na contratação de novos
colaboradores que era discriminatório contra mulheres. Foi descoberto que eram rejeitados
currículos perfeitamente aceitáveis (apenas de mulheres), com base em certas características (por
exemplo, hobbies das pretendentes).

Em suma: para ajudar na diferenciação desses dois princípios, podemos dizer que a inclusão é a
entrada ou causa e a justiça é a saída ou consequência. Ao incluir uma diversidade de pessoas
diferentes (Ex: etnia, gênero, idade, deficiência, status socioeconômico, etc) durante o projeto de
um sistema de IA, podemos alcançar modelos de inteligência artificial mais justos, não
discriminatórios e não preconceituosos.

Confiabilidade e Uso Seguro

A Confiabilidade e Uso Seguro é um pressuposto fundamental para a inteligência artificial.

Aplicações devem ser robustas e confiáveis, dado que na ausência deste pressuposto as
consequências podem ser severas. Um desafio óbvio para a confiabilidade é o fato de que as
soluções de IA são passíveis de falhas, que em certos sistemas (carros autônomos, diagnósticos
médicos, armas autônomas, etc) podem ter impacto considerável.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 17

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Existem uma diferença entre confiabilidade e uso seguro: a confiabilidade refere-se à capacidade
de um sistema de IA para desempenhar consistentemente e com precisão a tarefa para a qual
foi projetado, em diferentes condições e ao longo do tempo. Isso significa que o sistema deve ser
robusto e capaz de lidar com entradas ou cenários inesperados, e seu desempenho deve ser
consistente em diferentes ambientes e contextos.

Já o uso seguro, por outro lado, refere-se à capacidade de um sistema de IA para evitar danos
ou lesões aos usuários, partes interessadas ou ao ambiente. Isso significa que o sistema deve ser
projetado para identificar e mitigar potenciais riscos, e para garantir que suas ações sejam seguras
e éticas. As considerações de segurança também devem incluir o impacto potencial do sistema em
diferentes grupos e comunidades, e o potencial de consequências não intencionais ou uso indevido.

Princípios/práticas DESCRIÇÃO
Garantir que os processos e decisões tomadas por sistemas de IA sejam compreensíveis e
facilmente acessíveis, incluindo o uso de dados, algoritmos e lógica de tomada de decisão.
Transparência Isso inclui a transparência em relação ao propósito, desempenho, limitações e riscos
associados aos sistemas de IA.

Permitir que os usuários e outras partes interessadas entendam como as decisões foram
Explicabilidade/ tomadas pelos sistemas de IA, por meio de métodos de interpretação e explicação. Isso inclui
a capacidade de explicar como os algoritmos funcionam e como as decisões são tomadas, de
interpretabilidade modo a permitir a identificação e correção de possíveis erros ou preconceitos.

Proteger a privacidade e os dados pessoais dos usuários e garantir que as informações sejam
Privacidade/ coletadas e utilizadas de forma ética e responsável. Isso inclui a proteção contra violações de
privacidade, coleta excessiva ou inadequada de dados e uso indevido ou não autorizado de
segurança informações pessoais.

Garantir que os sistemas de IA sejam projetados, implementados e utilizados de forma ética

Responsabilidade/ e responsável, e que as partes envolvidas sejam responsáveis pelas decisões e ações do
sistema. Isso inclui a responsabilização por possíveis danos ou impactos negativos causados
accountability pelo sistema e a obrigação de garantir que o sistema atenda aos padrões éticos e legais
adequados.
Garantir que os sistemas de IA sejam projetados e implementados para serem acessíveis a
Inclusividade/ todos os indivíduos e comunidades, independentemente de sua raça, etnia, gênero, idade,
deficiência, status socioeconômico ou outras características. Isso significa que os sistemas
Diversidade de IA devem ser projetados com a participação de diversas partes interessadas e não devem
perpetuar ou ampliar preconceitos ou discriminações.
Garantir que os sistemas de IA não discriminem indivíduos ou grupos com base em suas
Justiça/ características protegidas ou outros fatores, e que promovam a equidade e a igualdade de
oportunidades. Isso significa que os sistemas de IA devem tomar decisões baseadas em
equidade dados relevantes e precisos, em vez de perpetuar ou ampliar desigualdades existentes.

Garantir que os sistemas de IA sejam capazes de desempenhar consistentemente e com

Confiabilidade/ precisão a tarefa para a qual foram projetados, em diferentes condições e ao longo do
tempo. Isso significa que o sistema deve ser robusto e capaz de lidar com entradas ou
uso seguro cenários inesperados, e seu desempenho deve ser consistente em diferentes ambientes e
contextos.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 18

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Estudos de Caso

Existem vários exemplos de aplicação de Responsible AI na indústria e no setor público, mostrando

que é possível utilizar a inteligência artificial de forma ética e responsável. Vejamos estudos de caso:

Estudo de caso DESCRIÇÃO

A Microsoft desenvolveu uma ferramenta chamada "Fairlearn", que ajuda a mitigar o
preconceito nos modelos de machine learning. A ferramenta permite que os usuários
Microsoft ajustem o modelo para garantir que as decisões tomadas não discriminem indivíduos com
base em características pessoais, como raça ou gênero.

A Google trabalha com várias iniciativas de Responsible AI, incluindo o uso de modelos de
machine learning para detectar tendências em dados de saúde e prever doenças. A
google empresa também desenvolveu um conjunto de princípios éticos para orientar o
desenvolvimento e uso de inteligência artificial em seus produtos e serviços.

O governo de Singapura criou uma estrutura de governança de AI para garantir o uso ético
e responsável da inteligência artificial em todos os setores da sociedade. A estrutura inclui
Governo de singapura diretrizes para o desenvolvimento e uso de IA, bem como um código de conduta para os
desenvolvedores de IA.

A ProPublica, uma organização de notícias sem fins lucrativos, criou um modelo de

machine learning para prever a reincidência de crimes nos EUA. A organização usou dados
propublica históricos para treinar o modelo, mas descobriu que ele era tendencioso em relação aos
indivíduos de cor. Como resultado, a ProPublica decidiu não usar o modelo para decisões
judiciais e trabalhou para conscientizar a comunidade sobre a importância de se
desenvolver modelos justos e imparciais.
O Banco Interamericano de Desenvolvimento (BID) criou um centro de excelência em IA
para ajudar os países da América Latina e do Caribe a desenvolver e implementar sistemas
bid de IA éticos e responsáveis. O centro de excelência oferece treinamento e consultoria em
Responsible AI para governos, empresas e organizações da sociedade civil.

(Receita Federal – 2023) Com base nos princípios de Responsible AI (IA Responsável), a
seguinte característica não é considerada importante para o desenvolvimento de
soluções de inteligência artificial:

a) transparência.
b) privacidade.
c) explicabilidade.
d) segurança.
e) performance.
_______________________
Comentários: o princípio que não é considerado importante para o desenvolvimento de IA é a performance (Letra E).

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 19

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Tipos de Aprendizado
RELEVÂNCIA EM PROVA: Altíssima

As aplicações de aprendizagem de máquina abrangem desde jogos passando pela detecção de

fraudes até a análise estatísticas da bolsa de valores. É utilizada para construir sistemas de
recomendação da Netflix e Spotify que sugerem músicas e/ou vídeos aos usuários com base no seu
histórico de acesso, seus favoritos e outros dados; ou sistemas que encontram todos os artigos de
notícias similares em um determinado dia.

Ele também pode ser utilizado para categorizar páginas web automaticamente conforme o gênero
(esportes, economia, política, bem-estar, etc) ou marcar mensagens de e-mail como spam. Os usos
da aprendizagem de máquina são inúmeros e surgem novos todos os dias, mas eles não funcionam
todos da mesma maneira. Existem diferentes abordagens de algoritmos de aprendizado de
máquina que podem ser classificadas conforme veremos a seguir:

Aprendizado Supervisionado

Trata-se de um conjunto de técnicas de aprendizado para treinar um modelo com dados rotulados
manualmente, isto é, um especialista/supervisor externo diz qual é a saída esperada para cada dado
histórico utilizado no treinamento. São as técnicas mais comumente empregadas no contexto de
aprendizado de máquina e geralmente são utilizadas para identificar padrões específicos, prever
resultados dado um conjunto de amostras de treinamento.

Em outras palavras, a saída desejada para cada exemplo de entrada já é conhecida no aprendizado
supervisionado, isto é, os dados de saída são previamente rotulados. Essa abordagem – também
chamada de tarefa de previsão – é bastante semelhante à aprendizagem humana sob a supervisão
de um professor. O professor fornece bons exemplos para o aluno memorize, e o aluno então deriva
as regras gerais desses exemplos específicos. Vamos ver alguns exemplos...

Suponha que você tenha um sobrinho que acabou de fazer dois anos e está aprendendo a falar.
Você quer ensiná-lo o que é um cachorro e o que é um gato. Então, o que você faz? Você pode
mostrar a ele diversos vídeos de cães e depois idealmente mostrar cães e gatos pessoalmente para
que ele possa ver melhor. Você, então, pode dizer para ele algumas coisas que sejam semelhantes
e diferentes entre cães de gatos.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 20

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Por exemplo: ambos possuem quatro patas e uma cauda; cachorros podem ser grandes ou
pequenos, gatos geralmente são pequenos; cachorros possuem focinho/boca longos, enquanto
gatos têm focinho/bocas pequenos; cachorros latem e gatos miam; cachorros sempre têm pupilas
arredondadas, já gatos podem ficar com a pupila arredondada ou em formato de fenda; cachorros
têm diferentes formatos de orelha, enquanto quase todos os gatos possuem o mesmo formato.

Finalizada a explicação, agora você leva seu sobrinho de volta para casa e mostra a ele fotos de
diferentes cães e gatos. Se ele for capaz de diferenciar o cão do gato, significa que ele aprendeu
corretamente. Então, o que aconteceu aqui? Você estava lá para guiá-lo até o objetivo de diferenciar
entre um cão e um gato; você ensinou a ele todas as diferenças e semelhanças que existem entre
um cão e um gato; e você então a testou para ver se ele era capaz de aprender.

Se ele não conseguisse identificar o cachorro e o gato, você teria que analisar os erros e oferecer
mais exemplos até que ele finalmente conseguisse identificar cachorros e gatos com maior
precisão. Agora note que você atuou como um supervisor/professor e seu sobrinho atuou como o
algoritmo que precisava aprender. Você já sabia o que era um cachorro e o que era um gato, e o
orientou em seu aprendizado. Por essa razão, a técnica se chama aprendizado supervisionado...

Nesse caso, o processo de aprendizagem de um algoritmo em relação ao conjunto de dados de

entrada é acompanhado por um supervisor ou professor acompanhando o processo de
aprendizado. O professor sabe quais são as respostas certas, o algoritmo faz as predições sobre o
conjunto de dados de entrada e ele vai corrigindo a saída à medida que suas respostas não são de
acordo o resultado esperado. Outro exemplo...

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 21

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Sabe quando vamos acessar uma página web e aparece uma caixinha
falando para nós selecionarmos imagens com algum objeto específico
para indicar que não somos um robô? Pois é, o nome daquilo é
reCAPTCHA! A verdade é que o objetivo principal desse teste não é
verificar se somos robôs, visto que existem maneiras mais simples
para isso. O objetivo principal é treinar algoritmos de identificação
de imagens. Nesse caso, nós somos os supervisores do algoritmo!

Toda vez que vocês ouvirem falar em aprendizado supervisionado,

vocês devem saber que: (1) trata-se da abordagem mais comum de
aprendizado de máquina; (2) existe um supervisor ou professor
responsável por treinar o algoritmo; e (3) o supervisor conhece de
antemão os rótulos1. Essa última parte é a mais cobrada em prova,
portanto vamos enfatizá-la: o supervisor já conhece de antemão os
rótulos.

Logo, o supervisor decide qual é o resultado esperado em cada contexto. Ele pode pegar um
conjunto de fotos de pessoas e classificá-las com o rótulo que ele quiser (Ex: alto ou baixo;
masculino ou feminino; bonito ou feio; criança ou adulto; loiro, moreno ou ruivo; maior que um
determinado valor ou menor que um determinado valor). Quem escolhe o rótulo no aprendizado
supervisionado é o supervisor e ele o utiliza para treinar o algoritmo.

Em suma: o aprendizado supervisionado é uma abordagem de aprendizado de máquina em que um

supervisor já conhece de antemão o resultado (rótulo/classe) e pode guiar o aprendizado mapeando
as entradas em saídas por meio do ajuste de parâmetros em um modelo capaz de prever rótulos
desconhecidos. Por fim, é interessante saber que os problemas de aprendizado supervisionado
geralmente tratam de uma variável quantitativa ou qualitativa. Como é, Diego?

Se os rótulos se referem a um conjunto infinito de valores numéricos contínuos (Ex: > R$100,00 ou
< R$100,00), a tarefa se chama regressão. Já se os rótulos se referem a um conjunto finito e não

1
Rótulo também pode ser chamado de categoria, classe, sinal, variável alvo ou, em inglês, de target, label ou tag.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 22

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

ordenado de valores categóricos (Ex: Alto ou Baixo), a tarefa se chama classificação. Os modelos
supervisionados mais conhecidos são: árvores de decisão, regressão linear, regressão logística,
redes neurais, K-Nearest Neighbors (KNN), Support Vector Machines (SVM), etc.

Aprendizado Não-Supervisionado

Trata-se de um conjunto de técnicas para treinar um modelo em que não se sabe a saída esperada
para cada dado usado no treinamento. Diferentemente do aprendizado supervisionado, você não
utiliza rótulos/categorias para as amostras de treinamento. Os algoritmos são formulados de tal
forma que podem encontrar estruturas e padrões adequados nos dados por conta própria. Em
outras palavras, não existe um supervisor ou professor para rotular os dados...

Sendo assim, o algoritmo identifica as semelhanças nos dados apresentados e reage com base na
presença ou ausência dessas tais semelhanças. Essa abordagem – também chamada de tarefa de
descrição – permite que o algoritmo aprenda a categorizar dados autonomamente. A ideia aqui não
é prever nada e, sim, organizar os dados de alguma forma ou descrever sua estrutura. Professor,
como o algoritmo vai gerar as próprias categorias? E se eu não gostar das categorias escolhidas?

Excelente pergunta! O processo de aprendizado não supervisionado é mais complexo porque não
existe um supervisor para treinar o algoritmo e nem existem categorias pré-definidas. Logo, existe
realmente uma chance de o algoritmo gerar categorias completamente diferentes do que você
esperava. Existem dois grandes sub-grupos de aprendizado não-supervisionado: Agrupamentos
(Clustering) e Regras de Associação (Association Rules). Vamos ver ambas...

De forma resumida, podemos dizer que as regras de associação são um tipo de aprendizado não-
supervisionado que permite estabelecer regras capazes de verificar como determinados elementos
em um conjunto estão intimamente associados, isto é, se a presença de um elemento implica a
presença de outro dentro em uma mesma transação. Os principais modelos são: Apriori, FP-Growth
e Eclat.

Um exemplo clássico utilizado na literatura trata do supermercado. Vá agora até um mercado e

fique observando o que as pessoas estão comprando. Tem cidadão que pegou pão e leite; em
seguida, entra outro cidadão e pega pão e ovos; posteriormente, entra outro cidadão e compra
ovos, leite e açúcar; depois entra mais um cidadão e compra pão, leite e açúcar. Como as regras de
associação se aplicam a esse exemplo?

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 23

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

As regras de associação permitem verificar se existe um padrão na compra de determinados

produtos. Como podemos ver no exemplo, pão, leite, ovos e açúcar são elementos que parecem ter
uma associação mais forte do que pão, fígado e uma furadeira. Alguém discorda? Pois é, as regras
de associação são um tipo de algoritmo de aprendizado não-supervisionado que permite extrair
esses padrões para a tomada de decisão. E o agrupamento?

De forma resumida, podemos dizer que o agrupamento é um tipo de aprendizado não-

supervisionado em que se busca encontrar padrões em um conjunto de dados e agrupá-los em
subconjuntos que – ao comparar dados de um mesmo grupo – sejam o máximo possível
homogêneos/semelhantes e – ao comparar dados de grupos diferentes – sejam o máximo possível
heterogêneos/diferentes. Os principais modelos são: k-Means e Agrupamento Hierárquico.

Veremos agora um exemplo clássico de aprendizado não

supervisionado por meio de agrupamento. A imagem ao lado
contém um conjunto de fotos de diversos cachorros e gatos.
Vocês sabem disso porque nós batemos o olho e rapidamente
conseguimos identificar que não há outro tipo de animal na
imagem. No entanto, a máquina não sabe nada disso – nunca
se esqueçam que computadores são burros! Para ela, cada
imagem dessas é um conjunto de pixels representados por
vetores de números binários. Em suma: podemos afirmar que
essa imagem é simplesmente um conjunto de diversos zeros e
uns que indicam a cor dos pixels que compõem a imagem.

Se eu rodar um algoritmo de aprendizado não-supervisionado nesse conjunto de imagens e pedir

para ele dividi-lo em duas categorias, eu aposto que vocês intuitivamente pensarão que o algoritmo
retornará duas categorias: uma categoria de cachorros e outra categoria de gatos. Acertei? Pois é,
mas você errou! Nós – humanos – sabemos que só há cachorros e gatos na imagem, mas afirmo
novamente que a máquina enxerga apenas zeros e uns.

Lembrem-se que o aprendizado não-supervisionado permite avaliar um conjunto de dados de

entrada e – sem interferência externa de um supervisor – sugerir categorias. O algoritmo pode, por
exemplo, dividir as imagens nas categorias claras e escuras, com fundo verde ou sem fundo verde,
maiores ou menores, entre outros. Vocês se lembram que eu falei que existe a possibilidade de eu não
gostar das categorias escolhidas?

Pois é... o algoritmo não está nem aí para o que eu quero – ele vai buscar padrões nas imagens, a
fim de dividi-las em dois grupos de tal modo que as imagens dentro de cada grupo sejam o máximo
possível homogêneas e as imagens de grupos diferentes sejam o máximo possível heterogêneas. E
se eu quiser definir de antemão os subgrupos que eu quero dividir as imagens? Aí você deve usar um
algoritmo de aprendizado supervisionado e, não, um algoritmo não-supervisionado.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 24

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

É preciso entender que cada abordagem é adequada para um tipo de problema e tem suas
vantagens e suas desvantagens. O aprendizado não-supervisionado é bem mais barato que o
aprendizado supervisionado. Vamos pensar na Amazon! Vocês imaginaram a quantidade absurda de
produtos que tem à venda lá? Eu fiz uma pesquisa rápida em sua página web e vi que existem 20
categorias principais de produtos.

Só que dentro de cada categoria existem diversas subcategorias que possuem dentro delas várias
outras subcategorias. Se tudo isso fosse feito utilizando aprendizado supervisionado, custaria uma
fortuna e demoraria anos para concluir. A Amazon teria que contratar uma equipe gigantesca de
especialistas em diversas áreas, entregar para eles uma lista com uns 500.000 produtos à venda e
pedir para eles criarem rótulos/categorias de modo que contemplasse todos esses produtos.

Uma abordagem mais interessante seria utilizar o aprendizado não-supervisionado, porque ele é
muito mais barato e permite lidar com quantidades massivas de dados. Pode conter erros? Pode!
Pode gerar categorias indesejadas? Também pode! Por outro lado, isso é mais barato de resolver.
Professor, esses algoritmos só funcionam com imagem? Não, eu utilizo exemplos com imagens
porque são os mais fáceis de entender, mas ele se aplica a basicamente qualquer formato de dados.

Para finalizar, podemos afirmar que se o aprendizado de máquina fosse representado como uma
criança aprendendo a andar de bicicleta, o aprendizado supervisionado seria o pai correndo atrás
da bicicleta, segurando-a na vertical e corrigindo a trajetória da criança; e o aprendizado não-
supervisionado seria o pai entregar a bicicleta na mão da criança, dar um tapinha nas costas e dizer:
“Se vira, garoto!”. Entendido?

Aprendizado Semi-Supervisionado

Trata-se de um meio termo entre o aprendizado supervisionado e o não-supervisionado. Nesse

caso, utilizamos dados rotulados e não-rotulados para o treinamento. Em geral, utiliza-se uma
pequena quantidade de dados rotulados e uma grande quantidade de dados não-rotulados, visto
que dados não rotulados são mais baratos e são obtidos com menos esforço. Ela pode ser aplicada
para o agrupamento, regras de associação, classificação ou regressão. É isso, aqui não tem segredo!

Aprendizado Por Reforço

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 25

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Trata-se de um conjunto de técnicas que utilizam tentativa e erro para descobrir decisões ótimas
de como interagir com ambiente ou com outros agentes. Ele tem como meta reforçar ou
recompensar uma ação considerada positiva e punir uma ação considerada negativa. Um exemplo
são os famosos robôs aspiradores! Esses robôs percorre os cômodos de uma casa, identifica
obstáculos e armazena quais rotas funcionam melhor para limpar a casa.

Ele literalmente constrói um mapa da casa e refina/atualiza esse mapa a cada nova limpeza. Se ele
tenta um determinado percurso e encontra um obstáculo, ele pune essa ação considerada negativa
não fazendo mais esse percurso; se ele tenta um determinado percurso e não encontra um
obstáculo, ele reforça essa ação considerada positiva fazendo novamente esse percurso da próxima
vez. É claro que no começo ele erra bastante, mas depois ele acerta...

Eu já tive um robozinho desses e era uma mão na roda, mas o meu era bem antigo e não fazia
mapeamento. Logo, ele batia na primeira vez, não aprendia nada e batia novamente em todas as
outras. Vendi ele porque não estava sendo mais útil e porque meu cachorro (Chico) ficava o caçando
incessantemente, mas os mais novos são extremamente modernos. Recomendo bastante – e
aceito de presente ;)

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 26

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Em suma: algoritmos de aprendizado por reforço baseiam-se em reforço positivo/negativo para

otimização de resultado. No caso dos robôs aspiradores, eles punem a passagem por trechos pouco
promissores e recompensam a passagem por trechos mais promissores. É uma técnica bem menos
empregada e que eu particularmente nunca vi cair em prova, mas não custa nada mencionar em
aula porque sempre pode cair.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 27

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Técnicas e Tarefas

Antes de adentrarmos nesse tópico, é importante entender que existe um sombreamento entre
aprendizado de máquina e mineração de dados. Logo, algumas tarefas de mineração de dados são
também tarefas de aprendizado de máquina. No entanto, aqui nós vamos detalhar um pouco mais
dentro do contexto de aprendizado de máquina. Vamos começar falando sobre a técnica de
classificação de dados.

Classificação
RELEVÂNCIA EM PROVA: média

Nós já sabemos que se trata de uma técnica de aprendizado supervisionado para distribuir um
conjunto de dados de entrada em categorias ou classes pré-definidas de saída. Por exemplo: nós
poderíamos utilizar um algoritmo de classificação binária para decidir de uma mariposa é da espécie
Imperatriz (imagem da esquerda) ou Luna (imagem da direita). Note que eu já disse de antemão
quais são os rótulos ou categorias – dado que é um algoritmo de aprendizado supervisionado.

E como um algoritmo poderia decidir algo dessa natureza? Para tal, o supervisor pode escolher um
conjunto de features (também chamados de características ou qualidades). Essas features são
basicamente valores que caracterizam de forma útil as coisas que desejamos classificar. Para o
nosso exemplo, vamos utilizar duas features: envergadura e massa. Para treinar nosso algoritmo de
classificação para fazer boas previsões, vamos precisar de dados de treinamento.

E como conseguimos? Nós podemos enviar um entomologista a uma floresta para capturar diversas
mariposas de ambas as espécies, examiná-las e registrar os valores das duas features que nós
escolhemos em uma tabela. A tabela final resultante contendo todas as mariposas catalogadas com
seu rótulo de espécie, envergadura e massa é também chamado de dados rotulados. Vejamos como
seria uma possível tabela de dados rotulados...

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 28

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Como temos apenas duas features, é fácil visualizar esses dados em um gráfico de dispersão. Na
imagem da esquerda, eu plotei os dados de 100 mariposas imperatriz em vermelho e 100 mariposas
luna em azul. No eixo horizontal, temos a envergadura em milímetros; no eixo vertical, temos a
massa em gramas. Observe na imagem da direita que é possível ver dois agrupamentos, mas no
meio (círculo roxo) existe uma sobreposição.

Essa sobreposição indica que não é tão óbvio separar dois grupos. É aqui que entram os algoritmos
de aprendizado de máquina: eles são capazes de encontrar uma divisão ideal entre os dois grupos!

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 29

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Vamos explicar isso melhor: imagine que eu trace uma

linha reta vertical na altura dos 45 milímetros de
envergadura e afirme que tudo que estiver à esquerda
provavelmente é uma mariposa imperatriz e tudo à direita
uma mariposa luna. Além disso, eu posso traçar uma linha
horizontal na altura dos 0,75 gramas de massa e afirmar
que tudo que estiver abaixo desse valor provavelmente é
uma mariposa imperatriz. Com isso, vejam na imagem ao
lado que se forma um quadrante em que sua parte inferior
esquerda representa prováveis mariposas imperatriz e o
restante representa as mariposas luna.

Essas linhas que dividem o espaço de decisão são chamadas de limites de decisão porque auxiliam
a indicar qual será o classificador sugerido. Agora notem que interessante: o entomologista
capturou 200 mariposas e criou a tabela de dados rotulados. Logo, nós podemos comparar os dados
rotulados com os dados resultantes do gráfico de dispersão para verificar se as linhas sugeridas
fizeram uma divisão satisfatória ou não para identificar as espécies de mariposa.

Esse é uma das formas de avaliar se o processo de classificação foi satisfatório ou não! Se olharmos
atentamente, podemos verificar que 86 mariposas imperatriz (vermelho) terminaram de forma
correta dentro da região de decisão (em vermelho), mas 14 delas acabaram de forma incorreta no
território da mariposa luna (em azul). Por outro lado, 82 mariposas luna (azul) foram classificadas
corretamente (em azul), com 18 caindo para o lado errado (em vermelho).

Nós podemos representar esses valores por meio de uma matriz de confusão! É o que, Diego? A
matriz de confusão é uma tabela utilizada para avaliar a qualidade de um modelo que mostra as
frequências de classificação para cada classificador/rótulo do modelo. Trata-se geralmente de uma
tabela com duas linhas e duas colunas que exibe a quantidade de erros e acertos de classificação de
uma amostra de dados. Professor, quem está confuso sou eu agora...

Vejam só: as linhas que nós traçamos no gráfico de dispersão acabou ocasionando alguns erros. Das
100 mariposas imperatriz, nós acertamos 86 e erramos 14; das 100 mariposas luna, nós acertamos
82 e erramos 18. Nós podemos colocar esses dados em uma matriz para visualizar mais facilmente
seus acertos e seus erros a fim de avaliar com maior clareza o desempenho do meu modelo de
classificação (aliás, ela também costuma ser chamada de matriz de erro).

Na página seguinte, temos a nossa matriz de confusão! Note que ela possui dois eixos: horizontal,
que indica o valor previsto ou esperado; e vertical, que indica o valor real. Como posso interpretar
essa matriz? Vejamos: nós tivemos 86 mariposas das 200 coletadas pelo entomólogo em que seu
rótulo real na tabela de dados rotulados era mariposa imperatriz e o meu modelo de classificação
classificou corretamente como mariposa imperatriz.

Da mesma forma, nós tivemos 14 mariposas das 200 coletadas pelo entomólogo em que seu rótulo
real na tabela de dados rotulados era mariposa imperatriz, mas o meu modelo de classificação

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 30

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

classificou incorretamente como mariposa luna. Tivemos 18 mariposas em que seu rótulo real era
mariposa luna, mas meu modelo classificou como mariposa imperatriz; e tivermos 82 mariposas
luna corretamente classificadas pelo modelo como mariposa luna.

Observe que não há como desenharmos linhas que nos forneçam 100% de acurácia! Se reduzirmos
o valor limite de decisão da envergadura da mariposa (eixo horizontal), classificaremos
erroneamente mais mariposas imperatriz como mariposas luna; por outro lado, se o aumentarmos,
classificaremos incorretamente mais mariposas luna. E o mesmo tipo de problema ocorre se
alterarmos os limites de massa (eixo vertical).

O trabalho dos algoritmos de aprendizado de máquina é tentar maximizar as classificações corretas

enquanto minimiza seus erros. E como podemos medir efetivamente como foi o desempenho do nosso
modelo? Nós podemos fazê-lo utilizando a métrica de acurácia, isto é, a divisão do número de
acertos pelo total de predições. Em nosso caso, tivemos 82+86 = 168 acertos em uma amostra de
200 mariposas. Dessa forma, a nossa acurácia foi de 168/200 = 84%.

Outras configurações de linhas poderiam ser testadas para tentar aumentar a acurácia e melhorar
o nosso modelo de classificação. Nós podemos generalizar a matriz de confusão da seguinte forma:

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 31

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Um bom exemplo para os dias atuais são os exames de coronavírus. Podemos afirmar que um
exame pode resultar em positivo ou negativo, logo se trata de uma classificação binária porque
temos apenas dois rótulos (Classe 1 = Positivo e Classe 2 = Negativo). Logo, os resultados possíveis
são Verdadeiro-Positivo (VP), Falso-Positivo (FP), Verdadeiro-Negativo (VN) ou Falso-Negativo
(FN). Professor, por que você repetiu duas vezes a imagem abaixo?

Observe que há uma pequena diferença nos quadrantes vermelhos: a nomenclatura utilizada pela
área de estatística para Falso-Positivo é Erro Tipo I e de Falso-Negativo é Erro Tipo II. Apenas isso!
Pessoal, uma maneira de medir o desempenho de um processo de classificação é por meio da
acurácia, mas existem outras formas de medir. Nós vamos falar rapidamente sobre a Acurácia,
Sensibilidade, Especificidade, Precisão e F1-Score...

Medição Descrição fórmula

Trata-se da métrica mais simples que permite mensurar o percentual de
acertos, isto é, a quantidade de previsões corretas dentro do total de VP + VN
Acurácia
previsões possíveis. Responde à pergunta: dentre todas as previsões VP + FP + VN + FN
realizadas, quantas o modelo acertou?
Trata-se da métrica que permite avaliar a capacidade do classificador de
detectar com sucesso resultados positivos (também chamado de VP
Sensibilidade
revocação ou recall). Responde à pergunta: dentre os valores realmente VP + FN
positivos, quantos o modelo acertou (previu corretamente como positivo)?
Trata-se da métrica que permite avaliar a capacidade do classificador de
detectar com sucesso resultados negativos. Responde à pergunta: VN
especificidade
dentre os valores realmente negativos, quantos o modelo acertou FP + VN
(previu corretamente como negativo)?
Trata-se da métrica que permite mensurar a proporção de previsões
positivas corretas sobre a soma de todos os valores positivos. Responde VP
Precisão
à pergunta: dentre os valores previstos como positivos, quantos o VP + FP
modelo acertou (previu corretamente como positivo)?

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 32

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Trata-se da média harmônica calculada com base na precisão e na

sensibilidade, logo é uma medida derivada dessas outras medidas. Essa PRECISÃO ∗ RECALL
F1-score 2∗
medida tenta condensar em uma única medida um pouco da precisão e PRECISÃO + RECALL
um pouco da sensibilidade.

Professor, qual é a necessidade desse tanto de medidas diferentes? Dependendo do contexto, o

desempenho pode ser medido de maneira diferente para refletir melhor a efetividade da medição.
Em alguns casos, ter falsos-negativos não é tão relevante; em outros casos, ter falsos-positivos
pode ser muito relevante. Por isso existem tantas formas diferentes de medir o desempenho.
Vamos ver isso melhor...

A precisão pode ser utilizada em situações em que falsos-positivos são mais prejudiciais que os
falsos-negativos. Por exemplo: ao classificar ações da bolsa de valores como boas ou ruins, um
falso-positivo pode fazer uma pessoa investir em uma ação ruim e ter prejuízos; já um falso-
negativo pode fazer uma pessoa não investir em uma ação boa e deixar de ter lucros, mas ela não
terá prejuízos, logo é menos prejudicial.

Já o recall pode ser utilizado em situações em que falsos-negativos são mais prejudiciais que os
falsos-positivos. Por exemplo: ao classificar uma pessoa com vacinado ou não-vacinado, um falso-
positivo pode fazer uma pessoa saudável não pegar um avião com outras pessoas; já um falso-
negativo pode fazer uma pessoa infectada pegar um avião com outras pessoas e infectá-las com
seu vírus. Entenderam a importância de medidas diferentes?

Agrupamento
RELEVÂNCIA EM PROVA: média

Vamos falar agora sobre o agrupamento (clustering). De acordo com Leandro Castro e Daniel Ferrari
em Introdução à Mineração de Dados, uma das habilidades mais básicas dos organismos vivos é a
capacidade de agrupar objetos similares para produzir uma taxonomia, isto é, organizar coisas
similares em categorias (também chamadas de grupos ou clusters). A análise de agrupamento
busca analisar dados multivariados a fim de descobrir grupos homogêneos de objetos.

A análise de grupos pode ser definida como a organização de um conjunto de objetos (normalmente
representados por vetores de características, ou seja, pontos em um espaço multidimensional) em
grupos baseada na similaridade entre eles. Dito de outra forma, agrupar objetos é o processo de

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 33

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

particionar um conjunto de dados em subconjuntos (grupos) de forma que os objetos em cada

grupo compartilhem características comuns.

Idealmente, objetos pertencentes ao mesmo grupo são mais similares entre si do que a objetos
pertencentes a grupos distintos. Dessa forma, um grupo pode ser definido em função da coesão
interna (homogeneidade) e do isolamento externo (separação) de seus objetos. Diego, qual é a
diferença do agrupamento para a classificação? Esse é um ponto chave que as bancas adoram cobrar
em prova: a classificação é um algoritmo supervisionado e o agrupamento é não supervisionado.

Isso significa que a base de dados de entrada é previamente rotulada, isto é, cada objeto da base
possui a classe correspondente à qual pertence definida a priori. O algoritmo, então, busca
identificar a classe à qual pertence um novo objeto ainda não apresentado e com rótulo de classe
desconhecido. Em regra, objetos rotulados são apresentados ao algoritmo de classificação para que
ele seja treinado, isto é, para que um novo modelo seja criado a fim de classificar novos objetos.

No agrupamento, os dados não são previamente rotulados. Aliás, os rótulos dos objetos são obtidos
apenas a partir do algoritmo de agrupamento e não são utilizados durante o processo de
treinamento do algoritmo. Como se trata de um algoritmo de aprendizado não supervisionado, não
existe um supervisor que guie o aprendizado a fim de minimizar os erros de previsão. A ideia aqui é
que observações que tenham valores de variáveis mais parecidos estejam dentro do mesmo grupo.

Não só isso: observações que estejam em grupos diferentes devem ter os valores de variáveis mais
diferentes possíveis. Em suma: o agrupamento (ou clustering) é um algoritmo não supervisionado –
aquele que não possui um rótulo/target que possa orientar o treinamento de um modelo preditivo
– em que cada observação é atribuída a um grupo formado por outras observações mais similares
entre si e mais diferentes das observações dos demais grupos.

Por que o clustering é importante? Porque ele é muito útil em diversas áreas: no comércio, ele pode
ser utilizado para determinar grupos de clientes que têm padrões de compra semelhantes; na
medicina, pode ser importante para determinar grupos de pacientes que mostram reações
semelhantes aos medicamentos receitados. Enfim, há diversas e diversas possibilidades de
utilização dessa técnica. Agora partimos para as regras de associação...

Regras de Associação
RELEVÂNCIA EM PROVA: média

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 34

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Regras de Associação são algoritmos não supervisionados utilizados para descobrir relações
interessantes entre variáveis de um grande conjunto de dados. Essas regras nos permitem
identificar frequentemente padrões recorrentes em dados, que podem ser utilizados para realizar
previsões sobre eventos futuros e tomar melhores decisões de negócio. O exemplo clássico de
regras de associação é o do carrinho de supermercado.

Toda vez que você faz compras, cada item das suas compras é armazenado no banco de dados do
supermercado – ele guarda quais produtos você comprou, valores, quantidades, etc. Os itens são
sendo armazenados por meio de transações do banco de dados, logo são utilizados bancos de
dados transacionais, ou seja, aqueles especializados em armazenar informações sobre transações
(inserções, leituras, atualizações e exclusões) efetuadas pelo usuário.

Nesse contexto, nós temos a Análise de Cesta de Mercado! A cesta de mercado corresponde aos
conjuntos de itens que um consumidor compra em um supermercado durante uma visita. Exemplo:

TRANSAÇÃO HORA ITENS

1 20:45 Leite, Pão, Biscoito, Suco
2 12:09 Leite, Pão
3 08:58 Leite, Ovos, Pão
4 15:15 Pão, Biscoito, Café

Formato de Regras de Associação: {antecedente → consequente}

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 35

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

A regra de associação segue o formato X → Y, em que X = {x1, x2, ..., xn} e Y = {y1, y2, ..., ym} são
conjuntos de itens, com x i e yi sendo itens distintos para todo i e todo j. Essa associação indica que,
se um cliente compra X, ele provavelmente também comprará Y. Na tabela acima, é possível notar
que há uma possível associação entre leite e pão. E isso reflete a realidade: quando você vai ao
mercado e compra cerveja, gelo e carne, é provável que você também comprará carvão.

Exemplo de Regra de Associação: {CERVEJA, GELO, CARNE → CARVÃO}

E isso funciona em diversos contextos: quando você compra uma raquete de tênis, já já aparecem
banners de bolinhas de tênis; quando você assiste um filme de terror na Netflix e dá uma boa nota,
da próxima vez ela já te recomenda diversos filmes de terror que pessoas que assistiram o mesmo
que você também gostaram; quando você procura sobre o edital de um concurso que acabou de
sair, em dois tempos aparece o banner do Estratégia Concursos (aliás, obrigado pela confiança).

Isso ocorre porque bases de dados gigantescas possuem uma infinidade de dados que podem ser
minerados em busca de associações interessantes. Vocês entendem agora o porquê do massivo
investimento em inteligência artificial, aprendizado de máquina, mineração de dados, entre outros? Se
uma loja consegue analisar os produtos que você comprou recentemente e, baseado nisso,
consegue fazer uma boa previsão de outro produto para você comprar, ela tem ouro nas mãos!

O Diego comprou um curso para estudar para um concurso, vou oferecer para ele uma mentoria. O
Diego comprou um celular novo, vou oferecer para ele uma capinha bacana. Sacaram a ideia?
Diferentemente do agrupamento, que busca relações de similaridade entre objetos, as regras de
associação buscam relações entre os atributos dos objetos, ou seja, os itens que compõem a base.
O objetivo é encontrar regras fortes de acordo com alguma medida do grau de interesse da regra.

Como uma grande quantidade de regras de associação pode ser derivada a partir de uma base de
dados, mesmo que pequena, normalmente se objetiva a derivação de regras que suportem um
grande número de transações e que possuam uma confiança razoável para as transações às quais
elas são aplicáveis. Esses requisitos estão associados a dois conceitos centrais em mineração de
regras de associação:

MEDIDAS DE
DESCRIÇÃO
INTERESSE
Trata-se da frequência com que um conjunto de itens específicos ocorrem no banco de dados,
SUPORTE/ isto é, o percentual de transações que contém todos os itens do conjunto. Em termos
matemáticos, a medida de suporte para uma regra X → Y é a frequência em que o conjunto de
Prevalência itens aparece nas transações do banco de dados. Um suporte alto nos leva a crer que os itens do
conjunto X e Y costumam ser comprados juntos, pois ocorrem com alta frequência no banco
CONFIANÇA/ Trata-se da probabilidade de que exista uma relação entre itens. Em termos matemáticos, a
medida de confiança para uma regra X → Y é a força com que essa regra funciona. Ela é
Força calculada pela frequência dos itens Y serem comprados dado que os itens X foram comprados.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 36

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Uma confiança alta nos leva a crer que exista uma alta probabilidade de que se X for comprado,
Y também será.

Na tabela a seguir, temos um exemplo de dez transações contidas no banco de dados de um

determinado supermercado. Note que a Compra 1 continha cerveja, gelo, carne, carvão e outros; a
Compra 2 continha apenas cerveja, carne e carvão; a Compra 4 continha apenas outros; e assim por
diante. A medida de suporte da regra de associação é calculada por meio da razão da quantidade
de ocorrências simultâneas dos itens da esquerda pela quantidade total de transações.

Regra de Associação: {CERVEJA, GELO, CARNE → CARVÃO}

COMPRA CERVEJA GELO CARNE CARVÃO OUTROS

1 X X X X X
2 X X X
3 X X X X
4 X
5 X X
6 X X X X
7 X X X
8 X X
9 X
10 X

Dada a regra de associação acima, vamos primeiro calcular a quantidade de ocorrências

simultâneas dos itens da esquerda: {Cerveja, Gelo, Carne}. Eles aparecem simultaneamente quatro
vezes: Compra 1, Compra 3, Compra 6 e Compra 7. Como temos 10 transações, a medida de suporte
será 4/10 = 40%. Já a medida de confiança da regra de associação é calculada de uma maneira um
pouquinho diferente...

Nós dividimos a quantidade de vezes que os itens da esquerda apareceram simultaneamente (nós
já calculamos acima e sabemos que é 4). Dadas essas quatro transações, finalmente calculamos em
quantas vezes o item da direita (Carvão) ocorreu e dividimos pelo valor anterior. Ora, vamos olhar
novamente para as quatro transações: em quantas delas Carvão também apareceu? Em 3 transações:
Compra 1, Compra 3 e Compra 6. Logo, a medida de confiança da regra de associação é ¾ = 75%.

Note que houve uma transação em que foram comprados cerveja, gelo e carne, mas não foi
comprado carvão (Compra 7). Talvez ele já tivesse o carvão em casa né?

Modelos de Regressão
RELEVÂNCIA EM PROVA: média

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 37

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Uma das principais aplicações de aprendizado de máquina é a previsão, isto é, quando queremos
prever algum atributo tendo somente alguns dados de entrada. Determinamos como fazer essa
previsão com base em exemplos históricos de dados de entrada e saída, isto é, baseado em
comportamentos observados no passado, conseguimos fazer inferências sobre o futuro. Para tal,
nós utilizamos modelos preditivos. O que seria isso, Diego?

Um modelo preditivo é aquele responsável por relacionar dados de entrada (também chamados de
variáveis independentes) com o resultado esperado (também chamados de variável dependente ou
variável alvo contínua2). Diferentes modelos geram formas matematicamente muito diferentes de
construir a relação entre as variáveis de entrada e de saída, tornando-os assim capazes de captar
padrões estatísticos também diferentes.

Em regra, é preciso realizar experimentos computacionais, avaliando o desempenho de modelos

de tipos diferentes para descobrir qual é o mais adequado a uma tarefa e um conjunto específico de
dados. Por que, Diego? Porque cada tipo de modelo tem suas características, seus pontos fortes e
fracos e sua lógica de funcionamento. Não é preciso reimplementar um algoritmo do zero para
entender suas propriedades fundamentais e utilizá-lo adequadamente.

Em suma: modelos preditivos são basicamente uma função matemática que, quando aplicada a
uma massa de dados, é capaz de identificar padrões e oferecer uma previsão do que pode ocorrer.
Existem vários tipos de modelos preditivos, dentre eles se destacam os modelos de regressão. Esses
modelos compreendem uma ampla família de modelos derivados da estatística, embora dois deles
(regressão linear e a regressão logística) sejam os mais frequentemente utilizados.

Estatísticos, econometristas e cientistas de muitas disciplinas há muito usam modelos de regressão

para confirmar suas teorias por meio de validação de dados e para obter previsões práticas. Eles são
fáceis de entender, rápidos de criar e moleza de implementar do zero. Se você os dominar, você
realmente tem o equivalente a um canivete suíço para aprendizado de máquina que não pode fazer
tudo perfeitamente, mas pode atendê-lo prontamente e com excelentes resultados.

Os dois modelos de regressão mais conhecidos são a regressão linear e a regressão logística, mas
existem outros que não detalharemos nessa aula, tais como: Ordinary Least Squares Regression

2
Variáveis contínuas são variáveis numéricas que têm um número infinito de valores entre dois valores quaisquer (Ex: uma régua possui valores
contínuos, dado que 3 cm é diferente de 3,01 cm, que é diferente de 3,01354 cm, que é diferente de 3,01355, e assim por diante).

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 38

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

(OLSR), Multivariate Adaptive Regression Splines (MARS) e Locally Estimated Scatterplot

Smoothing (LOESS). Aqui vamos nos ater ao funcionamento da Regressão Linear e da Regressão
Logística. Vejamos...

Regressão é uma técnica para investigar a relação entre variáveis ou features independentes e uma
variável ou resultado dependente. É usado como um método de modelagem preditiva em
aprendizado de máquina, no qual um algoritmo é usado para prever resultados contínuos. Resolver
problemas de regressão é uma das aplicações mais comuns para modelos de aprendizado de
máquina, especialmente em aprendizado de máquina supervisionado.

Os algoritmos são treinados para entender a relação entre variáveis independentes e um resultado
ou variável dependente. O modelo pode então ser aproveitado para prever o resultado de dados de
entrada novos e não vistos, ou para preencher uma lacuna nos dados ausentes. A análise de
regressão é parte integrante de qualquer modelo preditivo, portanto é um método comum
encontrado na análise preditiva baseada em aprendizado de máquina.

Apesar de haver diversas diferenças entre classificação e regressão, é possível converter uma na
outra e vice-versa, modificando a representação da variável-alvo. Por exemplo: se eu quiser
transformar uma regressão em uma classificação, eu posso definir um valor limite para determinar
a qual classe uma observação pertence. Como assim, Diego? Imagine que eu queira classificar um
conjunto de mulheres em baixas, regulares e altas.

Eu posso definir um intervalo de 1,60 cm a 175 cm de forma que aquelas que tenham altura menor
ou igual a 1,60 cm serão consideradas baixas; aquelas que tenham altura entre 1,61 e 1,74 serão
consideradas regulares; e aquela que tenham altura maior ou igual a 1,75 serão consideradas altas.
É isso, basta dividir o conjunto de possíveis valores numéricos em intervalos de forma que cada
intervalo se torne uma classe.

Analogamente, se eu quiser transformar uma classificação em uma regressão, eu posso associar

um valor numérico para cada classe. É claro que as classes têm que ser ordenáveis (Ex: baixo, regular
ou alta), caso contrário não é possível fazer essa associação (Ex: Masculino e Feminino). A imensa
maioria dos algoritmos que veremos em aula têm uma versão tanto para classificação quanto para
regressão. Bacana? Vamos ver agora um pouquinho sobre regressão linear...

Regressão Linear

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 39

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

A regressão linear é a ferramenta estatística que nos ajuda a quantificar a relação entre uma variável
específica e um resultado que nos interessa enquanto controlamos outros fatores. Em outras
palavras, podemos isolar o efeito de uma variável enquanto mantemos os efeitos das outras
variáveis constantes. A imensa maioria dos estudos que você lê nos jornais é baseada em análise de
regressão. Vamos ver alguns exemplos...

Há um estudo que afirma que, crianças que passam muito tempo em creches são mais propensas a
apresentar problemas comportamentais quando vão para escola do que crianças que passam esse
tempo em casa com seus pais. Ora, por acaso os pesquisadores designaram aleatoriamente milhares
de crianças pequenas a creches ou a ficarem em casa com um dos pais para fazer a pesquisa? É
evidente que não!

Diferentes famílias tomam decisões distintas em relação a como cuidar dos filhos porque são
diferentes. Alguns lares têm os dois pais presentes; outros não têm. Alguns têm os dois pais
trabalhando; outros não têm. Alguns lares são mais ricos e mais cultos que outros. Nós sabemos
que todas essas coisas afetam a decisão de como cuidar dos filhos e afetam o desempenho futuro
das crianças dessas famílias na escola.

Quando feita adequadamente, a regressão linear pode nos ajudar a estimar os efeitos das creches
separadamente de outras coisas que afetam crianças pequenas como renda familiar, estrutura
familiar, educação parental, e assim por diante. Hoje em dia, de posse dos dados adequados e com
acesso a um computador, uma criança de seis anos pode usar um programa de estatística básica
para gerar resultados de regressão. Aliás, o próprio MS-Excel possui essa funcionalidade...

O computador tornou possível realizar a parte mecânica da análise de regressão quase sem nenhum
esforço. Até porque existe uma ideia básica subjacente a absolutamente todas as formas de análise
de regressão – desde as relações estatísticas mais simples até os modelos supercomplexos criados
por ganhadores do Prêmio Nobel de Economia! Em essência, a regressão linear busca encontrar o
“melhor encaixe” para uma relação linear entre duas variáveis.

Um exemplo simples é a relação entre altura e peso. Como assim, Diego? Ora, pessoas mais altas
tendem a pesar mais – embora obviamente esse não seja sempre o caso. Vejamos um exemplo:

Se lhe fosse pedido que descrevesse o padrão, você poderia dizer algo mais ou menos do tipo: “O
peso parece aumentar com a altura”. É um bom entendimento, mas a regressão linear nos dá a

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 40

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

possibilidade de ir além e “encaixar uma reta” que melhor descreva uma relação linear entre as duas
variáveis (Peso e Altura). Muitas retas possíveis são amplamente consistentes com os dados de altura
e peso, mas como sabemos qual é a melhor reta para esses dados?

É aqui que entra em cena o aprendizado de máquina! A ideia do algoritmo é oferecer vários dados
para que ele encontre a equação que melhor descreve e se ajusta aos dados, isto é, que minimize a
variância dos erros em uma predição. A Regressão Linear utiliza tipicamente uma metodologia
chamada de Mínimos Quadrados Ordinários (MQO). O ponto-chave dessa metodologia reside na
parte dos “Mínimos Quadrados” do nome...

O MQO encaixa a reta que minimiza a soma dos residuais elevados ao quadrado. Calma, não é tão
complicado quanto parece! Cada observação nos nossos dados de altura e peso tem um residual,
que é a distância vertical a partir da reta de regressão, exceto para aquelas observações que se
situam diretamente em cima da reta, para as quais o residual vale zero. Note que, quanto maior a
soma geral dos residuais, pior é o encaixe da reta.

Por que o nome do método contém as palavras “mínimo quadrados”? Porque a fórmula pega o
quadrado de cada residual antes de somar todos e isso aumenta o peso dado àquelas observações
mais distantes da reta de regressão – chamadas de extremos ou outliers. Dessa forma, os mínimos
quadrados ordinários “encaixam” a reta que minimiza a soma dos residuais ao quadrado conforme
é ilustrado na imagem da página anterior.

Se os detalhes técnicos lhe deram dor de cabeça, você estará desculpado se entender apenas o
ponto principal, que é o seguinte: os mínimos quadrados ordinários nos dão a melhor descrição de
uma relação linear entre duas variáveis. O resultado não é somente uma reta, mas uma equação
que descreve essa reta. Essa equação é conhecida como equação de regressão linear simples3 e
assume a seguinte forma apresenta a seguir:

y = a + bx ou
y = α + ßx

onde y é o peso em quilos; a é o intercepto, isto é, ponto em que a reta intercepta o eixo y (valor de
y quando x = 0); b é a inclinação da reta; e x é a altura em centímetros. A inclinação da reta que
encaixamos descreve a “melhor” relação linear entre altura e peso para essa amostra, conforme
definida pelos mínimos quadrados ordinários. A reta de regressão é perfeita? É claro que não! Ela
com certeza não descreve perfeitamente toda observação nos dados.

Por outro lado, ela é a melhor descrição que podemos obter para o que é claramente uma relação
significativa entre altura e peso. Poderíamos escrever a nossa equação de regressão dessa forma:

peso = a + b*altura

3
Existe também a Regressão Linear Múltipla, quando há mais de uma variável independente (Ex: y = a + bx + cy + dz).

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 41

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Regressão Logística

A ferramenta de regressão linear é eficaz, mas possui suas limitações! Por exemplo: ela permite
trabalhar apenas com dados quantitativos (contínuos) e, não, com dados qualitativos (categóricos).
Quando essa é a sua necessidade, você deve recorrer à regressão logística, que é um algoritmo de
aprendizagem de máquina supervisionado utilizado para classificação (apesar de ter a palavra
regressão em seu nome – cuidado com a pegadinha!).

Em geral, a utilização da regressão logística se dá com categorias binárias, isto é, aquelas que
podem assumir somente dois valores (Ex: grande ou pequeno, alto ou baixo, sim ou não, lucro ou
prejuízo, válido ou inválido, entre outros). Vamos imaginar que queiramos definir se um
determinado paciente está ou não infectado com coronavírus, logo nossas categorias são:
infectado ou não-infectado.

Para tal, nós vamos reunir diversas informações contidas em um exame de sangue, tais como
contagem de anticorpos, contagem de plaquetas, contagem de leucócitos, entre outros – essas
informações são também chamadas de variáveis independentes. Em seguida, será aplicado um
coeficiente ou peso a cada uma dessas variáveis que comporão uma função de regressão linear
múltipla e retornará um determinado valor como resposta (variável dependente).

Ocorre que a regressão logística é um tipo de algoritmo de classificação, logo precisamos

transformar esse valor real retornado pela regressão linear em uma das categorias pré-definidas
por um supervisor. Para tal, nós temos que utilizar um modelo logístico (chamado logit) para fazer
um mapeamento desse valor dentro de um intervalo entre [0, 1], que pode ser interpretado como a
probabilidade de ser da categoria que nos interessa.

A função de ativação que recebe como entrada um número real [-∞, +∞] retornado por uma função
de regressão linear e sempre retorna um número entre [0,1] é chamada de Função Sigmóide4.

4
Trata-se de uma função estritamente crescente que varia [-∞,+∞] horizontalmente e [0,1] verticalmente. Por conta de seu formato, pode ser
chamada de Função em S.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 42

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Galera, todas as informações de cada pessoa entram no processo de treinamento do modelo de

aprendizado de máquina. Em outras palavras, como eu tenho um conjunto de casos em que eu já
sei se a pessoa estava infectada ou não, eu posso usá-lo para treinar meu modelo de modo que eu
possa ir ajustando até encontrar um valor razoável. Como assim, Diego? Vamos supor que eu tenha
em mãos aqui os exames de várias pessoas com coronavírus.

Eu posso ir ajustando os coeficientes das variáveis independentes da minha regressão linear para
refletir um valor coerente de probabilidade após aplicar a regressão logística. Vejamos:

resultado = a + b*(qtd_anticorpos) + c*(qtd_leucócitos) + d*(qtd_plaquetas) ...

Eu coloco os valores de quantidade de anticorpos, leucócitos e plaquetas de uma pessoa que eu sei
que está com coronavírus, o modelo ajusta os coeficientes (a, b, c, d) e retorna um resultado. Em
seguida, após aplicar a função sigmóide nesse resultado, eu espero que ela retorne uma alta
probabilidade de essa pessoa estar com coronavírus (Ex: 0,9), dado que a pessoa realmente está
infectada com coronavírus, logo esse seria um resultado coerente.

Se ele retornar um valor como 0,2 (isto é, 20% de probabilidade de essa pessoa estar infectada com
coronavírus), significa que o modelo ainda não está bacana porque sabemos que a pessoa
efetivamente está infectada com coronavírus. É claro que – quanto mais dados de treinamento –
mais o modelo de aprendizado de máquina ajusta os coeficientes e maiores as chances de ele
retornar uma probabilidade coerente com a realidade.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 43

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Redes Neurais Feed-Forward

RELEVÂNCIA EM PROVA: média

Pássaros nos inspiraram a voar, raízes de arctium inspiraram a criação do velcro e a natureza
inspirou muitas outras invenções. Parece lógico, então, olhar para a arquitetura do cérebro em
busca de inspiração sobre como construir uma máquina inteligente. Esta é a ideia que inspirou as
Redes Neurais Artificiais. Claro que, embora aviões tenham sido inspirados por pássaros, eles não
precisam bater as asas. Assim, essa tecnologia foi ficando cada vez mais diferente dos neurônios.

A redes neurais artificiais são versáteis, poderosas e escaláveis, tornando-as ideais para lidar com
tarefas de aprendizado de máquina altamente complexas, como classificar bilhões de imagens (Ex:
Google Imagens), alimentar serviços de reconhecimento de voz (Ex: Siri da Apple), recomendar os
melhores vídeos para assistir (Ex: YouTube Recommendations). No entanto, antes de discutirmos
os neurônios artificiais, vamos dar uma olhada rápida em um neurônio biológico.

Trata-se de uma célula de aparência incomum encontrada principalmente em córtex cerebrais

animais, composta basicamente por um corpo celular, que contém o núcleo e a maioria dos
componentes complexos da célula; e muitas extensões ramificadas chamadas dendritos, além de
uma extensão muito longa chamada de axônio. Os neurônios biológicos recebem impulsos elétricos
curtos – chamados sinais – de outros neurônios por meio dessas sinapses.

Quando um neurônio recebe um número suficiente de sinais de outros neurônios em alguns

milissegundos, ele mesmo dispara seus próprios sinais. Observe que neurônios biológicos
individuais parecem se comportar de uma maneira bastante simples, mas eles são organizados em

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 44

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

uma vasta rede de bilhões de neurônios – cada neurônio normalmente conectado a milhares de
outros neurônios.

Cálculos altamente complexos podem ser realizados por uma vasta rede de neurônios bastante
simples, da mesma forma que um formigueiro complexo pode emergir dos esforços combinados
de formigas simples. Dois pesquisadores – Warren McCulloch e Walter Pitts – propuseram um
modelo muito simples de neurônio biológico, que mais tarde ficou conhecido como neurônio
artificial: ele tem uma ou mais entradas binárias (liga/desliga) e uma saída também binária.

O neurônio artificial funciona de maneira muito simples: ele ativa sua saída quando mais de um
certo número de suas entradas estão ativas. Os pesquisadores mostraram que mesmo com um
modelo tão simplificado é possível construir uma rede de neurônios artificiais que computa
qualquer proposição lógica que você deseja. Pois bem! Em 1958, esses pesquisadores mostraram
suas descobertas em uma conferência de inteligência artificial na Universidade de Dartmouth.

Como esse assunto é muito empolgante (Vai me dizer que não é? Não é possível!), um psicólogo
chamado Frank Rosenblatt que assistiu a conferência e saiu de lá inspirado e determinado a criar
um neurônio artificial. Seu objetivo era ensinar um computador gigantesco de inteligência artificial
chamado Perceptron a se comportar como um neurônio ao classificar imagens como triângulos ou
não-triângulos com sua supervisão/treinamento.

O psicólogo sabia já naquela época que neurônios são células que processam e transmitem
mensagens utilizando sinais elétricos e químicos. Eles recebem um ou mais sinais de entrada de
outras células, processam os sinais recebidos e depois emitem seu próprio sinal. Os neurônios,
então, formam uma colossal rede de interconexão que é capaz de processar informações
extremamente complexas.

Rosenblatt conectou o Perceptron a uma câmera fotográfica de inacreditáveis 400 pixels (eu disse
pixels e, não, megapixels). Essa era a tecnologia de ponta da época – cerca de um bilhão de vezes
menos poderosa do que a câmera traseira de qualquer smartphone hoje em dia. A ideia era mostrar
para a câmera a imagem de um triângulo ou não-triângulo (Ex: círculo). Dependendo se a câmera
viu tinta ou não em cada pixel, ela enviaria um sinal elétrico diferente para o Perceptron.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 45

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

O Perceptron somava os sinais elétricos referentes aos pixels que correspondiam com a forma de
um triângulo – essa soma era chamada de carga elétrica total. Se a carga fosse acima de um certo
limite estipulado pelo psicólogo, a máquina a enviaria para acender uma lâmpada – equivalente a
um neurônio artificial falando: "Sim, isso é um triângulo!"; mas se a carga fosse abaixo do limite, ela
não seria suficiente para acender a lâmpada – seria o equivalente a dizer: “Não é um triângulo!”.

No início, o Perceptron estava basicamente fazendo suposições aleatórias, até que Rosenblatt
começou a treinar o algoritmo. Quando o Perceptron acertava, ele apertava um botão para
confirmar e fim; mas quando o Perceptron errava, ele apertava um botão para indicar o erro, o que
disparava uma cadeia de eventos e cálculos para reajustar o limite de carga elétrica suficiente para
acender a lâmpada de forma que as chances de a máquina acertar nas próximas vezes aumentava.

Vocês pegaram a ideia? O perceptron é a unidade básica de uma Rede Neural Artificial (RNA), sendo
equivalente a um neurônio biológico. Vejamos abaixo como seria sua estrutura básica:

Note que temos um conjunto de n entradas (e1, e2, e3, ..., en) que são multiplicadas por pesos
específicos associados a cada entrada (p1, p2, p3, ..., pn). Cada um desses pesos é livremente
ajustável de forma independente dos demais. Em seguida, nós realizamos a soma de cada entrada
multiplicada por seu respectivo peso associado. E o próximo passo é somar tudo isso com uma
entrada especial denominada viés ou bias (b).

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 46

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Em outras palavras, podemos afirmar que o peso de uma entrada representa seu grau de força ou
influência no resultado – quanto maior o peso de uma determinada entrada, maior será a influência
no resultado; e o viés (bias) é um valor que pode ser ajustado para aumentar ou diminuir a força do
sinal ao adicionar um valor positivo/negativo com o intuito de regular o formato/curvatura da
função e ajustá-la ao propósito desejado (veremos em detalhes mais à frente).

Ora, isso lembra alguma coisa para vocês? Estamos multiplicando valores por um coeficiente,
somando-os e adicionando uma constante! Bem, isso parece uma regressão linear múltipla:

y = a + bx + cy + dz ...

No nosso caso, seria algo mais parecido como:

s = b + p1e1 + p2e2 + p3e3 ... + pnen

A lógica básica de um perceptron até essa parte inicial é realmente parecida com uma regressão
linear, mas ainda não acabamos de ver a sua estrutura. Note que a etapa seguinte passa o resultado
da regressão linear por uma função de ativação, responsável por fazer uma transformação não-
linear do resultado da etapa anterior e definir se um nó será ativado ou não. Explicando um pouco
melhor sem entrar nos detalhes matemáticos...

Funções lineares (Ex: regressão linear) são aquelas que podem ser representadas em um plano
cartesiano como uma reta. O objetivo da função de ativação é transformar o formato de reta em
um formato não linear, tornando a função mais flexível/adaptável para tarefas complexas – além de
permitir que pequenas alterações na entrada de dados não causem grandes alterações na saída de
dados. Existem duas grandes classes de funções de ativação: funções de limite e funções sigmóides.

Os perceptrons originais utilizavam funções de limite. Nesse caso, se o resultado da função de

ativação fosse maior ou igual a um determinado limite (em inglês, threshold), então essa função
retornaria 1 (nó ativado); se o resultado da função de ativação fosse menor que um determinado
limite, então essa função retornaria 0 (nó não-ativado). Existem outras variações, mas funções
desse tipo sempre têm formato de um degrau (em inglês, step).

É importante destacar que o significado dos valores 1 e 0 dependerá do contexto de utilização,

podendo ser ligado ou desligado, ativo ou inativo, masculino ou feminino, triângulo ou não-
triângulo, entre outros. Ocorre que a maioria das aplicações necessita de um resultado
probabilístico (contínuo) e, não, de um resultado binário (discreto) – e a função limite não é capaz
de retornar esse tipo de resultado.

FUNÇÃO DE
FUNÇões de limite
ATIVAÇÃO
Descrição da Essa função compara um valor com um
função determinado limite (nesse caso, o limite é 0) e

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 47

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

decide se um neurônio será ativado (1) ou não

será ativado (0).

Representação
da fórmula

Por conta disso, perceptrons modernos utilizam funções sigmóide. Nesse caso, podemos ver o
resultado do perceptron como uma espécie de regressão logística (estudada no tópico anterior).
Trata-se de uma função estritamente crescente que recebe um valor real qualquer que varia
horizontalmente entre [-∞,+∞] e varia verticalmente [0,1]. A função sigmóide mais famosa é a
função logística apresentada a seguir (frequentemente são tratadas como sinônimos):

FUNÇÃO DE
Funções logísticas
ATIVAÇÃO
Essa função recebe um valor real qualquer
Descrição da como entrada [-∞,+∞] e retorna um valor de
função saída entre 0 e 1.

Representação
da fórmula

Há também o caso em que desejamos que o resultado assuma valores entre [-1,1]. Para tal,
podemos utilizar um outro tipo de função sigmóide chamada de tangente hiperbólica:

FUNÇÃO DE
FUNÇÃO tangente hiperbólica
ATIVAÇÃO
Essa função recebe um valor real qualquer
Descrição da como entrada [-∞,+∞] e retorna um valor de
função saída entre -1 e 1.

Representação
da função

Essa transformação não-linear realizada pelas funções de ativação permite tornar o perceptron
mais capaz de aprender e executar tarefas complexas. Pronto! Agora nós passamos por todo o
funcionamento do perceptron original e moderno, mas ainda não sabemos como essa unidade de
redes neurais vai aprender alguma coisa! A ideia é atribuir um valor aleatório aos pesos e comparar
o valor de saída do perceptron com o valor esperado (que nós conhecemos de antemão).

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 48

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Quanto mais iterações houver desse processo de aprendizado, mais os pesos serão ajustados, mais
treinado estará o algoritmo e menor será o erro médio das suas previsões. Vamos ver um exemplo
para consolidar o entendimento: suponha que queiramos saber o gênero de determinada pessoa
(masculino ou feminino). Considerem também que nós possuímos uma tabela contendo em cada
linha dados de vários atributos de milhares de pessoas.

Dentre os atributos dessa tabela, temos: altura, peso, envergadura, cor do cabelo, classe social e
escolaridade – e nós já sabemos de antemão o gênero de cada uma das pessoas. Cada entrada do
nosso perceptron será correspondente aos dados de uma determinada pessoa, logo ele terá seis
entradas – uma para cada atributo. O algoritmo começa atribuindo um peso aleatório para cada
uma dessas entradas.

Em seguida, ele faz a multiplicação dos valores de entrada pelos seus respectivos pesos aleatórios,
soma tudo (inclusive o viés), passa por uma função de ativação de não linearidade e retorna um
valor de probabilidade de pessoa ser do gênero masculino ou feminino. Como nós sabemos o
resultado esperado (isto é, gênero), nós podemos treinar o algoritmo corrigindo ou ratificando o
resultado obtido pelo perceptron para cada uma das pessoas da nossa tabela.

A cada erro, o perceptron poderá fazer um ajuste nos pesos a fim de reduzir falhas e fornecer uma
previsão mais acurada. É provável que, após algumas iterações, o algoritmo perceba que alguns
atributos têm mais influência para decidir sobre o gênero biológico de uma pessoa do que outros.
Intuitivamente, podemos dizer uma pessoa de 2,00m de altura tem maior probabilidade de ser do
gênero masculino do que ser do gênero feminino.

Da mesma forma, podemos dizer intuitivamente que uma pessoa com cabelo vermelho tem maior
probabilidade de ser do gênero feminino do que ser do gênero masculino. Por outro lado, podemos
dizer também que a classe social não é um atributo que influencia bastante na probabilidade de
uma pessoa ser do gênero masculino ou feminino. Dessa forma, o algoritmo vai aprendendo, vai se
ajustando e vai dando pesos mais altos aos atributos efetivamente mais importantes.

Dito isso, é importante saber que o perceptron é a unidade básica de uma rede neural artificial,
assim como o neurônio é a unidade básica de uma rede neural biológica. Vejamos uma comparação:

Neurônio biológico Neurônio artificial

Célula (Núcleo) Nó (Perceptron)
Dendritos Entradas
Sinapses Pesos ou Conexões
Axônio Saídas

Agora que entendemos os fundamentos básicos dos perceptrons, podemos evoluir um pouco mais
em nosso estudo! Na prática, os perceptrons não são utilizados isoladamente – eles são combinados
com diversos outros perceptrons. Existem diversas formas de organização de perceptrons, sendo a

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 49

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

organização por camadas a mais comum. Aquelas que serão objeto de estudo nesse tópico serão:
Single Layer Perceptrons (SLP) ou Multilayer Perceptrons (MLP).

Single Layer Perceptrons (SLP)

A imagem seguinte apresenta uma rede neural do tipo Single Layer Perceptron (SLP). Trata-se de
uma rede neural que organiza os perceptrons em uma única camada de processamento. Professor,
não seriam duas camadas como mostra a imagem? Não! Apesar de possuir duas camadas, apenas os
perceptrons (que agora vamos chamar de nós) da camada de saída realizam processamentos – os
nós da camada de entrada apenas transferem os valores diretamente para a camada de saída.

Esse tipo de rede neural é raramente utilizado justamente por utilizar perceptrons originais, isto é,
aqueles cuja função de ativação é uma função de limite (em formato de degrau). Esse tipo de redes
neurais é mais adequado para resolver problemas de classificação, porém apenas aqueles em que
as classes são linearmente separáveis. Como é, Diego? Isso significa que ele só lida com situações
em que é possível traçar ao menos uma linha reta separando classes em um plano coordenado 5.

Note pela imagem anterior que as retas H2 e H3 permitem separar esse

conjunto de dados de em bolas sólidas e bolas vazias; já a reta H1 não
separa corretamente. O SLP é capaz de aprender apenas padrões
linearmente separáveis. Essas limitações importantes fazem esse tipo de
rede neural ser raramente utilizada, portanto nem vamos nos aprofundar.
Na verdade, eu passei essa noção mais para vocês entenderem melhor o
próximo tipo de rede neural: Multilayer Perceptrons (MLP).

5
Seria o equivalente a um hiperplano dentro de um espaço tridimensional.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 50

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Multilayer Perceptrons (MLP)

Trata-se de uma arquitetura de redes neurais artificiais que utiliza múltiplas camadas de
perceptrons. Nesse caso, temos duas camadas que realizam processamentos: camada oculta e
camada de saída. Da mesma forma da arquitetura anterior, os nós da camada de entrada apenas
transferem os valores (com seus respectivos pesos) para os nós da camada oculta ou camada
escondida – eles são os únicos perceptrons que não executam uma função de ativação.

Já em contraste com a arquitetura anterior, aqui são utilizados perceptrons modernos, isto é,
aqueles cuja função de ativação é uma função sigmóide. Aos dados de entrada são aplicados pesos,
em seguida eles são sendo processados pela camada oculta até chegarem a um resultado de saída.
Um exemplo resultado de saída poderia ser a probabilidade de uma pessoa ser do gênero masculino
ou feminino, de forma que aquela que tivesse maior probabilidade seria a previsão do algoritmo.

Em MLP, a lógica de conexão é: todos os elementos de uma camada se conectam a todos os

elementos da camada seguinte e apenas a eles! Em outras palavras, notem que elementos da
mesma camada não se conectam entre si. Até existem diversas outras arquiteturas de redes neurais
(Ex: Convolutivas (CNN), Recorrentes (RNN), Long Short-Term Memory (LSTM)), mas o nosso foco
aqui é em redes neurais de multicamadas. Há outro detalhe: são redes neurais feed-forward.

Isso significa que os sinais de informação de uma camada somente alimentam a próxima camada –
jamais alimentam a camada anterior ou a camada atual. Logo, os sinais não formam ciclos (em
contraste com redes neurais recorrentes, por exemplo). Em redes neurais feed-forward, os sinais
avançam sempre para frente, fluindo da camada atual para a próxima de forma sequencial. Por falar
em camadas, é possível que a rede neural tenha várias camadas ocultas 6.

6
Esse termo se refere ao fato de que essa parte da rede neural não é vista diretamente nem pelas nem pelas entradas nem pelas saídas. É como se
fosse uma caixa-preta em que entregamos um valor, ela faz uma série de processamentos e retorna um resultado.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 51

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Atualmente existem redes neurais com mais de mil camadas escondidas, além de trilhões de
perceptrons. Agora vocês se lembram que nós falamos de Deep Learning no início da aula? Nós
dissemos que era uma aplicação de aprendizado de máquina! Pois é, sendo mais específico, o
aprendizado profundo é uma rede neural artificial em que múltiplas camadas escondidas (ao menos
três7) de processamento são utilizadas para extrair progressivamente características de dados.

A imagem anterior apresenta um exemplo de aprendizado profundo. A ideia é que, após um grande
número de iterações (repetições), os pesos estejam relativamente ajustados e a rede convirja para
um ponto de estabilidade, isto é, há pouco ou nenhum ajuste dos pesos e os erros são bem mais
raros. Quando chegamos nesse ponto, podemos utilizar essa rede neural para generalizar um
problema para futuros novos dados de maneira assertiva.

Esse fenômeno em que erros de previsão entre saídas obtidas e saídas esperadas de uma rede
neural artificial são quantificados por meio de uma função de custo/perda (Ex: Erro Quadrático
Médio – EQM) e retornam para a rede em forma de ajuste dos pesos e vieses é chamado de
Retropropagação (ou Backpropagation). Sendo um pouco mais detalhista, esse algoritmo consiste
basicamente em duas etapas principais:

7
Não há um consenso sobre a quantidade mínima de camadas ocultas para se considerar uma rede neural como rede profunda.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 52

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

1. Etapa de Propagação: as entradas fluem através das camadas ocultas da rede neural e previsões
são obtidas na camada de saída;

2. Etapa de Retropropagação: calcula-se o gradiente da função de custo/perda na camada de saída

e ele é utilizado para atualizar os pesos (inclusive o viés) recursivamente.

O backpropagation é indiscutivelmente o algoritmo mais importante na história das redes neurais –

sem esse algoritmo, seria quase impossível treinar redes de aprendizagem profunda da forma que
vemos hoje. E o que é gradiente, Diego? Gradiente é um vetor de derivadas parciais (primeira
derivada) de uma função de saída em relação a valores de entrada. Falei grego, né? Vou explicar
rapidamente porque só vi isso cair até hoje em um concurso...

No aprendizado de máquina, frequentemente nós queremos otimizar alguma coisa. Para tal, nós
vamos alterando valores de uma função (às vezes aleatoriamente, às vezes de forma estruturada)
para retornar a melhor saída possível – em geral, buscamos os coeficientes que minimizam o erro.
Por exemplo: queremos treinar um algoritmo para, dada uma imagem, reconhecer se é um gato ou
um cachorro. O que fazemos?

Vamos alterando os coeficientes de uma determinada função até chegar ao menor erro possível.
Falando metaforicamente: imaginem que uma pessoa foi sequestrada e liberada no topo de uma
montanha. Ela está sozinha e deseja voltar para casa. Para tal, ela precisa descer até a base da
montanha, mas tem muita névoa – ao ponto de ela enxergar bem só 1 metro à frente dela. Qual
seria a melhor estratégia para essa pessoa?

Ela poderia dar um passo na direção sul e voltar, um passo na direção norte e voltar, um passo na
direção leste e voltar e um passo na direção oeste e voltar. Pronto! Ela compara qual passo chega
em uma altitude menor e desce nessa direção. Se ela fizer isso repetidamente, a cada passo ela
descerá para uma altitude mais baixa. Voltando à realidade, essa montanha pode ser representada
como na imagem seguinte:

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 53

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Notem que, para cada ponto, é calculado o gradiente e vamos descendo até chegar ao ponto mais
baixo, por isso é chamado de gradiente descendente. Ocorre que, assim como as montanhas, as
funções podem ser convexas ou não convexas. Uma função é dita convexa somente quando uma
linha traçada entre quaisquer dois pontos está sempre acima da curva; o que não ocorre em funções
não convexas. Vejam as diferenças:

Note que na curva que representa a função convexa, temos apenas um ponto mínimo; e na curva
que representa a função não convexa, temos mais de um ponto mínimo. Vejam outro exemplo:

Notem que, nas funções não convexas, temos um mínimo global, mas podemos ter vários mínimos
locais. Para finalizar esse assunto, é importante saber que existem dois tipos de gradiente
descendente: em lote (batch) e estocástico. O gradiente descendente em lote é adequado para
funções convexas, contínuas e diferenciáveis, e utiliza – a cada iteração – todos os dados da base de
treinamento para otimizar os pesos dos nós de uma rede neural.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 54

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Já o gradiente descendente estocástico é adequado para funções não convexas, e escolhe uma sub-
amostra aleatória dos dados da base de treinamento para otimizar parâmetros. Diego, se a questão
não especificar de qual gradiente descendente ela está falando, qual deles eu considero como padrão?
O padrão é pensar no gradiente descendente em lote. Existe uma matemática pesada envolvendo
todo esse assunto, mas evidentemente não entraremos nesse nível de detalhe.

Agora vamos falar de um ponto que eu acho que vocês não notaram: há duas maneiras de
representar o viés em uma arquitetura de multicamadas de perceptrons. É possível representá-lo
como um valor externo adicionado à soma ponderada de cada perceptron ou como um nó sempre
ativo que recebe uma entrada de valor fixo = 1 e é multiplicado por um valor de peso variável. Ambos
são matematicamente idênticos! E por que existe o viés?

Considere um exemplo simples: você tem um perceptron com dois nós de entrada e1 e e2 e um nó
de saída s. As entradas e1 e e2 são recursos binários e, em nosso exemplo, têm o valor e1 = e2 = 0.
Ora, se os valores de entrada são 0, então os pesos não terão nenhuma relevância porque qualquer
valor multiplicado por 0 é 0. Se não existisse o viés, o nó de saída retornaria 0. Ele é útil, portanto,
para aumentar a flexibilidade do modelo para se adequar aos dados.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 55

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Note que, no segundo caso, o nó especial de viés é inserido na camada de entrada e nas camadas
ocultas, mas não faz sentido incluí-lo na camada de saída. Além disso, não está representado na
imagem, mas cada segmento de reta que liga representa um valor da camada anterior multiplicado
pelo seu respectivo peso. Já caiu um nome alternativo para o viés em outras provas chamado Termo
de Interceptação (ou Intercept Term).

É análogo ao intercepto em um modelo de regressão linear e tem exatamente a mesma função –

representa o valor no qual uma função cruza o eixo y. Como se trata de um valor constante
independente de outras variáveis, mesmo que as entradas sejam 0, ainda teremos um valor de
saída. Bem, para finalizar é importante dizer que nesse tópico falamos apenas da aplicação de redes
neurais no aprendizado supervisionado.

No entanto, é importante destacar que há aplicações de redes neurais artificiais também em

aprendizado não-supervisionado – como são bem mais raros, não entramos em detalhes aqui nessa
aula. Por fim, a mensagem que eu gostaria de deixar para vocês é que a razão pela qual o
aprendizado de máquina – especialmente o aprendizado profundo – tem um papel dominante
atualmente se dá também pela quantidade gigantesca de dados que temos disponíveis hoje em dia.

A junção do avanço tecnológico colossal em relação aos processadores de computadores de grande

porte com um conjunto de dados de treinamento virtualmente infinito em alguns casos permite o
treinamento de redes neurais com um número surreal de perceptrons. E essas redes conseguem
identificar padrões estatísticos cada vez mais sutis que permitem fazer coisas inimagináveis alguns
anos atrás. Eu sei que foi um tópico pesado, mas isso é o estado da arte em tecnologia ;)

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 56

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Fontes de Erro em Modelos Preditivos

RELEVÂNCIA EM PROVA: baixíssima

Um modelo preditivo busca acertar o máximo de previsões sobre novos dados (dados
desconhecidos – aqueles que não fizeram parte dos dados do conjunto de treinamento do algoritmo
de aprendizado de máquina). No entanto, erros acontecem! Por melhor que seja um modelo
preditivo, ele possuirá uma taxa de erros. E o que seria um erro em um modelo preditivo? Trata-se de
uma diferença entre o valor previsto e o valor real obtido. Legal...

E por que erros acontecem em um modelo preditivo? Atualmente existem tecnologias de hardware e
software modernas capazes de realizar processamentos extremamente complexos que executam
cálculos matemáticos absurdamente avançados e, ainda assim, nossos modelos preditivos ainda
erram previsões. Por que isso ocorre? Vamos novamente imaginar o cenário em que um algoritmo
busca prever o gênero de uma pessoa baseada em um conjunto de características.

Suponha que uma tabela contenha 100 milhões de linhas, cada uma representando uma pessoa.
Nas colunas, há dados sobre diversas variáveis disponíveis sobre essas pessoas (Ex: altura, peso,
idade, cor do cabelo, envergadura, classe social, nacionalidade, quantidade de plaquetas, taxa de
testosterona, taxa de estrogênio, percentual de gordura, etc). Um bom algoritmo vai aprender com
essas 100 milhões de entradas e ajustará os pesos de cada característica.

Ele provavelmente dará um peso baixíssimo para o atributo de classe social, uma vez que a taxa de
homens e mulheres por classe social é praticamente idêntica, logo esse atributo influenciará pouco
na previsão de gênero de uma pessoa. Por outro lado, o percentual de gordura terá um peso maior,
porque geralmente homens tem menor percentual de gordura que mulheres. É provável que esse
algoritmo tenha uma taxa de acerto em suas previsões de, por exemplo, 99,00%.

Isso significa que, a cada 100 observações, esse modelo erra uma única previsão! Apenas uma, mas
erra! E por quê? Porque é possível existir um homem com altura e peso medianos, baixa taxa de
testosterona, alta taxa de estrogênio, entre outros atributos. Dito de outra forma, um algoritmo
preditivo geralmente não é capaz de eliminar todas as possíveis zonas de interseção entre diversas
categorias de classificação. E quais são as fontes de erro de um modelo preditivo?

Quando queremos prever o resultado de um fenômeno, idealmente precisamos modelá-lo. Logo,

os dados observados a partir de um fenômeno qualquer pode ser modelado como:

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 57

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Note que os dados observados podem ser generalizados como uma função das variáveis disponíveis
+ uma função de variáveis indisponíveis + variações. O dado observado ao final é a previsão se uma
pessoa é homem ou mulher; as variáveis disponíveis são aquelas que efetivamente conhecemos e
estão presentes em nossa tabela, tal como peso, altura, etc; as variáveis desconhecidas são aquelas
que influenciam no resultado, mas nós não as conhecemos. Como assim, Diego?

Uma variável desconhecida poderia ser a taxa de hemoglobina no sangue, que é um grande
indicativo de gênero – dado que homens possuem uma taxa maior que mulheres. Já as variações
podem ser divididas em aleatoriedades e erros: a primeira indica um possível fenômeno que não
obedece a nenhum padrão estatístico; e a segunda pode ocorrer de diversas formas tais como erros
de ruídos, erros de medida, erros de aproximação, erros de registro, entre outros.

Erros de ruídos ocorrem, por exemplo, quando o rádio começa a chiar – o que significa que ele está
captando sinais que não deveriam estar sendo captados; erros de medida ocorrem quando, por
exemplo, há um desgaste no instrumento de medida, o que faz com que os resultados obtidos
sejam diferentes; erros de aproximação ocorrem quando fazemos, por exemplo, arredondamentos
nas medidas; erros de registros ocorrem quando, por exemplo, anotamos errado as medidas.

Note, portanto, que o resultado obtido (homem ou mulher) depende de funções que eu realmente
consigo modelar, mas também de funções de variáveis desconhecidas (que não podem ser
modeladas), além de padrões aleatórios que – por definição – não podem ser modelados
individualmente e um conjunto de possíveis erros sobre os quais nem sempre podemos modelar de
forma satisfatória.

Vocês se lembram que uma ideia fundamental do aprendizado de máquina é minimizar o erro? Pois é!
Conforme podemos notar pelo diagrama apresentado, nada podemos fazer quanto às variáveis
desconhecidas ou aleatoriedades, mas podemos tentar minimizar erros de ruído, medida, registro,
aproximação, entre outros. Dito isso, por que modelos erram? Em regra, porque ele não é capaz de
modelar de forma satisfatória todos os elementos que compõem o resultado obtido de um dado.

Não é possível modelar a função de variáveis desconhecidas assim como a aleatoriedade de um

dado individual, justamente por ser aleatória8; é possível modelar alguns erros, mas nem sempre de
forma satisfatória; é difícil separar no resultado obtido qual é a contribuição da função de variáveis
disponíveis do restante dos elementos; é possível que o modelo encontre padrões que não existem
por conta dos outros elementos; é possível haver overfitting ou underffiting (veremos adiante).

Por fim, um bom modelo encontra padrões que podem ser generalizados por uma função que reduz
o erro de generalização obtido para entradas desconhecidas. Lembrando que a generalização é a
capacidade de aprender com os dados disponíveis as regras gerais que você pode aplicar a todos os

8
Apesar de complexo, é até possível modelar a aleatoriedade de um conjunto de dados, mas não de dados individuais.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 58

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

outros dados. Dados fora da amostra de treinamento, portanto, tornam-se essenciais para
descobrir se é possível aprender com os dados e até que ponto. Fechou? :)

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 59

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Validação e Avaliação de Modelos Preditivos

RELEVÂNCIA EM PROVA: baixa

Vamos passar rapidamente pelo fluxo de processos típico de aprendizado de máquina para modelos
preditivos. Para tal, vejam o diagrama a seguir:

O pré-processamento é a primeira etapa na construção de um modelo de aprendizado de máquina.

Em um contexto de aprendizado supervisionado, são recebidos dados brutos (conhecidos como
variáveis independentes) e as possíveis categorias que o modelo tentará prever (conhecidas como
variáveis dependentes). É realizada a limpeza e formatação dos dados brutos, além da extração e
seleção de características, isto é, os atributos serão avaliados.

Essa etapa também é responsável por remover possíveis características redundantes, excessivas,
desnecessárias ou altamente correlacionadas – também chamado de redução de dimensionalidade
(que veremos mais à frente). Em seguida, separamos os dados de forma aleatória em duas partes:
conjunto de dados de treinamento (ou indução) e conjunto de dados de teste. Em geral, divide-se
de forma que o primeiro seja maior que o segundo – mas isso não é uma regra!

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 60

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Em poucas palavras, podemos dizer que os dados de treinamento são utilizados para construir um
modelo, enquanto os dados de teste são utilizados para validar o modelo construído. Professor, o
que seria esse tal modelo? Um modelo é basicamente uma equação matemática utilizada para
definir valores de saída a partir de valores de entrada. A ideia do algoritmo de aprendizado de
máquina é ir ajustando essa equação até que ela consiga fazer previsões satisfatórias! Voltando...

Nós podemos afirmar que os dados de treinamento são aqueles utilizados como fonte para
identificação de um padrão estatístico consolidado que possa ser representado por um modelo de
aprendizado de máquina, isto é, são os dados que vamos utilizar para treinar a máquina. Já os dados
de teste são aqueles que não foram utilizados para treinamento e serão utilizados apenas para a
avaliação do desempenho do modelo, isto é, são dados de teste que a máquina nunca teve contato.

Uma vez que os conjuntos de dados estejam prontos, o segundo passo é selecionar um algoritmo
para executar sua tarefa desejada. Na etapa de aprendizagem, é possível testar alguns algoritmos
e ver como eles se comportam. Há uma grande variedade de métricas que podem ser usadas para
medir o desempenho de um modelo de aprendizado de máquina (Ex: Acurácia – proporção de
previsões corretas sobre o total de previsões possíveis).

Um bom modelo é aquele que foi bem treinado ao ponto de conseguir ser generalizado para dados
desconhecidos. Dito isso, se o modelo criado a partir dos dados de treinamento for utilizado nos
dados de teste e resultar em uma boa acurácia, podemos dizer que ele encontrou um padrão geral
nos dados e faz uma boa generalização; se tiver uma baixa acurácia, podemos dizer que ele
identificou um padrão muito específico dos dados de treino, mas não faz uma boa generalização.

Ao final do treinamento, teremos um modelo final criado com base nos padrões estatísticos
extraídos do conjunto de dados de treinamento. A etapa seguinte busca realizar previsões de
rótulos (categorias) baseado nos dados de teste, que são desconhecidos pelo algoritmo. Como nós
sabemos qual é o resultado esperado de categoria, podemos avaliar se o modelo criado acertou a
categoria e descobrir se ele permite fazer uma boa generalização dos dados.

Professor, por que fazemos a avaliação baseado no conjunto de dados de teste e, não, no conjunto de
dados de treinamento? Ora, porque o modelo foi criado com base nos dados de treinamento, logo
ele certamente teria um bom desempenho com os dados de treinamento. Nós somente podemos
avaliar se o modelo criado tem realmente um bom desempenho se fizermos testes com dados que
ele nunca teve contato, como os dados de teste.

Agora vejam só: eu falei para vocês que o conjunto de dados seria dividido de forma aleatória em
duas partes. Ocorre que essa divisão não é tão simples assim! Em primeiro lugar, é importante que
essa divisão seja aleatória, isto é, não escolher individualmente os dados que farão parte de um
conjunto ou de outro. Em segundo lugar, é importante que não existam dados repetidos nos dois
conjuntos – lembrem-se que os dados de teste devem ser inéditos e desconhecidos para o modelo.

Agora imagine que eu passei um bom tempo treinando meu algoritmo para criar um modelo e, ao
utilizar os dados de teste, descubro que o modelo está com uma baixa acurácia. Poxa, agora nós

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 61

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

gastamos todos os nossos dados de treinamento, gastamos todos os nossos dados de teste e só
descobrimos ao final que o modelo não estava adequado. O que fazer, Diego? É possível usar uma
estratégia que avalia o desempenho do modelo enquanto ocorre o processo de treinamento.

Essa estratégia divide os dados em três conjuntos: treinamento, validação e teste. Por meio dela, é
possível avaliar o desempenho de vários modelos distintos ou até mesmo avaliar o desempenho
dos modelos com a otimização de hiperparâmetros diferentes (veremos mais à frente). A ideia é
fazer diversos ajustes de modelagem ainda em tempo de treinamento que permitam verificar qual
modelo (e com que parâmetros) generaliza melhor os dados.

O final do processo continua o mesmo: o modelo final é executado com os dados de teste (que
permanecem desconhecidos por parte do modelo) e seu desempenho é calculado por meio da
métrica de acurácia. Ocorre que temos um problema: nem sempre temos dados suficientes para
treinar e testar o modelo. Há casos em que temos uma infinidade de dados, logo é até irrelevante
como será a divisão dos dados para cada um dos conjuntos.

Em outros casos, a quantidade de dados é pequena! E aí, como dividimos entre os conjuntos? Se
colocarmos muitos dados para o conjunto de treinamento, teremos poucos dados para o conjunto
de testes – isso significa que teremos provavelmente um modelo que faz uma generalização dos
dados de boa qualidade, mas não teremos como saber porque nossa estimativa de desempenho
tem pouca confiabilidade (baixa precisão preditiva). Temos também o caso inverso...

Se colocarmos muitos dados para o conjunto de testes, teremos poucos dados para o conjunto de
treinamento, logo a estimativa de desempenho do modelo será confiável (alta precisão preditiva),
mas ele fará uma generalização de má qualidade. É como um cobertor curto: se cobrir as pernas, a
cabeça fica de fora; e se cobrir a cabeça, as pernas ficam de fora. Dito tudo isso, agora precisamos
falar sobre validação cruzada.

Validação Cruzada

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 62

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

A validação cruzada é uma técnica para avaliar a capacidade de generalização de um modelo, a

partir de um conjunto de dados – é empregada quando se deseja realizar predições. Busca-se
estimar o quão preciso é um modelo na prática, ou seja, o seu desempenho em um novo conjunto
de dados. Idealmente, o modelo deve ser avaliado em amostras que não foram usadas para
construir ou ajustar o modelo, de modo que forneçam um senso imparcial de eficácia do modelo.

A Validação Cruzada pode ocorrer de forma exaustiva ou não-exaustiva. Vejamos os detalhes de

cada uma dessas formas a seguir:

▪ Forma Exaustiva: essa técnica basicamente envolve testar o modelo de todas as formas
possíveis – dividem-se os dados originais definidos em conjuntos de treinamento e teste (Ex:
Leave-P-Out – LpO e Leave-One-Out – LoO).

Para provas de concurso, a forma não-exaustiva é mais cobrada, portanto – nesse momento – basta
saber que o LpO é uma abordagem que deixa de fora p observações ao fazer a validação cruzada,
isto é, havendo n observações, haverá n-p amostras para treinamento e p observações são usadas
pela validação. Já o LoO é um caso particular do LpO em que p = 1. Nesse caso, apenas uma
observação é retirada do conjunto de treinamento ao fazer a validação cruzada.

▪ Forma Não-Exaustiva: essa técnica também divide os dados originais definidos em conjuntos
de treinamento e teste, mas isso não ocorre analisando todas as permutações e combinações
possíveis (Ex: Holdout e K-Fold).

O Método Holdout consiste basicamente em dividir o conjunto de dados em subconjuntos

mutuamente exclusivos (disjuntos): um para treinamento e outro para testes. O subconjunto de
treinamento pode ser subdividido também para validação (otimização de parâmetros). O problema
desse método é que não é certo que o conjunto de dados de validação seja representativo da
amostra, além de ter pouca eficiência quando se tem uma amostra poucos dados.

Um regime de hold-out muito comum é o 50/30/20. Como assim, Diego? É simplesmente a divisão
do conjunto de dados em 50% para treinamento, 30% para avaliação e 20% para testes.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 63

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Uma solução para esse problema é utilizar o Método K-Fold. A ideia aqui é simples: sabe quando
mostramos a nossa primeira estratégia, que dividia o conjunto de dados em dados de treinamento e de
teste? Pois é, a validação cruzada fará exatamente a mesma coisa, mas diversas vezes. No exemplo
abaixo, nós fizemos cinco vezes essa divisão entre dados de treino e dados de teste. No entanto,
observe que cada uma das partições ou divisões é diferente uma da outra.

Pensem que esses dados estão dispostos em uma tabela com diversas linhas. A primeira partição
pegou as 80% primeiras linhas da tabela para treino e o restante para teste; a segunda pegou as
60% primeiras linhas para treino, as 20% seguintes para teste e o restante também para treino; a
terceira pegou as 40% primeiras linhas para treino, as 20% seguintes para teste e o restante para
treino; e assim por diante...

Dessa forma, conseguimos fazer cinco modelos diferentes e independentes de forma que cada
modelo será treinado e avaliado com um conjunto (particionamento) diferente dos dados. Essa

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 64

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

ideia foi genial! Logo, temos agora cinco modelos e cinco métricas de desempenho diferentes.
Pronto! Agora podemos fazer uma avaliação do meu modelo preditivo como uma média dos cinco
desempenhos diferentes.

Nós não precisamos mais decidir se vamos atribuir mais dados para o treinamento ou mais dados
para o teste. Basta fazer algumas partições, pegar a média e teremos uma avaliação mais
satisfatória do desempenho do meu modelo preditivo. Não existe uma partição ideal entre treino e
teste, mas é comum a divisão em 80% Treino e 20% Teste. Bem, a única desvantagem é que há um
custo computacional em fazer esses testes diversas vezes.

Em suma: o método de validação cruzada denominado k-fold consiste em dividir o conjunto total
de dados em k subconjuntos mutuamente exclusivos do mesmo tamanho e, a partir daí, um
subconjunto é utilizado para teste e os k-1 restantes são utilizados para treinamento do modelo de
predição. Este processo é realizado k vezes sendo que, ao final das k iterações, calcula-se a acurácia
sobre os erros encontrados.

O resultado desse método é uma medida mais confiável sobre a capacidade de um modelo
preditivo de generalizar os dados a partir de um conjunto de dados de treinamento. O esquema a
seguir representa bem como funciona a validação cruzada: a Parte A mostra as diversas iterações
de divisões em dados de treino e dados de teste; a Parte B mostra o aprendizado de máquina pelos
dados de treinamento; e a Parte C mostra a avaliação do desempenho pelos dados de teste.

Note que a performance é calculada como 1/5 do somatório das cinco performances (= média das
performances). Em outras palavras, trata-se de da média aritmética das performances. Note que a
diferença fundamental entre o Método Holdout e o Método K-Fold é que o segundo faz diversas
divisões diferentes dos dados para calcular o desempenho. Logo, cada subconjunto será utilizado
para teste em algum momento...

Por fim, também é importante destacar que o Método K-Fold é geralmente mais adequado quando
temos um conjunto de dados de tamanho limitado/pequeno e também pode ser utilizado para
identificar overfitting (veremos adiante). Já o Holdout é mais adequado quando o conjunto de dados
tem um tamanho maior e também pode ser utilizado para fornecer uma estimativa de quão bem
um modelo generaliza para dados não vistos. Vejamos um esquema final do Método K-Fold:

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 65

[Link] 310

61542958393 - Victor Brunos Soares de Souza

Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 66

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Curva ROC

Vamos pensar no contexto da pandemia de coronavírus! Imagine que no início da pandemia, um

médico italiano era responsável por avaliar se um paciente estava infectado com o vírus ou não.
Ainda não havia testes rápidos e a demanda por exames era absurdamente alta, então ele tinha que
realizar o diagnóstico apenas por meio de alguns sintomas (Ex: uma pontuação positiva ou negativa
para indicadores como febre, falta de ar, tosse, espirros, dores no corpo, perda de paladar, etc).

Ocorre que, em uma situação emergencial como a que vivemos, se tivermos um falso-negativo (ou
seja, uma pessoa estava infectada com o vírus, mas não foi diagnosticada), a consequência é
gravíssima porque ela pode retornar para o seu convívio social e infectar diversas outras pessoas.
Nesse sentido, podemos afirmar que o sucesso do médico italiano pode ser medido de duas formas:
pela taxa de verdadeiros-positivos e pela taxa de falsos-positivos.

Os verdadeiros-positivos seriam os pacientes diagnosticados com o vírus e que realmente estavam

infectados pelo vírus; já os falsos-positivos seriam os pacientes diagnosticados com os vírus e que,
na verdade, estavam apenas com uma gripe ou outro vírus qualquer. Dito isso, o médico italiano
poderia criar um modelo que prevê se um paciente com um conjunto de sintomas está ou não
infectado com o coronavírus.

Em seguida, ele pode testar o modelo criado com um conjunto de dados de treino em que já se
conheça de antemão se o paciente está ou não infectado. Ao fazer isso, o modelo devolverá um
valor para cada paciente que indicará a probabilidade de esse paciente estar infectado com
coronavírus (Ex: Paciente 1 tem 12% de probabilidade de estar infectado, enquanto o Objeto 2 tem
89% de probabilidade de não estar infectado).

A partir daí, o médico italiano poderá definir um limiar (ou ponto de corte): por exemplo, se o
modelo que ele treinou retornar uma probabilidade maior ou igual a 50%, ele vai considerar que o
paciente está infectado; já se retornar uma probabilidade menor ou igual a 50%, ele vai considerar
que o paciente não está infectado. Só que a escolha desse é importantíssima, porque estamos
falando de contaminação em massa e potenciais vítimas fatais. Como assim, Diego?

Galera, se o limiar for 50%, pode ser que ocorram muitos falsos-negativo, isto é, o médico achou
que o paciente não estava infectado, mas infelizmente ele estava. Resultado? Ele mandou o
paciente para casa, que acabou infectando diversas outras pessoas e ocasionando mortes. Uma

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 67

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

alternativa seria reduzir o limiar, maximizando a cobertura dos falsos-negativos e aumentando os

falsos-positivos. Professor, o risco de um falso-positivo não é pior?

Não! Um falso-positivo indica que o médico diagnosticou o paciente como infectado, mas ele não
estava – o impacto disso é muito menor, dado que o paciente apenas ficará isolado em observação.
Bacana, mas e qual é o limiar ideal? 20%? 40%? 25%? 35%? 1%? É possível criar uma matriz de
confusão para cada um desses limiares para tentar descobrir o limiar ótimo, mas há uma ferramenta
melhor: Curva ROC!

O que ela faz, Diego? Ela basicamente fornece uma maneira simples de resumir matrizes de
confusão de acordo com cada valor possível para o limiar. Vejamos alguns gráficos...

O gráfico acima exibe a curva de uma regressão logística com uma função sigmoide em que o eixo
X representa, por exemplo, a pontuação para um conjunto de sintomas de um paciente e o eixo Y
representa, por exemplo, a probabilidade de esse paciente estar infectado ou não com o
coronavírus. Note que as bolinhas azuis acima da curva representam os verdadeiros-positivos (Ex:
o médico previu que o paciente estava infectado com o coronavírus e ele realmente estava).

As bolinhas azuis abaixo da curva representam os falsos-positivo (Ex: o médico previu que o
paciente estava infectado, mas ele não estava). Já os quadradinhos vermelhos acima da curva

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 68

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

representam os falsos-negativos (Ex: o médico previu que o paciente não estava infectado, mas ele
estava). Por fim, os quadradinhos vermelhos abaixo da curva representam os verdadeiros-
negativos (Ex: o médico previu que o paciente não estava infectado e ele realmente não estava).

Percebam pelo gráfico que o limiar está em 50% (0,5), logo qualquer valor igual ou maior que 0,5
será previsto como infectado e qualquer valor menor que 0,5 será previsto como não infectado.
Considerando que estamos tratando de uma questão de vida ou morte, esse limiar foi bem escolhido?
Bem, vejam que tivemos três ocasiões em que o modelo previu que o paciente não estava infectado,
mas que infelizmente ele estava.

Note também que tivemos cinco ocasiões (não dá para ver muito bem, mas tem uma bolinha azul
colada na outra) em que o modelo previu que o paciente estava infectado, mas que ele não estava,
no entanto, esse caso é menos grave nesse contexto. Dito isso, podemos concluir que é mais
importante minimizar os falsos-negativos, mesmo que ocorra um aumento substancial de falsos-
positivos. Para tal, podemos ajustar o limiar conforme o gráfico seguinte:

Percebam que agora o limiar agora está em 0,25 e que não temos mais nenhum falso-negativo,
mesmo que tenham aumentado os falsos-positivos (alarme falso) e que tenham reduzido os
verdadeiros-negativos. No gráfico anterior, o modelo acerta em todos os casos positivos, apesar de
errar mais em casos negativos. Bem, nós vimos em tópicos anterior os conceitos de sensibilidade
(razão de verdadeiros positivos) e especificidade (razão de falsos negativos).

Vamos relembrar rapidamente a diferença entre sensibilidade e especificidade. Quando uma

mulher está com sua menstruação atrasada e decide por um teste de farmácia, o que estamos
buscando é a presença de GCH (Gonadotrofina Coriônica Humana), e simplesmente sua presença.
Em outras palavras, os testes de farmácia estão calibrados para acusar qualquer traço de GCH na
urina da paciente.

Nesse momento, não importa se iremos quantificar ou não, se queremos saber semanas etc.,
queremos saber se tem ou se não tem GCH na urina, para que depois façamos uma análise mais
criteriosa a partir desse primeiro exame. Assim, o teste de farmácia para gravidez é um teste com
alta sensibilidade. Indo na contramão da sensibilidade, temos a especificidade. Logo, imaginemos
uma paciente que acusou positivo para GCH na urina.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 69

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Precisamos de um exame que seja mais específico para identificar essa substância no sangue da
paciente, que não acuse os falsos-positivos e seja determinante para o diagnóstico. Nessa hora, não
basta saber se tem ou se não tem GCH, queremos saber definitivamente se a paciente está ou não
grávida. Nessa hora, entra o exame de sangue, que é mais específico para o objetivo: identificar
uma possível gravidez.

Baseado nesses conceitos e no primeiro gráfico que vimos (com limiar em 0,5), podemos criar mais
dois gráficos: Sensibilidade x Limiar e (1 – Especificidade) x Limiar.

Não tem nada complexo nesses gráficos: apenas fizemos uma matriz de confusão para cada valor
de limiar (0 a 1) e plotamos a Sensibilidade (razão de verdadeiros-positivos) e 1 – Especificidade
(razão de falsos-positivos) em função de cada limiar. Já a Curva ROC é a curva formada em um
gráfico de sensibilidade por 1 – Especificidade (conforme apresentado no gráfico a seguir). Ela
permite avaliar a variação de sensibilidade/especificidade à medida que se modifica o limiar.

À medida que se escolhe um limiar com maior sensibilidade, necessariamente, se penitencia a

classificação diagnóstica por sua menor especificidade e vice-versa. Em outras palavras, quanto
mais a curva se aproxima do canto superior esquerdo, melhor é a qualidade do teste quanto à
capacidade para discriminar os grupos. E a linha de referência diagonal apresentada no gráfico
representa uma região de completa aleatoriedade do teste em que sensibilidade = especificidade.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 70

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Agora se vocês entenderam mesmo, vão assimilar rapidinho a interpretação de alguns gráficos! O
que acontece se o médico definir que o limiar é 0,00 (0%)? Vejamos:

Note que com um limiar zerado, diagnosticamos todo mundo com coronavírus. Logo, o modelo
acerta todos os casos em que o paciente realmente estava infectado – tanto os verdadeiros-
positivos quanto os falsos-positivos (representado nos gráficos seguintes). Por outro lado, o modelo
erra todos os casos em que o paciente não estava infectado – tanto os verdadeiros negativos quanto
os falsos-negativos.

Se o médico decidir que o limiar será 1,00 (100%), ocorre o exato oposto – conforme podemos ver
nos gráficos seguintes:

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 71

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Legal, mas uma maneira melhor de visualizar esses dados é por meio da Curva ROC, que resume os
dois gráficos de razão em um só. Por que essa curva é importante? Porque ela permite verificar
rapidamente qual é o valor de limiar que maximiza os verdadeiros-positivos ao mesmo tempo que
minimiza os falsos-negativos. Vejam no gráfico à esquerda que – com a escolha do limiar em 0,25 –
não temos nenhum falso-negativo, apesar de termos mais falsos-positivos.

Já a curva ROC nos mostra que, a partir do ponto verde, acertamos todos os verdadeiros-positivos
e uma boa parte dos falsos-positivos. E qual é o limiar ideal? É aquele ponto que está mais longe do
classificador aleatório representado pela linha diagonal. No gráfico à esquerda, temos um limiar
ótimo para o contexto, dado que o ponto verde é o ponto da curva que está mais distante da linha
diagonal; já no gráfico à direita, temos um modelo de acurácia perfeita (o que não é muito realista).

Agora eu preciso explicar uma coisa bem rapidinho: nós vimos que para construir a Curva ROC, nós
temos que plotar um gráfico de Sensibilidade x (1 – Especificidade). O que é a Sensibilidade? É a Taxa
de Verdadeiros-Positivos (TVP). E o que é a Especificidade? É a Taxa de Verdadeiros-Negativos
(TVN). Ocorre que, quando fazemos 1 – Especificidade (TVN), nós obtemos – pela fórmula – a Taxa
de Falsos-Positivos (TFP). Vamos provar isso?

VN
𝐄𝐒𝐏𝐄𝐂𝐈𝐅𝐈𝐂𝐈𝐃𝐀𝐃𝐄 (𝐓𝐕𝐍) =
FP + VN

VN (FP + VN) − VN FP
𝟏 − 𝐄𝐒𝐏𝐄𝐂𝐈𝐅𝐈𝐂𝐈𝐃𝐀𝐃𝐄 = 𝟏 − = = = 𝐓𝐀𝐗𝐀 𝐃𝐄 𝐅𝐀𝐋𝐒𝐎 − 𝐏𝐎𝐒𝐈𝐓𝐈𝐕𝐎 (𝐓𝐅𝐏)
FP + VN FP + VN FP + VN

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 72

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Professor, para que explicar isso? Meu cérebro já está pipocando! É por uma única razão: uma questão
de prova pode afirmar que a Curva ROC é plotada como um gráfico de Sensibilidade x (1 –
Especificidade); ou como um gráfico de Taxa de Verdadeiros-Positivos (TVP) x 1 – Taxa de
Verdadeiros-Negativos (TVN); ou, o mais comum, como um gráfico de Taxa de Verdadeiros-
Positivos (TVP) x Taxa de Falsos-Positivos (TFP). Todas as maneiras estão corretas :)

Por fim, é importante falar sobre AUC (Area Under the Curve). Trata-se do termo usado para
descrever a área sob a curva ROC, sendo usada no aprendizado de máquina para medir a capacidade
de um modelo de discriminar duas classes e também para medir o desempenho de uma variedade
de outros algoritmos. É bem simples: se a área sob a curva de um algoritmo for maior que a área
sob a curva de outro algoritmo, significa que ele possui um desempenho melhor.

Avaliação de Regressão

Quando lidamos com modelos de classificação, as métricas fazem comparações se a classes foram
corretamente previstas ou não. Ao utilizarmos a regressão, isto fica inviável, pois estamos lidando
com valores numéricos potencialmente infinitos. Logo, a principal abordagem das métricas de
regressão baseia-se na diferença entre o valor real e o previsto, no qual e representa o desvio, y
representa o valor real e ŷ é o valor preditos.

Nos próximos parágrafos, vamos analisar as principais métricas de desempenho de uma regressão
(sim, existem diversas formas de calcular o desempenho):

Erro Médio Absoluto (EMA)

Trata-se da medida da média dos erros em um conjunto de previsões, sem considerar sua direção.
É calculado como a média das diferenças absolutas entre os valores previstos e os valores reais. O
MAE (Mean Absolute Error) é uma medida da precisão do modelo e ajuda a identificar o viés e a
variância. Quanto menor seu valor, mais preciso é o modelo. Ele é frequentemente usado para
comparar o desempenho entre modelos diferentes.

Note que é utilizado o operador módulo | | para capturar apenas a diferença positiva entre valores
reais e valores preditos.

Erro Quadrático Médio (EQM)

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 73

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Trata-se de uma medida da média dos quadrados dos erros em um conjunto de previsões. É
calculado como a média das diferenças quadradas entre os valores previstos e os valores reais. O
MSE (Mean Squared Error) não utiliza o modulo para capturar a diferença positiva entre valores reais
e preditos e, sim, o quadrado (por isso se chama erro quadrático médio). Dessa forma, ele penaliza
diferenças fora do normal (outliers). Como assim, Diego?

Imagine que, no contexto do nosso problema, o valor real de uma observação seja 5 e o valor predito
pelo modelo de regressão seja 35. Dito isso, temos que:

▪ MAE (Mean Absolute Error): |5 – 35| = |-30| = +30;

▪ MSE (Mean Squared Error): (5 - 35)² = (-30)² = +900.

Viram como essa métrica penaliza muito mais valores com desvio alto do que a métrica anterior? Pois
é! Quanto maior é o valor de MSE, significa que o modelo não performou bem em relação as
previsões. Ocorre que essa métrica tem um problema grave: por haver a elevação ao quadrado, a
unidade de medida fica distorcida, isto é, se a unidade de medida for em metros (m), o resultado
será em m². Isso dificulta a interpretação se o erro foi grande ou pequeno!

Raiz do Erro Quadrático Médio (REQM)

Trata-se de uma medida da raiz da média dos quadrados dos erros em um conjunto de previsões.
diferentes modelos. O RMSE (Root Mean Squared Error) é basicamente o mesmo cálculo do MSE,
porém aplicada a raiz quadrática para lidar com o problema de interpretabilidade da diferença entre
unidades dado que a unidade do desvio fica com a mesma escala da unidade original. Por outro
lado, ela não penaliza com tanta veemência os valores outliers.

Coeficiente de Determinação (R²)

Também chamado de Coeficiente de Determinação, trata-se da proporção da variabilidade dos

dados que é explicado pelo modelo. Em outras palavras, é a medida de quão bem um modelo de
regressão se ajusta os dados. É calculado como a proporção da variância na variável dependente
que é explicada pelo modelo. Quanto maior o valor de R², melhor o modelo se ajusta aos dados – os
valores de R² variam de 0 a 1, com 1 indicando um ajuste perfeito.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 74

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Por exemplo: um R² = 0,8234 significa que o modelo linear explica 82,34% da variância da variável
dependente a partir do regressores (variáveis independentes) incluídas naquele modelo.

▪ R² = 0% indica que o modelo não explica nada da variabilidade dos dados de resposta ao redor
de sua média.
▪ R² = 100% indica que o modelo explica toda a variabilidade dos dados de resposta ao redor de
sua média.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 75

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Underfitting e Overfitting
RELEVÂNCIA EM PROVA: ALTA

Vamos fazer alguns experimentos? Eu vou precisar bastante da atenção de vocês agora! Vejam esse
conjunto de pontos de dados azuis apresentado a seguir em um plano cartesiano: no eixo das
abscissas, nós temos variáveis de entradas; e no eixo das ordenadas, nós temos as variáveis de
saída. Dado um valor de variável de entrada, temos um valor de variável de saída respectivo. E o que
isso tem a ver com aprendizado de máquina, professor?

A ideia por trás de um algoritmo de aprendizado de máquina é criar um modelo – representado no

plano cartesiano como uma curva – que melhor se ajuste aos dados. Essa curva tem que ser de tal
forma que generalize os dados de treino e minimize os erros para dados novos, isto é, se eu inserir
um novo dado de entrada, eu gostaria que o meu modelo fizesse uma previsão de dado de saída de
forma que tivesse o menor erro (distância) possível em relação à curva.

Agora vocês se lembram que nós vimos a diferença entre dados de treinamento e dados de teste? Pois
é, isso será muito útil agora! Primeiro, nós precisamos treinar o nosso algoritmo de forma que ele
gere a curva desejada; depois nós precisamos testar se a curva se ajusta aos dados de teste; e só
depois ele estará pronto para ser efetivamente usado com novos dados. Dito isso, agora é o
momento de dividir esses pontos de dados em pontos de treinamento e pontos de dados de teste:

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 76

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Pronto! Os pontos verdes são aqueles que serão utilizados para treinar nosso modelo e os pontos
vermelhos serão aqueles que serão utilizados para testar o nosso modelo. Agora nós já podemos
começar a treinar o nosso modelo, mas faremos isso – evidentemente – utilizando apenas os pontos
de dados de teste. Logo, temos que excluir os pontos vermelhos, porque eles não podem ser
utilizados para o treinamento do algoritmo. Lembram? Vamos deixá-los quietinhos...

Legal! Agora como nós vamos fazer o treinamento do modelo? É bastante simples: nós podemos
utilizar diferentes modelos de aprendizado de máquina e verificar quais deles geram uma curva que
melhor se ajusta aos dados. Podemos ver na imagem seguinte três exemplos de modelos e suas
respectivas curvas. O primeiro modelo apresenta uma linha reta; o segundo modelo apresenta uma
espécie de parábola; e o terceiro modelo apresenta uma linha bastante sinuosa.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 77

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Note que o primeiro modelo apresenta uma linha bem distante da maioria pontos – não está muito
ajustada; já o segundo modelo apresenta uma curva um pouco mais próxima aos pontos; por fim, o
terceiro modelo apresenta uma curva praticamente perfeita – ele está impecavelmente ajustado
aos pontos de dados. Pergunto: qual é o melhor modelo? Pô, professor... eu sei que a aula é difícil,
mas eu não sou tão bobo assim – é óbvio que o terceiro modelo é o melhor!

RESPOSTA: ERRADA
Coooooooooooooomoooooooooo aaaaaaaaaaaaassiiiiiiim, Diego? Galera, os pontos de dados verdes
representam nossos dados de... treino e quem define qual é o melhor modelo são os dados de...
teste. Se liguem porque essa pegadinha pode cair na sua prova! Dessa forma, a maneira mais
interessante de verificar qual é o modelo é plotar as mesmas três curvas, porém com os dados de
teste (pontos vermelhos). Vamos relembrar como eles eram...

Opa... agora basta plotar as curvas que descobrimos durante o nosso treinamento, porém aplicadas
aos dados de teste. Vejam só como é que fica:

E agora, mudaram de opinião? Note que o modelo representado pela segunda curva é o que melhor
generaliza os dados. Na primeira curva, ocorre o que chamamos de Underfitting (Subajuste): a reta
não se ajusta bem nem aos dados de treino nem aos dados de teste, logo podemos afirmar que o
modelo possui falta de parâmetros, desempenho ruim, pouca expressividade e excessiva
simplicidade para modelar a real complexidade do problema para novos dados.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 78

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Na terceira curva, ocorre o que chamamos de Overfitting (Sobreajuste): a curva se ajusta muito bem
aos dados de treino, mas não se ajusta tão bem aos dados de teste, logo podemos afirmar que o
modelo possui parâmetros demais, desempenho ruim, muita expressividade e excessiva
complexidade para modelar a real complexidade do problema. O modelo apenas memoriza os
dados de treino, logo não é capaz de generalizar para novos dados.

Vocês se lembram do diagrama apresentado acima? Pois é! Dados observados são o resultado de um
conjunto de variáveis disponíveis + um conjunto de variáveis indisponíveis + aleatoriedade + erros.
Se a nossa curva está acertando perfeitamente todos os pontos do conjunto de dados de treino,
significa que não há nenhuma variável indisponível, nenhuma aleatoriedade e nenhum erro. Isso
até pode ocorrer, mas somente em casos extremamente raros e excessivamente simples.

Na maioria dos casos, existem variáveis indisponíveis + aleatoriedade + erros. Se o modelo tiver um
excesso de complexidade, ele não generalizará bem para novos dados. A essência do overfiting é
extrair parte da variação residual para a modelagem da curva como se essa variação representasse
a estrutura do modelo (e, não, apenas um ruído). Bem, como eu gosto de fazer comparações, vamos
ver algumas agora para você nunca mais esquecer!

Imagine que você vá ao shopping comprar uma camisa social. Você não quer errar, então pede ao
vendedor que traga todos os tamanhos possíveis: P, M, G!

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 79

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Você veste a camisa G e nota que ela fica completamente folgada, isto é, ela não se ajusta bem ao
seu corpo – há sobras para todo lado (underfitting); depois você veste a camisa P e parece que ela
foi ajustada perfeitamente para você – não há uma sobra sequer (overfitting); por fim, você veste a
camisa M e fica um modelo intermediário – nem muito ajustada nem muito folgada. Por que seria
ruim comprar a camisa P?

Porque se você tirar férias e engordar uns 3 kg, a camisa não entra mais; ou se você estiver
estudando muito para o seu concurso e emagrecer uns 3 kg, ela fica muito folgada. Logo, o modelo
intermediário é que o melhor se ajusta a eventuais novos dados (kg a mais ou a menos). A seguir,
há dois exemplos humorísticos clássicos em qualquer aula sobre esse assunto. Se você não os
entender, chame no fórum de dúvidas que a gente esclarece ;)

Viés e Variância

Antes de descobrir como resolver esses tipos de problema, vamos discutir dois conceitos
importantes: viés e variância. A palavra “viés” é comumente utilizada em nossa língua com o
significado de viciado ou fortemente inclinado a respeito de algo. Por exemplo: se um chefe
pergunta para um funcionário qual é a opinião dele sobre seu próprio desempenho no trabalho, essa
opinião poderá estar enviesada, isto é, conter um vício, uma inclinação, uma parcialidade.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 80

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Em outras palavras, a pessoa acha que está tendo um excelente desempenho, mas a realidade é
que o desempenho dela está longe do ideal. Aqui é bem parecido: o modelo acha que está fazendo
uma boa previsão, mas a realidade é que sua previsão está longe do ideal. Logo, podemos dizer que
o viés é o erro que resulta de suposições imprecisas de um modelo. Em termos técnicos, trata-se da
diferença entre a predição do valor de uma variável e o valor correto que o modelo deveria prever.

Dessa forma, o viés trata da incapacidade de um modelo de capturar o verdadeiro relacionamento

entre variáveis. Dito isso, um modelo de aprendizado de máquina com alto viés é aquele que erra
bastante as previsões de valores (isto é, possui baixa acurácia); já um modelo de aprendizado de
máquina com baixo viés é aquele que acerta bastante as previsões de valores (isto é, possui alta
acurácia). Entendido?

Já a variância trata de quanto as previsões de um modelo variam ao serem usados diferentes dados
de treino – trata da sensibilidade de um modelo ao ser utilizado com conjuntos de dados de treino
diferentes. Dito isso, um modelo com alta variância é aquele cujas previsões sobre diferentes
conjuntos de dados variam bastante (baixa generalização); e um modelo com baixa variância é
aquele cujas previsões sobre diferentes conjuntos de dados são consistentes (alta generalização).

E qual é o modelo ideal? O modelo ideal é aquele com baixo viés e baixa variância. Dito isso, vamos
tentar interpretar a imagem seguinte:

COMBINAÇÕES DESCRIÇÃO REPRESENTAÇÃO

Trata-se de um modelo que possui ótima precisão em suas previsões
BAIXO VIÉS E BAIXA com dados de treino e que varia muito pouco quando aplicado a
VARIÂNCIA novos dados. Note que os pontos estão no centro do alvo e não estão
espalhados.

Trata-se de um modelo que possui boa precisão em suas previsões

BAIXO VIÉS E com dados de treino (overfitting), mas que varia bastante quando
ALTA VARIÂNCIA aplicado a novos dados. Note que os pontos estão próximos ao
centro do alvo, porém estão um pouco espalhados.

Trata-se de um modelo que possui péssima precisão em suas

ALTO VIÉS E previsões com dados de treino (underfitting), mas que varia pouco
BAIXA VARIÂNCIA quando aplicado a novos dados. Note que os dados estão longe do
centro do alvo, porém não estão espalhados.

Trata-se de um modelo que possui péssima precisão em suas

ALTO VIÉS E previsões com dados de treino e que varia bastante quando aplicado
ALTA VARIÂNCIA a novos dados. Note que os pontos estão longe do centro do alvo e
também estão bastante espalhados.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 81

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Para termos o modelo mais próximo do ideal, devemos fazer algumas escolhas: se aumentarmos a
variância, reduziremos o viés; se reduzirmos a variância, aumentaremos o viés. Logo, a melhor
estratégia é encontrar o equilíbrio entre esses dois erros que melhor atenda ao modelo de
aprendizado de máquina em treinamento. É importante destacar que modelos lineares geralmente
tem alto viés e baixa variância e modelos não lineares geralmente são o contrário.

Dito isso, para resolver problemas de overfitting, podemos tomar algumas atitudes: utilizar mais
dados de treinamento (com maior variedade); utilizar validação cruzada com vários modelos para
detectar o melhor desempenho; realizar a combinação de múltiplos modelos diferentes (também
chamado de ensemble); limitar a complexidade do modelo por meio de técnicas de regularização;
adicionar ruído aleatório nos dados de treinamento para reduzir o ajuste.

Já para resolver problemas de underfitting, podemos aumentar a complexidade do modelo;

aumentar o tempo de treino; selecionar variáveis; reduzir a regularização.

Para finalizar esse assunto, vamos ver um gráfico muito famoso: Complexidade do Modelo x Erros
de Predição. A complexidade de um modelo de aprendizado de máquina é definida em função da
quantidade de parâmetros ou variáveis: quanto mais parâmetros, mais complexo; quanto menos
parâmetros, menos complexo. Já a quantidade de erros de predição nos indica quão bom é um
modelo: quanto menos erros de predição, melhor; quanto mais erros, pior.

Agora observem que temos duas curvas: (1) azul – referente ao conjunto de dados de treinamento;
e (2) vermelho – referente ao conjunto de dados de validação. Vamos analisá-las separadamente: a
curva azul nos mostra que, ao aplicar o modelo a um conjunto de dados de treinamento, a
quantidade de erros diminui à medida que a complexidade do modelo aumenta. Logo, quanto mais
complexo é um modelo, menos erros teremos – por isso, trata-se de uma curva descendente.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 82

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Já a curva vermelho nos mostra que, ao aplicar o modelo a um conjunto de dados de validação, a
quantidade de erros diminui, chega em um vale, e depois aumenta novamente – percebam que a
curva tem formato de uma parábola invertida. Esse ponto em que a curva chega em um vale é
chamado de ponto de mínimo erro, porque é quando o modelo que foi treinado com dados de
treinamento apresenta menos erros de predição quando aplicada aos dados de validação.

Note que, à esquerda, temos uma região com curvas mais próximas, o que nos indica um modelo
pouco complexo e apresenta alta taxa de erros de predição tanto nos dados de treinamento quanto
nos dados de validação. Já à direita, temos uma região com curvas mais distantes, o que nos indica
um modelo complexo e apresenta baixa taxa de erros de predição nos dados de treinamento e alta
taxa de erros de predição nos dados de validação.

Ora, quando um modelo vai mal em suas predições quando aplicado a um conjunto de dados de
treinamento e também a um conjunto de dados de validação, ocorre underfitting (região à
esquerda); quando um modelo vai bem em suas predições quando aplicado a um conjunto de dados
treinamento e vai mal quando aplicado a um conjunto de dados de validação, ocorre overfitting
(região à direita). Nesse último caso, dizemos que o modelo generaliza mal os dados.

Ensemble

Nós já vimos diversos modelos de aprendizado de máquina na aula até agora. Cada um tem a sua
particularidade, então pergunto: por que não combinar esses modelos? Ora, alguém já teve essa
ideia: o nome disso é Ensemble! É normalmente utilizado quando os modelos individuais têm
algum viés ou quando os dados são muito complexos para um único modelo capturar com precisão
todos os padrões. São uma poderosa ferramenta para aumenta a precisão e reduzir o overfitting.

Vamos entender isso melhor! No aprendizado de máquina, não importa se estamos diante de um
problema de classificação ou regressão, a escolha do modelo a ser utilizado é extremamente
importante para termos alguma chance de obter bons resultados. Essa escolha pode depender de
muitas variáveis diferentes do problema, tais como: quantidade de dados, dimensionalidade do
espaço, tipo de dado, entre outros.

A imagem seguinte representa a Fábula dos Homens Cegos e o Elefante. Trata-se da história de um
grupo de homens cegos que nunca viram um elefante antes e que imaginam como ele é ao tocá-lo.
Cada um sente uma – e apenas uma – parte diferente do corpo do elefante (Ex: tromba, pata, orelha,

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 83

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

rabo). Eles, então, descrevem o elefante com base em sua experiência limitada e suas descrições
do elefante são diferentes umas das outras (Ex: cobra, árvore, bainha de couro, rato peludo).

A história dos métodos de aprendizado de máquina é relativamente parecida. Quando temos um

conjunto de dados complexos, faz-se necessário reunir os esforços de vários métodos (diferentes
ou não) para se obter a melhor previsão possível. Falando de forma mais técnica, idealmente é
desejado chegar a um modelo de aprendizado de máquina que tenha baixo viés e baixa variância.
No entanto, no mundo real isso é muito difícil de alcançar com algoritmos isolados. Por quê?

Porque sabemos que existe um trade-off: se aumentarmos a complexidade de um modelo, ele fica
mais preciso (menor viés), mas fica mais sensível a pequenas flutuações (maior variância); se
reduzirmos a complexidade de um modelo, ele fica menos sensível a pequenas flutuações (menor
variância), mas fica menos preciso (maior viés). No entanto, se nós combinarmos diversos métodos
de aprendizado de máquina, podemos chegar a algo mais razoável.

No contexto do ensemble, nós chamamos de weak learner (ou modelos de base) os modelos de
aprendizado de máquina que podem ser utilizados como blocos de construção para projetar
modelos mais complexos, combinando vários deles. Conforme vimos, na maioria das vezes, esses
modelos básicos não funcionam tão bem sozinhos, seja porque apresentam um viés alto, seja
porque têm muita variância para serem suficientemente robustos.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 84

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Assim, a ideia por trás do ensemble é tentar reduzir o viés e/ou variância desses weak learners,
combinando vários deles para criar um Strong Learner (ou Ensemble) que alcance melhores
desempenhos. Vamos ver um exemplo? Imagine que eu queira treinar um modelo de aprendizado
de máquina para classificar imagens como imagens de cachorro-quente ou não imagens de
cachorro-quente. Para tal, nós vamos combinar três algoritmos diferentes...

Em nossos treinamentos, conseguimos 65% de acurácia para Árvores de Decisão, 75% de acurácia
para Support Vector Machine (SVM) e 60% de acurácia para regressão logística, logo o algoritmo
que acertou mais vezes a imagem de um cachorro-quente foi o SVM. Ocorre que essa foi apenas a
fase de treinamento! Para verificar se modelo de aprendizado é realmente bom, nós precisamos
verificar com novos dados. Logo, testamos os três algoritmos com uma nova imagem:

Note que o primeiro algoritmo classificou a imagem como sendo de um cachorro-quente e o

segundo também, já o terceiro classificou como não sendo de um cachorro-quente. Como se trata
de um ensemble, precisamos combinar as previsões para decidir qual será a decisão final do
agregado de algoritmos. Para tal, fazemos uma votação: como o resultado foi 2x1 para cachorro-
quente, é assim que a imagem será classificada.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 85

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Na imagem acima também tivemos uma votação em que cada robô representa uma instância de
um algoritmo de aprendizado de máquina e o placar foi: 4x2 para imagem de um gato!

Professor, como seria se o ensemble fosse utilizado para regressão em vez de classificação? Nesse caso,
o valor de saída seriam valores numéricos e, não, categóricos. Assim, a predição seria dada pela
média aritmética simples ou ponderada dos valores de saída dos três algoritmos. O ensemble
funciona, portanto, sob a forma de um comitê, utilizando-se de resultados de vários modelos
preditivos aplicados sobre a mesma base de dados para atingir melhores resultados.

É importante destacar que é possível realizar diferentes tipos de agregação: nós podemos mudar
os algoritmos de aprendizado utilizados; nós podemos aumentar/diminuir a quantidade de
algoritmos utilizados; nós podemos mudar os hiperparâmetros utilizados nos algoritmos. Esse
último caso é interessante: é possível fazer um ensemble com diversas instâncias do algoritmo de
aprendizado de máquina, mas utilizando hiperparâmetros diferentes, por exemplo.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 86

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Quando utilizamos instâncias do mesmo algoritmo, dizemos que se trata de um ensemble

homogêneo; caso contrário, dizemos que se trata de um ensemble heterogêneo. Outro ponto
importante: a escolha dos algoritmos deve ser coerente com a forma como os agregamos. Como
assim, Diego? Se escolhermos algoritmos com baixo viés, mas alta variância, ele deve estar com
outro algoritmo que tende a reduzir a variância; e o contrário também.

Dito isso, fica a pergunta: como combinar esses modelos diferentes de agregação de algoritmos de
aprendizado de máquina? Existem três maneiras (também chamadas de meta-algoritmos):

Bagging

O Bagging (Bootstrap Aggregating) cria classificadores para o ensemble a partir de uma

redistribuição do conjunto de dados de treinamento. Esse conjunto de dados de treinamento é
gerado selecionando-se aleatoriamente os exemplos da base de aprendizagem com reposição.
Dessa forma, o algoritmo provê a diversidade, lançando-se mão do conceito de redistribuição
aleatória dos dados. Vamos entender isso melhor...

Você tem que entender dois pontos: primeiro, esse método utiliza um conjunto de algoritmos de
aprendizado de máquina homogêneo (ou seja, são diversas instâncias do mesmo algoritmo);
segundo, esse método utiliza uma técnica chamada Bootstrapping. Isso significa que são extraídos
vários subconjuntos do conjunto de dados de treinamento por meio de uma amostragem aleatória,
sendo que os pontos de dados podem aparecer mais de uma vez no subconjunto (podem se repetir).

O Bootstrap é utilizado para criar muitos conjuntos de treinamento diferentes que podem ser
usados para treinar vários modelos. Vamos ver um exemplo:

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 87

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Note que o conjunto de dados de treinamento original contém doze pontos de dados: {1, 2, 3, 4, 5,
6, 7, 8, 9, 10, 11, 12}. Em seguida, foram gerados diversos subconjuntos desse conjunto de dados de
treinamento: {1, 10, 3, 8, 3}, {4, 2, 11, 9, 3}, ..., {5, 12, 1, 5 ,6}. O nome disso é amostragem com
substituição e significa que, ao criar subconjuntos de dados, cada ponto de dados é escolhido
aleatoriamente e pode ser incluído mais de uma vez no mesmo subconjunto.

No contexto de Bagging, essas diferentes amostras são utilizadas em diversas instâncias diferentes
de algoritmos de aprendizado de máquina e geram um resultado numérico (regressão) ou
categórico (classificação). Pense em um conjunto de dados de treinamento formado por fotos de
diversos vegetais. Nós podemos utilizar o bootstrapping para gerar amostras com substituição:
{maçã, brócolis, maçã}, {maçã, uva, uva} e {brócolis, uva, brócolis}.

Em seguida, nós passamos essas amostras para diferentes instâncias do mesmo algoritmo de
aprendizado de máquina (Ex: Árvores de Decisão) de forma que ela possa classificar uma foto nova
e, por votação ou média, decidir se a imagem é de uma maçã, uma uva ou um brócolis. É mais ou
menos isso que é representado na imagem seguinte. Observação: as árvores aleatórias (random
forests) são basicamente a utilização de bagging em árvores de decisão.

Em síntese: bagging é um método que utiliza diversas instâncias do mesmo algoritmo de

aprendizado de máquina com o conjunto de dados de treinamento extraído por meio de
amostragem por substituição do conjunto de dados originais a fim de minimizar a variância sem
aumentar o viés combinando os resultados dos modelos de base em uma saída (output) que
representa a média dos valores (regressão) ou maioria dos votos (classificação).

Por meio da combinação estatística de cada algoritmo, é possível aprimorar a estabilidade e

acurácia, além de evitar o overfitting. É importante observar que o número de subconjuntos, bem
como o número de itens por subconjunto e o tipo de algoritmo serão determinados pela natureza

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 88

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

do seu problema de aprendizado de máquina. Para problemas de classificação, em geral são

necessários mais subconjuntos em comparação com problemas de regressão.

Boosting

O Boosting também busca combinar algoritmos de aprendizado de máquina para gerar um

ensemble, no entanto ele difere do Bagging na forma como os algoritmos são treinados. No
Bagging, os algoritmos eram treinados independentemente uns dos outros, enquanto no Boosting
os algoritmos são treinados sequencialmente, de forma que cada algoritmo subsequente se foque
nos erros cometidos pelo algoritmo anterior.

Além disso, o Bagging é utilizado para reduzir a variância sem aumentar o viés e é geralmente mais
adequado para resolver problemas de overfitting, enquanto o Boosting é utilizado para reduzir o viés
sem aumentar a variância e é geralmente mais adequado para resolver problemas de underfitting.
Para entender isso melhor, vamos dar uma olhada na imagem seguinte em temos um conjunto de
dados original com pesos idênticos.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 89

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Esse conjunto de dados passa por um modelo de base que faz previsões - acertando algumas e
errando outras classificações. Note pela imagem que ele acertou cinco bolinhas roxas e uma
amarela; mas errou diversas outras. O algoritmo de boosting avalia as previsões e atribui pesos
maiores às classificações incorretas do primeiro algoritmo – além de atribuir um peso ao modelo de
base em si de acordo com seu desempenho. Por que isso, Diego?

Para que modelos que produzam previsões excelentes tenham uma grande influência sobre a
decisão final. Os mesmos dados do conjunto inicial são passados para o próximo modelo de base
fazer a mesma rotina, mas agora ponderados (com peso). Note que, no segundo passo, os dados
classificados corretamente pelo modelo de base anterior estão mais claros (menor peso) e os dados
classificados incorretamente pelo modelo de base anterior estão mais escuros (maior peso).

O segundo modelo de base recebe os dados que foram classificados pelo modelo anterior e
também faz diversas previsões – acertando algumas e errando outras classificações. Essa rotina é
repetida diversas vezes e, ao final de vários ciclos, o método de boosting combina essas regras fracas
de previsão em uma única regra de previsão poderosa. Em geral, o boosting é utilizado com árvores
de decisão: os algoritmos de boosting mais famosos são AdaBoosting e Gradient Boosting.

Vamos entender melhor essa questão da ponderação. Os pesos basicamente refletem a

importância ou influência de um ponto de dado no modelo. Como é isso, Diego? Imaginem que um
algoritmo de base está tentando detectar se há a presença de um cachorro em uma determinada
imagem. Se a imagem for do rosto de um cachorro, de frente e bem iluminada, vocês hão de
concordar comigo que é mais fácil de prever.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 90

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Já se a imagem for de um cachorro distante, em uma posição diferente e a imagem estiver com a
qualidade meio ruim, é claro que é mais difícil de prever. Dito isso, os pontos de dados (imagens de
cachorros) que foram classificadas erroneamente por um modelo de base devem ter maior
influência (peso) para o próximo modelo de base. Além disso, o modelo de base que conseguir
classificar corretamente uma imagem com peso maior também deve receber um peso maior.

Em síntese: boosting combina vários weak learners (modelos de base) de forma independente e
sequencial, de modo que cada um compense a fraqueza do algoritmo anterior – além de utilizar
uma amostragem de dados por substituição com ponderação (atribuição de pesos aos dados
incorretamente previstos e aos modelos em si). Além disso, ele é fácil de entender e fácil de
interpretar, aprendem com seus erros e não requerem pré-processamento de dados.

Stacking

A ideia aqui é um pouquinho diferente: primeiro, nós dividimos nosso conjunto de dados em três
partes: dados de treinamento, dados de validação e dados de teste – os dados de treinamento são
usados para construir o modelo; os dados de validação são usados para avaliar o modelo e ajustar
seus parâmetros; e os dados de teste são usados para medir o desempenho do modelo após ele ter
sido treinado e otimizado (eles fornecem uma medida imparcial do desempenho para dados novos).

Vejam a imagem anterior: ela é composta de três tabelas, que representam os conjuntos de dados
A, B e C – sendo A o conjunto de dados de treinamento, B o conjunto de dados de validação e C o
conjunto de dados de teste. Cada tabela tem n variáveis de entrada ou features (x0, x1, x2, ... xn) e
uma variável-alvo (y). Interpretando a tabela A, podemos ver que os valores da primeira linha (0.17,
0.25, 0,93, 0.79), por exemplo, geram um resultado que foi classificado como y = 1.

Professor, por que tem uma interrogação na variável alvo da tabela C? Porque essa é a tabela dos
dados de teste, isto é, a tabela utilizada para medir o desempenho – o resultado da variável-alvo é
justamente o que queremos prever. Bacana! Então agora nós vamos utilizar três algoritmos de
aprendizado de máquina diferentes para treinar nosso modelo sobre o mesmo conjunto de dados
de treinamento (Ex: KNN será o algoritmo 0, SVM será o algoritmo 1 e RNA será o algoritmo 2).

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 91

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Após treinar o algoritmo por meio dos três algoritmos (chamados de modelos de base) utilizando
os dados da Tabela A, vamos aplicá-los aos dados das tabelas B e C – o que resultará nas predições
apresentadas nas tabelas B1 e C1 a seguir. Notem que as tabelas B1 e C1 contêm três colunas (pred0,
pred1 e pred2) e a mesma variável-alvo. Cada modelo foi treinado e, quando aplicados os valores
das features de B e C, foi retornado um valor de predição. Vamos interpretar as tabelas...

O algoritmo 0 (Ex: KNN) foi treinado com os dados da Tabela A e depois aplicado aos dados da
Tabela B, gerando um output (Ex: 0.24), e também aos dados da Tabela C, gerando outro output
(Ex: 0.50). É claro que isso foi feito para cada linha das tabelas, então – como tínhamos cinco linhas
nas Tabelas B e C – foram geradas cinco linhas também nas tabelas B1 e C1. Legal, agora vem o pulo
do gato: o metamodelo (também chamado de modelo de nível 1).

O metamodelo é mais um algoritmo de aprendizado de máquina construído sobre um conjunto de

outros modelos de base (também chamados aqui de modelos de nível 0). Esse metamodelo busca
a combinação ótima dos modelos de base, recebendo como entrada (input) a previsão dos modelos
da etapa anterior com o intuito de devolver uma saída (output) com a previsão final – o que ajuda a
reduzir o viés e melhorar a previsão.

Ao final, as predições de B1 se tornam entrada para treinar o Algoritmo 3 e fazemos previsões para
C1 a fim de verificar a acurácia.

O nome stacking é porque nós vamos "empilhando" algoritmos tipicamente heterogêneos de

aprendizado de máquina para fazer previsões. O esquema seguinte representa de forma
simplificada tudo que vimos: um mesmo conjunto de dados de treinamento é passado para
diferentes modelos de aprendizado de máquina que geram predições; essas predições servem de
entrada para um metamodelo fazer a predição final.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 92

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

O esquema a seguir exibe de forma mais lúdica: temos os mesmos dados de entrada, mas diferentes
modelos de base fazem predições que se tornam entradas para o metamodelo.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 93

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Técnicas de Regularização
RELEVÂNCIA EM PROVA: baixa

Nós vimos anteriormente que – para qualquer problema de aprendizado de máquina – é possível
afirmar que um ponto de dado observado é o resultado de uma função de variáveis disponíveis +
uma função de variáveis indisponíveis + variações. Como – por óbvio – não temos disponíveis as
variáveis indisponíveis, podemos simplificar para: um determinado ponto de dado qualquer é o
resultado de uma função de variáveis disponíveis + variações.

Por exemplo: se quiséssemos modelar o preço de um apartamento em um bairro de uma cidade

grande, poderíamos dizer que isso dependerá da área total do apartamento, número de quartos,
quantidade de vagas de garagem, entre outros. Se disponibilizássemos esses dados de milhares de
apartamentos de um bairro para treinamento, o modelo de aprendizado de máquina tentaria
encontrar um padrão a partir dessas características na forma de uma equação.

Ocorre que os apartamentos não obedecem diretamente a esse padrão. Como assim, Diego? Ora,
essa fórmula é muito simples: nós informamos a área total, o número de quartos e a quantidade de
banheiros, e ela me retorna uma previsão de valor de um apartamento come essas características.
Ocorre que existem diversos casos de apartamentos com exatamente a mesma área total, mesmo
número de quartos e mesma quantidade de banheiros, e que possuem preços diferentes.

Vocês nunca viram apartamentos em um mesmo prédio com as mesmas característica, mas que
possuem valores bem distintos? Pois é, essa variação de preço entre apartamentos com as mesmas
características modeladas é parte das variações – principalmente por conta de ruído. Você pode me
dizer: professor, não basta adicionar mais algumas características para ter uma previsão mais certeira
do preço de um apartamento? Boa ideia, nós podemos tentar!

Vamos adicionar mais alguns parâmetros, tais como: valor do condomínio, proximidade do centro
da cidade e valor do IPTU. Podemos disponibilizar essas informações para o treinamento do modelo
de aprendizado de máquina de forma que ele nos forneça uma equação mais complexa e precisa
para previsão do preço de um apartamento nesse bairro. Ocorre que ainda assim existirão
apartamentos com essas características exatamente iguais e preços diferentes.

Professor, vou apelar agora: quero inserir mais características! Opa... você é quem manda! Vamos
adicionar agora a quantidade de guarda-roupas, lâmpadas e torneiras para o nosso modelo fazer a
melhor previsão possível. Bacana! Agora nós temos um modelo tão preciso e tão complexo que ele

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 94

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

é capaz de prever o preço de qualquer apartamento em nossa lista de dados de apartamentos. Esse
é o mundo perfeito, correto? Não, vocês caíram em um erro já conhecido chamado:

overfitting
À medida que vamos adicionando mais variáveis, tendemos a fazer previsões cada vez melhores
sobre os dados de treinamento. No entanto, além de um certo ponto, a adição de mais variáveis
deixa de ajudar na modelagem e começa a atrapalhar. O modelo começa a encontrar padrões onde
existem variações (aleatoriedades, ruídos, etc), dado que não existe lei que obrigue uma pessoa a
seguir uma equação para definir o preço de seu apartamento – ela escolhe o preço que quiser!

Observe que o nosso modelo está tão complexo que ele está até mais complexo que o próprio
fenômeno que ele está tentando modelar. Nós sabemos que o valor de um apartamento está
intimamente ligado a algumas dessas características, mas não todas. Onde já se viu calcular o valor
de um apartamento pela quantidade de torneiras? Nós só adicionamos essas variáveis para se ajustar
aos nossos dados de treinamento, mas esquecemos que os preços de imóveis possuem variações.

Ao adicionar cada vez mais variáveis, o modelo começa a procurar padrões onde não existe! Ele vai
tentar encontrar padrões onde, na verdade, existe apenas uma variação/ruído. E há como encontrar
padrão em variações aleatórias, professor? Pessoal, há como encontrar padrão em basicamente
qualquer coisa! Existe um fenômeno cognitivo chamado Apofenia, que é a percepção de padrões
ou conexões em dados aleatórios.

Sabe aquelas pessoas que veem rostos na fumaça do acidente do 11 de Setembro, rostos nas crateras
da lua ou a imagem de Nossa Senhora no vidro de uma janela no interior de São Paulo? Ou aquelas
pessoas que “descobrem” que todo vencedor da mega-sena da Virada de anos pares fez uma aposta
única em que o segundo número era primo? Pois é, não existe nenhum padrão nessas situações! É
tudo aleatório, mas – se forçarmos a barra – nós conseguimos encontrar padrões na aleatoriedade.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 95

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Se nós – humanos – conseguimos encontrar padrões em coisas aleatórias, imagine uma máquina
com altíssimo poder computacional. No entanto, é bom sempre salientar que se trata de um padrão
espúrio, ilegítimo, mentiroso! E como podemos ter certeza disso? A avaliação sobre o desempenho
de um modelo vem por meio da sua execução sobre dados de teste. Como ele modelou padrões
espúrios, ele não conseguirá fazer boas previsões sobre novos dados. Como é, Diego?

Voltando ao nosso exemplo lúdico, a pessoa que achou aquele padrão espúrio na mega-sena da
virada não vai vencer no próximo sorteio porque esse padrão encontrado é falso! Esse é o caso típico
de overfitting, em que um modelo possui ótima precisão em suas previsões com dados de
treinamento, mas varia bastante quando aplicado a novos dados. E onde entra a regularização nessa
história? A regularização é o ajuste fino da complexidade do modelo.

A regularização pode ser aplicada a modelos de árvore de decisão, modelos de regressão, modelos
de redes neurais, etc. Vamos ver como a regularização se aplica a esses modelos...

Aplicada a Regressões

A técnica de regularização para modelos de aprendizado de máquina que utilizam regressão linear
busca efetivamente regularizar, normalizar ou suavizar modelos excessivamente complexos ou que
dão muito destaque para uma característica específica. Como assim, Diego? A ideia aqui é manter
as características, mas impor uma restrição à magnitude dos coeficientes. Quando as restrições são
aplicadas aos parâmetros, o modelo produz uma função mais suave e menos propensa a overfitting.

Para tal, são introduzidos parâmetros de regularização, conhecidos como fatores de regularização
ou termos de penalização, que controlam a magnitude dos pesos dos parâmetros, comprimem seus
valores e garantem que o modelo não esteja se adaptando aos dados de treinamento. É como se
ele inserisse uma penalidade à reta de melhor ajuste aos dados de treino a fim de reduzir a variância
nos dados de teste e restringir a influência das variáveis sobre o resultado previsto.

Acima temos a fórmula de uma regressão linear de múltiplas variáveis. Para essa equação, nós
temos que: x é o valor de cada variável de entrada; y é o valor real de saída previsto; p é o número
total de variáveis; b é o coeficiente do modelo; w é o peso ou coeficiente de cada variável. E como
sabemos que uma função está bem ou mal ajustada aos dados de teste? Por meio do cálculo do erro:
quanto menor o erro, melhor o ajuste!

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 96

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

O erro é a diferença entre o valor obtido e o valor previsto, logo a distância em vermelho entre os
pontos pretos e a reta azul é chamada de erro de previsão. Cada ponto de dados em um conjunto
cria tais erros e, para calculá-lo, utilizamos uma função erro (também chamada de função custo).
Essa função geralmente é representada como a Residual Squared Sum (RSS), que é a soma dos
quadrados dos erros e sabemos que o erro é a diferença entre valor obtido e previsto.

É isso que a fórmula anterior tenta representar: um modelo preditivo de aprendizado de máquina
tenta ajustar os dados de forma que minimize a função de custo, isto é, reduza a soma dos
quadrados dos erros ou resíduos. Existem três tipos básicos: Lasso (L1), Ridge (L2) e Elastic Net
(L1+L2). A diferença entre elas está do termo de penalização ou regularização utilizado no
coeficiente, mas eles ajudam a reduzir o excesso de adaptação aos dados de treinamento.

Lasso (L1)

Além de diminuir a variância do modelo, essa regularização tem uma outra importante aplicação
em aprendizado de máquina: quando há múltiplas variáveis altamente correlacionadas (ou seja, que
se comportam da mesma maneira) essa regularização seleciona apenas uma dessas variáveis e zera
os coeficientes das outras. Desse modo, esse modelo realiza uma seleção de variáveis de forma
automática, gerando vários coeficientes com peso zero.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 97

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Vejam que o início da fórmula é idêntico à fórmula de RSS, mas ao final temos uma soma
(representada como Regularização L1) responsável por penalizar a função objetivo 9. No caso do
Lasso (L1), essa regularização se dá pela soma (Σ) dos pesos (w) em valores absolutos (|w|). Isso leva
a ter diversos atributos com peso zero, isto é, modelos mais simples, com menos atributos – apenas
aqueles que são realmente fundamentais para reduzir significativamente o erro de previsão.

Ridge (L2)

Nesse caso, a penalização consiste nos quadrados dos coeficientes, ao invés de seus módulos. Qual
será o efeito dessa regularização nos coeficientes de duas variáveis altamente correlacionadas?
Poderíamos ter duas variáveis com coeficientes parecidos, ou uma com coeficiente alto, e outra
com coeficiente zero. Como a penalização é desproporcionalmente maior para coeficientes
maiores, essa regularização faz com que variáveis correlacionadas tenham coeficientes parecidos.

Mais uma vez, o início da fórmula também é idêntico à fórmula de RSS, mas ao final temos uma
soma (representada pela Regularização L2) responsável por penalizar a função objetivo. No caso da
Ridge (L2), essa regularização se dá pela soma (Σ) do quadrado dos pesos (w²), mas não em valores
absolutos (percebam que não há o sinal de módulo). Entre a regularização L1 e L2, a segunda é bem
mais comum de ser utilizada.

Elastic Net (L1 + L2)

9
A função objetivo é utilizada para medir o desempenho de um modelo de aprendizado de máquina. Trata-se de um valor numérico que representa
o quão bem o modelo prevê resultados corretos. Em geral, a função objetivo é uma função de custo/perda, como o Erro Quadrático Médio (EQM) ou
o Erro Absoluto Médio (EAM). O objetivo é minimizar a função objetivo para obter o melhor desempenho possível do modelo.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 98

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

A Elastic Net é a combinação linear entre L1 e L2, e produz um regularizador que possui os
benefícios dos regularizadores L1 (Lasso) e L2 (Ridge). Dessa forma, obtemos o melhor dos dois
mundos, porém temos que enfrentar o problema de determinar dois hiperparâmetros para obter
soluções ótimas. O Elastic Net é bastante aplicado a algoritmos de Support Vector Machines (SVM).
Vejamos a sua fórmula:

Obs: eu não acredito que seja necessário memorizar essas fórmulas (oremos!)
Vamos dar uma resumida: a regularização no contexto de regressões funciona adicionando um
termo de penalidade à função objetivo (função de custo) do modelo. Este termo de penalidade é
em função da magnitude dos coeficientes (pesos) do modelo e aumenta à medida que a magnitude
dos coeficientes aumenta – o que encoraja o modelo a manter os coeficientes pequenos. Isso ajuda
a reduzir o overfitting e melhorar a generalização do modelo.

Há três formas: Lasso (L1), Ridge (L2) e Elastic Net (L1+L2). A primeira calcula a soma dos pesos
absolutos; a segunda calcula a soma do quadrado dos pesos; e a terceira combinas as duas.

Aplicada a Árvores de Decisão

A regularização em árvores de decisão funciona introduzindo uma penalidade para a complexidade

de uma árvore. Como, Diego? Bem, isso pode ser feito limitando a profundidade a árvore, a
quantidade de features, a quantidade de observações por nó ou por folha; ganho mínimo de
informação; entre outros. Quanto mais complexa for uma árvore, maior será a penalidade, o que
encoraja o modelo a simplificar a árvore e evitar o overfitting. Para tal, utiliza-se a técnica de poda...

Pruning (Poda)

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 99

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Vamos imaginar uma árvore de decisão de regressão que modele a efetividade de um remédio de
acordo com a sua dosagem de tal modo que, quando a dose do remédio é muito baixa ou muito
alta, ele não era efetivo. Lembrando que uma árvore de decisão de regressão é aquela utilizada para
prever valores contínuos (em contraste com as árvores de decisão de classificação, que buscam
prever categorias). A imagem seguinte representa o gráfico (dose x efetividade) e a árvore...

Vamos interpretar o que a árvore de decisão quer nos dizer: se a dose < 14,5 mg, o remédio é apenas
4,2% efetivo; se a dose >= 14,5 mg e <= 29 mg, o remédio é 2,5% efetivo; por outro lado se a dose <
29 mg e >= 23,5 mg, o remédio é 100% efetivo. Logo, de acordo com os dados de treinamento, a
dose ideal é entre 23,5 mg e 29 mg. Agora imagine que nós aumentemos ainda mais a profundidade
da árvore com novos nós.

Como assim, Diego? Imagine um novo nível que verifica a melhor dose entre 24 mg e 28mg; e depois
outro nível que verifica a melhor dose entre 25 mg e 27 mg; e depois outro nível que verifica a melhor
dose entre 25,5 mg e 26,5 mg; e por aí vai! Ora, quando mais aumentamos a profundidade da árvore
(e seus nós), mais a árvore de ajusta aos dados de treinamento e menos ela se torna capaz de
generalizar novos dados de teste.

Nesse caso, teremos uma árvore de decisão excessivamente complexa que modela padrões
espúrios (ruídos) em vez de modelar tendências do sinal subjacente. Em outras palavras, a nossa
árvore de decisão realiza um sobreajustamento sobre os dados de treinamento – também
conhecido como overfitting. Uma maneira de simplificar a árvore e evitar esse sobreajuste é por
meio da técnica de regularização de árvores de decisão chamada pruning (ou poda).

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 100

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Essa técnica de regularização busca reduzir o tamanho da árvore ao remover nós desnecessários ou
redundantes. Isso ajuda a evitar o overfitting e melhora a generalização do modelo. O processo de
poda começa calculando o custo de uma árvore antes e depois de um nó ser removido. Se o custo
após a remoção for menor do que o custo anterior, o nó será removido; e o processo de remoção
continua até que nenhum outro nó possa ser removido.

A poda também pode ser usada para controlar a complexidade da árvore. Ao definir um limiar, é
possível controlar o tamanho da árvore e evitar que ela se torne excessivamente complexa.

Aplicada a Redes Neurais

Agora vamos ver como a regularização pode ser aplicada a redes neurais, mas já tenho uma
observação a fazer: os perceptrons de redes neurais fazem uma regressão linear/logística, logo as
técnicas de regularização aplicadas a regressões também podem ser aplicadas a redes neurais. Por
outro lado, aqui veremos outras técnicas de regularização, tais como: Dropout, Early Stopping e
Data Augmentation.

Dropout

Trata-se de uma técnica de regularização utilizada em redes neurais que desativa/desconecta

aleatoriamente neurônios da rede durante cada sessão de treinamento do modelo – isso ajuda a
evitar o overfitting e melhorar a generalização. Essa técnica é utilizada somente durante o
treinamento da rede neural e, não, durante o teste. Os neurônios desativados não recebem mais
entradas, não produzem mais saídas e também não são ajustados.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 101

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Nesse contexto, temos o conceito de taxa de dropout, que é basicamente a proporção de neurônios
que são desativados aleatoriamente. Uma taxa de dropout mais alta significa que mais neurônios
são desativados, e uma taxa de dropout mais baixa significa que menos neurônios são desativados.
Em geral, recomenda-se uma taxa de dropout de 20% a 50%. Vejam na imagem anterior que
tínhamos 12 neurônios e 4 deles descartados, logo temos 4/12 = 33% de taxa de dropout.

Ao desativar alguns neurônios, a rede neural não poderá contar com ativações específicas durante
o período de treinamento do modelo. Dessa forma, ela será forçada a descentralizar em múltiplos
neurônios algum padrão específico, gerando representações diferentes, distribuídas e
redundantes. Por fim, note que – em contraste com as regularizações lasso e ridge – a técnica de
dropout não depende de penalizações da função objetivo (perda ou custo) para evitar o overfitting.

Early Stopping

Também chamada de Parada Precoce ou Parada Antecipada, essa técnica envolve monitorar a
precisão da validação do modelo durante o treinamento e interromper o treinamento quando a
precisão parar de melhorar. A parada precoce é especialmente útil ao treinar modelos com grandes
conjuntos de dados, uma vez que pode reduzir o tempo necessário para o treinamento. Para
entendê-la melhor, vamos analisar o seguinte gráfico...

OVERFITTING

Temos um gráfico de Acurácia x Época! O que seria uma época, professor? Uma época é basicamente
uma passagem completa pelo conjunto de dados. Nesse sentido, note que a curva vermelha
representa o conjunto de dados de treinamento e a curva azul representa o conjunto de dados de
teste. À medida que se aumenta o número de épocas, a acurácia também aumenta tanto nos dados
de treinamento quanto nos dados de teste.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 102

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

No entanto, percebam que em determinado momento, a acurácia dos dados de treinamento

permanece aumentando até estabilizar enquanto a acurácia dos dados de teste começa a cair
vertiginosamente. O que isso nos indica? Isso indica que houve um sobreajuste (overfitting), isto é, o
modelo tem um excelente desempenho (alta acurácia) com dados de treinamento, mas um
péssimo desempenho (baixa acurácia) com dados de teste.

Em outras palavras, quando redes neurais são treinadas múltiplas vezes, elas tendem a detectar
padrões cada vez mais sutis, modelando o ruído em vez de modelar tendências subjacentes
(quantas zilhões de vezes já vimos isso?). Então, é importante interromper o treinamento antes de a
rede neural começar a se ajustar excessivamente aos dados de treinamento. Note no gráfico que a
linha tracejada cinza nos mostra o momento em que o treinamento começa a gerar overfitting.

A ideia por trás da parada precoce é verificar periodicamente o desempenho dos dados de teste,
isto é, se temos uma redução da acurácia nos dados de teste, é hora de interromper o treinamento.

Data Augmentation

Também chamado de Aumento/Expansão de Dados, essa técnica envolve a geração artificial de

dados de treinamento adicionais aplicando transformações aleatórias aos dados de treinamento
existentes. Isso ajuda a melhorar a generalização e reduzir o risco de overfitting. O Data
Augmentation é útil para melhorar o desempenho e os resultados dos modelos de aprendizado de
máquina, formando exemplos novos e diferentes para treinar conjuntos de dados.

Se o conjunto de dados em um modelo de aprendizado de máquina for rico e suficiente, o modelo

terá um desempenho melhor e mais preciso. Além disso, essa técnica faz com que os modelos sejam
mais robustos ao criar variações de dados que o modelo poderá ver no mundo real. Nós sabemos
que coletar e rotular dados pode ser um processo exaustivo e caro. Essa técnica permite que as
empresas reduzam esses custos operacionais.

O aumento de dados pode ser aplicado a outros tipos de dados, mas é mais comum com dados de
imagens. Então pensem comigo: temos que treinar um algoritmo de aprendizado de máquina
responsável por classificar a imagem de um animal como sendo de um cachorro ou de um gato. É

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 103

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

possível buscar na internet e coletar fotos desses animais, mas é um processo custoso e o modelo
será melhor, quanto mais bem treinado estiver.

Então, em vez de buscar mais imagens, nós podemos pegar as a imagens originais e gerar
artificialmente mais dados de treinamento aplicando pequenas transformações que geram
variações úteis para o treinamento, tais como cortar a imagem, invertê-la, rotacioná-la,
redimensioná-la, aumentar o contraste, reduzir o brilho, colocar em preto & branco, dar zoom-in,
dar zoom-out, entre outros.

Percebam que uma única imagem do conjunto de dados originais pode ser alvo de diversas
transformações diferentes, aumentando a quantidade de dados de treinamento e permitindo que
o modelo generalize melhor os dados. Isso ajuda a reduzir a variância do modelo, pois o modelo
será exposto a uma variedade maior de pontos de dados, o que o ajudará a generalizar melhor o
modelo de aprendizado de máquina.

Controle de Complexidade

Pode-se controlar a complexidade do modelo por meio da redução do tamanho total da rede,
redução do número de camadas ou redução da quantidade de camadas, entre outros.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 104

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Otimização de Hiperparâmetros
RELEVÂNCIA EM PROVA: baixa

No aprendizado de máquina, um hiperparâmetro é um parâmetro cujo valor é definido antes do

início do processo de aprendizado. Por outro lado, os valores de outros parâmetros são derivados
por meio de treinamento. Na verdade, um hiperparâmetro é uma espécie de característica ou
restrição inserida em um algoritmo de aprendizado de máquina para que ele possa realizar o
treinamento. Vejamos definições mais completas:

Veja que os valores dos parâmetros são extraídos do próprio conjunto de dados a partir do
aprendizado de máquina, logo estão sob controle do algoritmo e, não, do cientista de dados.
Quando os valores estão sob controle do cientista de dados, chamamos de hiperparâmetros! Não
há como saber com exatidão qual é o melhor valor para um hiperparâmetro de um problema
específico porque isso dependerá de testes de tentativa e erro.

Nós vimos como funciona a regularização no tópico anterior, então agora vamos ver um exemplo
de regressão linear com regularização. Ela poderia ser modelada com a seguinte equação:

y = a + bx ou

Nesse contexto, y é o que desejamos prever (Ex: nota em uma prova); x é uma variável (Ex: horas
de estudo); e a e b são parâmetros normais cujo valor o modelo vai aprender para minimizar os erros
de predição – são também chamados de coeficientes ou pesos da equação. Ocorre que estamos
falando de uma regressão linear com regularização, logo temos alguns parâmetros adicionais que
definem pesos para evitar o famoso overfitting.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 105

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Vamos relembrar a regularização L1? Vejam que ela possui um parâmetro α antes do somatório
responsável por penalizar variáveis com coeficientes altos.

Esse parâmetro α é, na verdade, um hiperparâmetro. Por que, Diego? Porque ele é configurado
manualmente antes do treinamento para penalizar muito ou pouco os coeficientes da regressão
linear a fim de melhorar a performance do modelo. Essa escolha de hiperparâmetros é também
chamada de otimização (tunning) e trata da realização de experimentos com valores diferentes de
hiperparâmetros com o intuito de descobrir quais deles geram os modelos mais eficientes.

Diferentes escolhas de hiperparâmetros levam a modelos treinados distintos com níveis de

desempenho potencialmente diferentes. É importante entender também que, quando há mais de
um hiperparâmetro em um modelo, eles podem interagir afetando o desempenho do modelo de
uma maneira bastante complexa e imprevisível. Nesses casos, temos que testar também as
combinações de valores de hiperparâmetros que geram melhores resultados.

Vejam a complexidade: o cientista de dados precisa definir quais hiperparâmetros ele utilizará; em
seguida, ele precisa definir quais valores de hiperparâmetros ele testará para cada hiperparâmetro;
por fim, ele precisa fazer experimentos com as diversas combinações de hiperparâmetros e seus
valores para chegar ao modelo com melhor desempenho possível, isto é, o modelo mais otimizado.
Vamos ver uma pequena metáfora para entender isso melhor...

Vocês já ouviram falar em carro tunado? Pois é,

o tuning é o mesmo que otimizar, isto é, tirar
o melhor desempenho de algo. Um carro vem
de fábrica com sua configuração original, mas
o dono pode modificar alguns componentes
para melhorar o seu desempenho. É possível
adicionar um chip de potência, trocar o filtro
de combustível, trocar as velas de ignição,
trocar válvulas do motor, trocar o
escapamento, trocar a turbina, entre outros.

Da mesma forma que é possível fazer a otimização (tuning) de um carro, também é possível para
um modelo de aprendizado de máquina – ambos utilizando hiperparâmetros. Galera, é claro que
isso é apenas uma metáfora e toda metáfora tem a sua limitação. A minha ideia aqui foi apenas
mostrar para vocês que um hiperparâmetro é como um parâmetro configurado externamente que
permite otimizar algo. Bem, existem diversos tipos de otimização de hiperparâmetros:

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 106

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Grid Search

Trata-se de um método eficaz para ajustar hiperparâmetros, sendo utilizado para melhorar o
desempenho de generalização de um modelo. Ele testa exaustivamente todas as combinações
possíveis dos valores de hiperparâmetros de interesse até encontrar os melhores. É fácil de
implementar, mas é mais adequado quando temos poucas combinações – quando há muitas
combinações, ele se torna computacionalmente inviável, demorando um tempo excessivo.

Em outras palavras, esse tipo de otimização testará por força bruta todas as combinações possíveis
de valores de hiperparâmetros. Vamos voltar à nossa metáfora: imagine que cada uma das
características que podem ser modificadas em um carro representa um hiperparâmetro do nosso
modelo e que eu queira tunar o meu carro com o intuito de aumentar o desempenho e atingir o
maior torque possível (torque é a força que um motor consegue gerar).

Eu levo meu carro a um especialista que será o responsável por testar todo e qualquer tipo de
combinação de componentes para descobrir aquela que mais aumenta o desempenho do meu
carro. Ocorre que sabemos que existem dezenas de marcas, tipos, formas, opções de chips de
potência, turbinas, escapamentos, pneus, filtros, velas, entre outros. O coitado do especialista teria
que testar absolutamente todas as combinações de cada um desses valores até descobrir a melhor.

Isso é inviável em termos de esforço e tempo! Além disso, há um segundo problema: o especialista
é obrigado a testar combinações de valores que claramente (e intuitivamente) não aumentarão o
desempenho do carro. Tudo isso é válido para o Grid Search: é útil quando temos que testar poucas
combinações de valores para poucos hiperparâmetros, mas é inviável computacionalmente quando
temos que testar muitas combinações de valores para muitos hiperparâmetros.

Random Search

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 107

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Uma alternativa para resolver esse tipo de problema é por meio de uma pesquisa aleatória. Em vez
de definir previamente quais serão os valores escolhidos para cada hiperparâmetro, nós definimos
uma quantidade de testes e deixamos o algoritmo escolher aleatoriamente quais valores serão
testados para cada hiperparâmetro. Após isso, ele executa a quantidade predefinida de testes com
combinações aleatórias dos valores de hiperparâmetros.

Trata-se de uma alternativa mais barata porque não precisa testar exaustivamente todas as
combinações possíveis de valores de hiperparâmetros, portanto aumenta bastante a velocidade e
reduz bastante o tempo. Esse método é bastante útil quando temos uma quantidade extraordinária
de hiperparâmetros, visto que sua aleatoriedade permite descobrir combinações que não teríamos
imaginado intuitivamente.

Seria como se o especialista escolhesse aleatoriamente alguns componentes para avaliar possíveis
trocas que melhorassem o desempenho do meu carro. Um problema com essa abordagem é que
ela não garante que encontrará a melhor combinação de hiperparâmetros. Além disso, é possível
que o algoritmo acaba explorando muito uma região do espaço de busca e explorando pouco
outras. Por outro lado, há um maior controle do custo computacional.

Bayesian Search

Ao contrário dos tipos vistos anteriormente, a otimização bayesiana utiliza desempenhos de

hiperparâmetros anteriores para orientar quais valores de hiperparâmetros serão testados
posteriormente. Em outras palavras, ela tenta estimar a probabilidade de desempenho de
combinações em função de resultados já avaliados. Após cada avaliação, o algoritmo detecta quais
valores de hiperparâmetro são mais interessantes de explorar e quais não são.

Após um número definido de iterações, o algoritmo retorna o valor ótimo. Voltando à nossa
metáfora, seria como se o especialista testasse uma combinação:

Chip de Potência = 600cv

+ Turbina = 32mm
+ Escapamento Downpipe = 3,5””
______________________________
= Torque de 35kgfm

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 108

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Poxa, ele viu que deu um desempenho bacana! Então agora ele vai testar uma combinação com
valores próximos a esses

Chip de Potência = 400cv

+ Turbina = 42mm
+ Escapamento Downpipe = 2,5””
______________________________
= Torque de 45kgfm

Note que ele levou em consideração o teste anterior para reduzir alguns hiperparâmetros e
aumentar outros; e, com isso, chegou a um desempenho melhor. Galera, é evidente que isso é
apenas uma grande simplificação e eu não entendo quase nada de carro. O que eu quero mostrar
para vocês é que um especialista externo realizou configurações no carro para permitir otimizar seu
desempenho baseado em avaliações anteriores.

Ele não fez essas configurações de forma exaustiva, testando todas as possibilidades, como no Grid
Search; ele também não fez testando valores aleatórios, como no Random Search. Ele se utilizou
de valores de testes anteriores para realizar novos testes. A busca bayesiana é uma forma mais
inteligente de testar hiperparâmetros a fim de fazer uma sintonia fina que ajuste da melhor forma
possível um algoritmo de aprendizado de máquina.

A grande vantagem é que essa abordagem perde pouco tempo buscando valores de
hiperparâmetros onde há pouca probabilidade de encontrá-los e se foca em realizar buscas em
áreas onde há maior probabilidade. Por fim, é importante mencionar que já existem softwares
capazes de buscar automaticamente quais são os melhores valores de hiperparâmetros dentro de
um modelo. Fechado?

Há campeonatos em que os vencedores são aqueles que conseguem otimizar modelos. Imagine
que uma pessoa consiga melhorar em 1% a precisão de recomendações da Netflix. Parece pouco,
mas é bastante! O maior vencedor desses campeonatos no mundo todo é brasileiro Giba Titericz!
Quem tiver curiosidade e quiser saber um pouquinho mais sobre ele e sobre o mundo de ciência de
dados em geral não pode perder essa entrevista com o pessoal do Let’s Data:

[Link]

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 109

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Separabilidade de Dados
RELEVÂNCIA EM PROVA: média

Nós já falamos um pouquinho sobre esse tema em outros tópicos, mas

agora vamos detalhar um pouco mais. Em primeiro lugar, vamos assumir
que estamos tratando de separabilidade linear de dados. Bem, nós
sabemos que um modelo de aprendizado de máquina pode encontrar uma
equação capaz de generalizar um problema a fim de realizar classificações.
Essa equação recebe um ou mais valores (variáveis independentes) e
retorna outro valor (variável dependente).

A separabilidade linear é basicamente apenas uma propriedade que existe

entre dois ou mais conjuntos de pontos. Pensem em dois conjuntos de
pontos, sendo um conjunto de cor azul e outro de cor vermelha. Esses dois
conjuntos são linearmente separáveis se existir pelo menos uma linha no
plano com todos os pontos azuis de um lado da linha e todos os pontos
vermelhos do outro lado, isto é, se existe ao menos uma linha reta que separa
esses dois conjuntos de pontos.

Isso é mais facilmente visualizado em duas dimensões, mas também vale para três ou mais. A
separabilidade de dados em duas dimensões se dá por meio de uma linha; já em três dimensões se
dá por meio de um hiperplano conforme imagem acima. Aliás, é possível existir um cenário em que
há separabilidade de dados em três dimensões, mas não há separabilidade de dados em duas
dimensões conforme podemos ver na imagem a seguir. Como é, Diego?

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 110

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Note que é possível traçar um hiperplano na imagem acima da direita separando os pontos azuis
dos pontos vermelhos, mas não é possível traçar uma linha reta na imagem da esquerda que consiga
separar os pontos azuis dos pontos vermelhos. E o que isso tem a ver com o aprendizado de máquina?
Os pontos azuis e vermelho são classes, isto é, são categorias resultantes de um modelo de
aprendizado de máquina.

Imagine que eu queira descobrir se uma pessoa é homem ou mulher baseado em seu peso e altura.
Eu posso plotar esses dados em um plano cartesiano, em que o peso seria representado no eixo das
abscissas e a altura seria representada no eixo das ordenadas. Poderíamos colocar pontos azuis para
representar homens e pontos vermelhos para representar mulheres. A ideia por trás da
separabilidade linear é ter ao menos uma linha capaz de separar essas duas categorias.

Esse problema provavelmente não permitirá que uma linha divida os dados porque há muitas
pessoas com alturas medianas e pesos medianos que podem ser homem ou mulher. Por exemplo:
se eu digo que uma pessoa pesa 50 quilos, é mais provável ser uma mulher; se eu digo que uma
pessoa tem 2,00m de altura, é mais provável que seja um homem; mas se eu digo que uma pessoa
tem 65kg e 1,67m, pode ser tanto um homem quanto uma mulher com probabilidades próximas.

Logo, o gráfico fica bastante misturado, sendo impossível traçar uma linha reta que separe os
pontos de cada categoria. O que fazer, Diego? É possível modificar explicitamente a representação
dos dados originais para um novo formato de representação em que as classes sejam mais
facilmente separáveis. Falou grego, professor! Galera, eu disse para vocês que a separabilidade linear
é basicamente apenas uma propriedade que existe entre dois ou mais conjuntos de pontos.

Em nenhum momento eu disse que essa propriedade só podia ser representada em um plano
cartesiano. Apesar de ser disparado o mais utilizado para representação de dados em um plano
bidimensional, existem outras alternativas: coordenadas polares, coordenadas cilíndricas,
coordenadas esféricas, coordenadas elípticas, coordenadas parabólicas, coordenadas hiperbólicas,
coordenadas parabólicas cilíndricas, entre outros. A representação dos dados é muito importante!

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 111

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Querem um exemplo? Números podem ser representados por algarismos arábicos ou romanos, mas
é muito mais fácil fazer conta com o primeiro do que com o segundo (Ex: tentem multiplicar III x
LDI). Querem outro exemplo? Na escola, nós aprendemos sobre coordenadas polares, que é um
sistema de coordenadas bidimensionais em que cada ponto no plano é determinado por uma
distância e um ângulo em relação a um ponto fixo de referência.

Não vamos entrar em detalhes matemáticos aqui porque não há necessidade, o que importa é que
vocês saibam que é possível representar um conjunto de pontos de outras maneiras. Na imagem
acima, temos exatamente os mesmos dados representados em coordenadas cartesianas e em
coordenadas polares. Note que é impossível traçar uma linha reta que divida as duas categorias em
coordenadas cartesianas, mas é possível fazê-lo em coordenadas polares.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 112

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Neste simples exemplo, nós mesmos encontramos e escolhemos uma transformação (coordenadas
cartesianas para polares) para obter uma melhor representação dos dados. No entanto, existem
algoritmos de aprendizado de máquina capazes de fazer isso automaticamente, isto é, algoritmos
capazes de buscar de forma autônoma outras representações dos dados que satisfazem o objetivo
de uma tarefa de predição qualquer – essa abordagem se chama aprendizado de representação.

Outra maneira de aumentar a separabilidade para facilitar a classificação é por meio da seleção de
features (também chamados de características, atributos ou variáveis). A ideia é selecionar features
que permitam uma melhor separabilidade dos dados. Vamos ver um exemplo: suponha que o IBGE
vá até a casa de milhares de pessoas e faça um questionário com perguntas sobre diversos assuntos,
tais como: idade, renda, religião, etnia, tempo de deslocamento para o trabalho, entre outros.

Cada um desses atributos poderá ser utilizado para prever a classe social de uma pessoa. O atributo
idade é ruim, porque há pessoas de todas as idades em todas as classes sociais; já o atributo tempo
de deslocamento para o trabalho é bom, porque pessoas de classes sociais mais altas levam menos
tempo para se deslocar até o trabalho enquanto pessoas de classes sociais mais baixas levam mais
tempo para se deslocar até o trabalho.

Por fim, a renda seria um ótimo atributo dado que pessoas com renda mais baixa tendem a ser de
classes sociais mais baixas enquanto pessoas com renda social mais alta tendem a ser de classes
sociais mais altas (a não ser que a pessoa ganhe muito e gaste mais ainda). No exemplo abaixo,
temos uma imagem que mostra a representação da escolha de atributos ruins, bons e ótimos.
Vejam que quanto melhor o atributo escolhido, maior a separabilidade linear dos dados.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 113

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Redução de Dimensionalidade
RELEVÂNCIA EM PROVA: ALTA

Na matemática, uma reta é um exemplo de espaço unidimensional. Por que, Diego? Porque é um
conjunto de pontos localizados em uma única dimensão – essa dimensão poderia ser o
comprimento da reta. Já um plano é um exemplo de espaço bidimensional. Por que, Diego? Porque
é um conjunto de pontos localizados em duas dimensões – essas dimensões poderiam ser o
comprimento e a largura do plano.

Por fim, um cubo é um exemplo de espaço tridimensional. Por que, Diego? Porque é um conjunto de
pontos localizados em três dimensões – essas dimensões poderiam ser o comprimento, a largura e
a profundidade do cubo. Logo, podemos concluir que dimensões são características (também
chamadas de features ou variáveis) de um conjunto de pontos. Note que, se escolhermos qualquer
ponto em um cubo, teremos um valor para cada uma de suas dimensões.

Quando tratamos de mais de três dimensões, é difícil imaginar a forma de representação. No

entanto, podemos abstrair como uma tabela, em que cada linha representa uma observação, cada
coluna representa uma dimensão e cada célula representa o valor de cada dimensão para cada
observação. Quando temos mais de três dimensões, dizemos que se trata de uma representação n-
dimensional, em que n é a quantidade de dimensões.

Esse entendimento é semelhante no contexto de aprendizado de máquina. A dimensionalidade é o

conjunto de características ou variáveis associadas a cada uma das observações em um conjunto de
dados. Vamos imaginar que desejamos prever o valor de um imóvel com base em diversas de suas
características: área total, tipo, bairro, número de quartos, número de banheiros, número de vagas
de garagem, entre outros.

Cada uma dessas características são variáveis que podem ser utilizadas para prever o valor de um
imóvel. Nesse caso, teremos uma tabela em que cada linha representa uma observação (ou ponto)
e cada coluna representa o valor de uma variável (ou dimensão). Galera, é muito comum a crença
de que – quanto maior o número de variáveis – melhor será a previsão, mas nem sempre essa crença
é uma realidade.

Nós já vimos que, se continuarmos aumentando o número de variáveis durante o processo de

treinamento de um modelo de aprendizado de máquina, após um certo ponto, o desempenho

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 114

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

tende a diminuir. Ocasionalmente, a introdução de muitas variáveis pode resultar em overfitting.

Ademais, é preciso um espaço muito maior para armazenar dados com um grande número de
dimensões, além de ser mais difícil de analisar e visualizar.

Aliás, o processo de visualização é conhecido como interpretação geométrica de um conjunto de

dados. Para entender isso melhor, vamos imaginar que uma barata percorra uma linha reta de 100m
e você deve tentar encontrá-la. É difícil? Não, rapidinho você anda esses 100m e encontra a barata.
Se adicionarmos mais uma dimensão, agora temos uma área plana de 100m² – próximo ao tamanho
de um campo de futebol. Opa, agora ficou bem mais complexo de encontrar a barata!

Vamos piorar um pouco mais adicionando mais uma dimensão, contemplando um espaço cúbico
de 100m³ – como se fosse um galpão, sendo que a barata pode estar no chão, nas paredes ou no
teto. Agora complicou de vez: ficou muito mais difícil encontrar a barata. Quanto mais dimensões
existirem, maior será o volume espacial, mais esparsos ficam os dados. Em altas dimensões, todos
os conjuntos de dados são esparsos, isto é, são poucos dados em um espaço muito grande.

Imagine que eu queira prever a expectativa de vida de um cão ou gato baseado em 10 amostras de
dados de treinamento. Se eu escolher uma característica (ex: peso), poderei representá-la por meio
de uma linha, logo teremos os pontos de dados juntinhos como mostra a primeira imagem; se eu
escolher duas características (ex: peso e altura), poderei representá-las por meio de um plano, mas
veja que os pontos de dados ficam mais esparso como mostra a segunda imagem.

Por fim, se eu escolher três características (ex: peso, altura e nível de atividade), poderei representá-
las por meio de um cubo, mas veja que agora os dados ficaram bem mais esparsos ainda como
mostra a terceira imagem. Note que, quanto mais aumentamos a quantidade de dimensões, mais
esparsos ficam os dados de gatos e cães dado que a amostra não foi modificada. Logo, como os
dados estão mais esparsos, torna-se mais difícil para o algoritmo encontrar padrões.

Durante o treinamento de um modelo, uma parte dos dados disponíveis são utilizados para
treinamento e outra parte para teste. Uma maneira eficaz de construir um modelo que generaliza
bem os dados é capturar diferentes combinações possíveis dos valores das variáveis. Ocorre que,

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 115

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

quanto mais dimensões nós temos, mais combinações devem ser analisadas e mais dados de
treinamento são necessários; caso contrário, o modelo não generalizará bem.

O nome do conjunto de fenômenos que surgem quando analisamos e organizamos dados em

espaços de alta dimensionalidade é Maldição da Dimensionalidade (Curse of Dimensionality). O que
fazer para lidar com esses problemas, professor? Podemos realizar a redução de dimensionalidades,
isto é, utilizar um conjunto de técnicas que reduzem o número de variáveis de entrada em um
conjunto de dados. A redução de dimensionalidade possui algumas vantagens:

VANTAGENS DA REDUÇÃO DE DIMENSIONALIDADE

Simplificação dos modelos de aprendizado de máquina: é mais fácil ajustar um modelo que tenha duas variáveis
de entrada do que um modelo que tenha 80 variáveis de entrada.
Redução do overfitting: é muito mais difícil ocorrer sobreajuste em um modelo de aprendizado de máquina com
menos variáveis do que com muitas variáveis.
Simplificação da representação gráfica: visualizar dados representados em mais de três dimensões é inviável para
seres humanos.
Redução do custo computacional: com menos variáveis, é necessário utilizar menos recursos computacionais para
realizar o treinamento de um modelo de aprendizado de máquina.
Redução do tempo de treinamento: como há menos variáveis para ajustar, leva menos tempo para treinar o
modelo de aprendizado de máquina.
Aumentar a performance: como há variáveis com nenhuma correlação, sua eliminação ajuda a melhorar o
desempenho do modelo de aprendizado de máquina.

Tipos de Métodos

Existem dois tipos de métodos de redução de dimensionalidade: seleção de variáveis e fatorização

de matrizes. Vamos conhecê-los melhor...

Seleção de Variáveis/Atributos

A seleção de variáveis tem como objetivo descobrir um subconjunto de variáveis relevantes para
uma tarefa. Ela é importante, entre outras coisas, por tornar o processo de aprendizagem mais
eficiente. A ideia aqui é descartar variáveis irrelevantes, que sejam pouco relacionadas com a
variável que desejamos prever. Vocês se lembram do exemplo do apartamento? Ora, existe pouca (ou
nenhuma) correlação entre a quantidade de torneiras e o valor de um apartamento.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 116

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Em outras palavras, os dados indicam que essa variável não tem nenhuma relação com o valor do
apartamento. Logo, ela é irrelevante e poderia ser tranquilamente eliminada do conjunto de
variáveis utilizadas no aprendizado de máquina, reduzindo a dimensionalidade do nosso modelo.
Há também casos em que existe correlação, mas não existe causalidade, isto é, os dados indicam
que apartamentos anunciados em quartas-feiras possuem um valor maior.

Ora, pode até existir essa correlação, mas não existe causalidade! Em outras palavras, os valores
mais altos não são devidos ao dia da semana em que o apartamento foi avaliado – trata-se apenas
de uma coincidência. Por fim, há também as variáveis redundantes, isto é, duas ou mais variáveis
com semânticas semelhantes cujos dados são parecidos. Isso prejudica o desempenho do algoritmo
tanto em relação ao custo computacional quanto em relação à taxa de acerto.

Informações redundantes podem confundir o algoritmo, ao invés de auxiliá-lo na busca de um

modelo ajustado para o problema. Por exemplo: número de quartos e número de dormitórios são
basicamente duas variáveis redundantes, dado que basicamente qualquer quarto pode ser um
dormitório. Esse tipo de técnica parece fácil, mas imaginem um cenário em que tenhamos 250
variáveis – não é tão intuitivo selecioná-las. Para tal, temos algumas técnicas...

Método Filter

Esse método conduz uma análise inicial supervisionada das variáveis a fim de selecionar o melhor
subconjunto de variáveis que sejam relevantes para a predição. Para avaliar quais variáveis são
relevantes, é necessário utilizar alguma métrica de correlação, tais como variância, qui-quadrado
ou coeficiente de correlação. Basicamente, essa avaliação analisará a correlação entre uma ou mais
variáveis em relação ao valor que desejamos prever.

Em seguida, podemos reduzir a dimensionalidade do nosso modelo ao filtrar, descartar ou eliminar

aquelas variáveis menos relevantes, isto é, que possuem pouca correlação com a variável alvo. Após
isso, basta executar o algoritmo de aprendizado de máquina. Esse método pode ser utilizado com
diferentes tipos de modelos, tais como classificação, regressão, entre outros. Ele é bastante
simples, rápido e robusto.

Por outro lado, eles tendem a selecionar variáveis redundantes dado que não consideram as
relações entre variáveis. Em outras palavras, eles consideram apenas as relações entre variável
independente e variável alvo, mas não consideram as relações entre as próprias variáveis
independentes. Vocês se lembram do exemplo do quarto e dormitório? Ambos têm alta correlação
com o valor do apartamento e ambos seriam preservados – apesar de serem redundantes.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 117

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Idealmente, apenas uma delas deveria ser preservada e a outra eliminada. Apesar disso, atualmente
já existem algumas técnicas para acabar com esses problemas.

Método Wrapper

Esse método busca empacotar (wrap) um problema de seleção de variáveis em uma caixa preta.
Dentro dessa caixa preta, são treinados modelos de aprendizado de máquina. Em outras palavras,
esse método executará diversos testes de treinamento de modelos com as variáveis a fim de
encontrar o melhor subconjunto de variáveis. Na prática, ele inicialmente realiza o treinamento do
modelo considerando todas as variáveis e analisa o desempenho.

Em seguida, ele descarta alguma variável, realiza o treinamento novamente e verifica se o

desempenho melhorou. Ele realiza esse procedimento iterativamente até alcançar um conjunto de
variáveis com um desempenho preditivo melhor que o conjunto de variáveis original. Logo, esse
método considera as relações entre as variáveis independentes, sendo capaz de descartar variáveis
redundantes. Por outro lado, esse método consome muito tempo e pode resultar em overfitting.

Método Embedded

Esse método busca combinar as vantagens dos métodos anteriores. Logo, ele tenta selecionar
variáveis e executar o treinamento de aprendizado de máquina simultaneamente.

Fatoração de Matrizes

Decompõe a matriz dos dados originais em produtos de matrizes mais simples, com propriedades
que permitem identificar as dimensões mais relevantes da variabilidade dos dados enquanto
combinações lineares dos dados originais. É o que, Diego? Lá vou eu te mostrar um exemplo para

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 118

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

ficar fácil de entender. Vamos tentar descobrir como a Netflix faz recomendações de filmes para os
seus usuários. Venham comigo...

Vamos pensar em quatro usuários: Antônio, Bernadete, Clemente e Doralice! Digamos que nossos
usuários assistiram cinco filmes e atribuíram uma nota de classificação de 1 a 5 estrelas para cada
um deles. Nós vamos registrar esses valores de classificação em uma tabela, onde as linhas
representam os usuários, as colunas representam os filmes e as células representas as notas que
cada usuário atribuiu para cada filme.

Tabela 1 Filme 1 Filme 2 Filme 3 Filme 4 Filme 5

ANTÔNIO 3 3 3 3 3
BERNADETE 3 3 3 3 3
CLEMENTE 3 3 3 3 3
DORALICE 3 3 3 3 3

Agora eu gostaria de convidá-los para uma reflexão: a tabela anterior parece refletir a tabela real de
classificações de filmes da NetFlix? Ora, todos os usuários deram nota 3 para todos os filmes – isso
não me parece muito realista. Seria o equivalente a dizer que todos os usuários têm exatamente as
mesmos preferências de filmes e que todos os filmes teriam a mesma nota independentemente de
quem avaliou. Não me parece nada com a realidade...

Tabela 3 Filme 1 Filme 2 Filme 3 Filme 4 Filme 5

ANTÔNIO 1 3 2 5 4
BERNADETE 2 1 1 1 5
CLEMENTE 3 2 3 1 5
DORALICE 2 4 1 5 2

Já a tabela acima parece ter quase todos os números aleatórios. Ora, isso também não me parece
realista – seria o equivalente a dizer que todos os usuários têm preferências de filmes
completamente diferentes e que todos os filmes são diferentes em termos de classificação. Em
geral, pessoas podem ter gostos diferentes, mas é raro ter notas tão díspares uma das outras em
termos de classificação.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 119

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Tabela 2 Filme 1 Filme 2 Filme 3 Filme 4 Filme 5

ANTÔNIO 3 1 1 3 1
BERNADETE 1 2 4 1 3
CLEMENTE 3 1 1 3 1
DORALICE 4 3 5 4 4

Agora a tabela apresentada acima contém algumas particularidades interessantes. Em princípio,

ela parece aleatória como a tabela anterior, mas – se observarmos bem – podemos notar que ela
possui algumas dependências bastante peculiares. Em primeiro lugar, note que a primeira e a
terceira linhas são exatamente iguais – isso significa que Antônio e Clemente possuem gostos de
filme bastante similares. Logo, para NetFlix, eles são tratados como semelhantes.

Note também que a primeira e quarta colunas são exatamente iguais – isso significa que o primeiro
e o quarto filmes são bastante similares, ao menos em termos de classificação. Logo, para NetFlix,
eles também são tratados como semelhantes. Há ainda algumas dependências ocultas que são
mais sofisticadas. Por exemplo: ao analisar as três últimas linhas, podemos observar que as notas
da quarta linha são exatamente a soma da segunda e terceira linhas.

E o que isso tem a ver, Diego? Uma possível interpretação que poderíamos especular seria a de que
Bernadete gosta de filmes de comédia, Clemente gosta de filmes de romance e Doralice gosta de
filmes de comédia romântica. Agora vejam a segunda, terceira e quinta colunas: observe que as
notas da quinta coluna são exatamente a média entre as notas da segunda e terceira colunas. Qual
seria uma possível interpretação?

Poderíamos especular que o segundo filme seja Tubarão – aquele filme clássico que trata de
ataques de tubarões em uma praia americana; o terceiro filme seja Twister – aquele filme clássico

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 120

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

que trata de um tornado que destrói uma cidade inteira; e o quinto filme seja Sharknado – aquele
filme em que um tornado espalha tubarões nas águas de uma cidade alagada. Se você gostou de
filmes de ataques de tubarões e filmes de tornados, gostará de filmes que misturam os dois.

Galera, é claro que tudo isso é especulação – nem sempre nós vamos conseguir interpretar o
significado de um determinado padrão. O ponto aqui foi apenas demonstrar duas coisas: (1) não só
é possível como também é comum armazenar dados sobre variáveis de um modelo em formato de
matrizes; (2) é possível encontrar dependências e relacionamentos entre linhas e colunas de uma
matriz. E qual é a grande vantagem disso?

A vantagem é que matrizes são estruturas que podem ser manipuladas por meio de técnicas de
álgebra linear para terem sua dimensionalidade reduzida. E como fazemos para descobrir todas essas
dependências em uma matriz de alta dimensionalidade? Resposta: por meio de métodos de fatoração
ou decomposição de matrizes. Quando crianças, nós aprendemos nas aulas de matemática que um
número grande pode ser fatorado ou decomposto em dois ou mais números menores.

Por exemplo: 512 é um número grande, mas eu posso decompô-lo por meio de números menos,
tais como 256 x 2 ou 128 x 4 ou 64 x 8. A fatorização de matrizes busca fazer um procedimento
semelhante, isto é, representar uma matriz de alta dimensionalidade como o produto entre
matrizes de baixa dimensionalidade. Existe uma matemática extraordinariamente complexa por
trás desses métodos, logo não vamos detalhar.

A ideia aqui é apenas mostrar que essa técnica permite encontrar subconjuntos de dados que
melhor representam a matriz original. No contexto do aprendizado de máquina, é como se a
máquina tentasse fatorar a matriz original iterativamente até encontrar o melhor subconjunto de
dados com menor dimensionalidade que seja capaz de representar a matriz original. Uma outra
comparação interessante é entre população e amostra.

Um laboratório não precisa retirar todo seu sangue para inferir com algum grau de confiança se
você está com alguma doença – basta selecionar uma amostra representativa da população total.

Sistemas de Recomendação

Bem, a fatoração de matrizes é a principal base para criação de sistemas de recomendação. O

objetivo é encontrar padrões ocultos em uma matriz de dados para prever o que os usuários vão
gostar ou não. Ela faz isso descompondo a matriz em submatrizes menores, cada uma

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 121

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

representando um grupo de fatores ocultos que influenciam a escolha do usuário. Então, usa-se a
informação contida nessas submatrizes para prever quais produtos o usuário pode gostar.

Existem três modelos de sistemas de recomendação: (1) baseado em filtragem colaborativa; (2)
baseado em conteúdo; e (3) híbrido. No primeiro modelo, os algoritmos usam aprendizado de
máquina para prever seus gostos com base em usuários que têm perfis similares. Por exemplo:
suponha que João ouve com frequência em um serviço de streaming de músicas as bandas Pink
Floyd, Metallica e Blind Guardian.

Suponha também que Alice assina a mesma plataforma de streaming e escuta com frequência Pink
Floyd, Metallica e Symphony X, o serviço poderá recomendar Blind Guardian para Ana. Em sistemas
mais complexos, como o de recomendações de filmes e livros, mais pontos além de uma interação
genérica devem ser levados em consideração — aqui podem entrar a avaliação que o usuário dá
para o conteúdo ou tempo médio de consumo, entre outros.

No segundo modelo, o sistema se baseia em características de um conteúdo, sem depender

necessariamente de uma interação de outro usuário. Nesse caso, as indicações são baseadas em
atributos dos itens recomendados, e o mecanismo cria uma espécie de perfil genérico de usuário
que deve se interessar por temas semelhantes. Por exemplo: Alice assistiu todos os episódios da
série médica Grey’s Anatomy na NetFlix.

A plataforma pode identificar as características dessa série (Ex: trata-se de uma série de drama,
passada nos EUA que fala sobre o dia a dia de médicos) e pode recomendar outra série que possua
atributos similares (Ex: House). Por fim, o terceiro modelo é o mais utilizado e se fundamenta tanto
nas características de similaridade de perfis quanto nas características de similaridade de conteúdo.
Sabe quem tem o melhor sistema de recomendação do mercado atualmente? TikTok!

Eu não uso essa rede social, mas ela é um caso de sucesso do algoritmo. Assim como outras big
techs, o TikTok usa inteligência artificial para sugerir seu conteúdo a outros usuários. Sua
particularidade é que a recomendação está sempre mostrando algo novo em uma velocidade
absurda (na aba For You) — mas sem perder a relevância. Para isso, o TikTok usa dados referentes
às suas interações, hashtags, áudios, localização e legenda de cada vídeo.

O algortimo de recomendação do TikTok deu tão certo que virou um produto, e agora pode ser
comercializado para outras empresas por meio de uma unidade de negócios chamada BytePlus.
Outro caso de sucesso são os reels do Instagram! Eu que o diga! Começo a ver vídeos de cachorro e
passo uma hora descendo aquele troço e não para de surgir (ótimos) vídeos novos de cachorro.
Vejamos agora os principais métodos...

Principais Métodos

Os principais métodos de redução de dimensionalidade são: PCA (Principal Component Analysis),

PCR (Principal Component Regression), t-SNE e MDS (Multi-Dimensional Scaling).

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 122

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

PCA

A Análise de Componentes Principais busca encontrar os componentes que explicam a maior

variação nos dados. Ele faz isso transformando os dados originais em um novo conjunto de variáveis
chamado componentes principais. Cada componente principal é uma combinação linear de todas as
variáveis originais, independentes entre si, e buscam capturar o máximo de informação em termos
de variação nos dados. Para entender isso melhor, vamos ver um exemplo...

Vamos supor que você more em Maragogi/AL e, de repente, ganhou na mega-sena, largou a vida
de concurseiro e decidiu se mudar para alguma cobertura na frente da praia. Só que você está
milionário, então – apesar de você amar Maragogi – agora você tem a possibilidade de morar em
qualquer praia do planeta. Você decide, portanto, pesquisar cidades parecidas com Maragogi em
outros lugares do mundo.

Logo, você começa a coletar dados de centenas de outras cidades praianas, tais como: número de
habitantes, temperatura média, nível de trânsito, densidade populacional, área de espaço verde,
altitude, nível de segurança, nível médio de escolaridade, renda per capita, IDH, proximidade de
aeroportos internacionais, entre outros. Você, então, decide desenhar um gráfico unidimensional
com apenas a população de cada cidade. Qual será o resultado disso?

Acho que é intuitivo pensar que cidades grandes ficarão próximas de um lado do gráfico e cidades
pequenas também ficarão próximas, mas do outro lado do gráfico (e Maragogi provavelmente
ficaria próximo das cidades pequenas). Você não fica satisfeito e adiciona mais uma dimensão,
desenhando um gráfico bidimensional de População x Temperatura Média. Agora você tem cidades
grandes quentes, cidades grandes frias, cidades pequenas quentes e cidades pequenas frias.

É claro que há cidades que ficam no meio termo dessas características, mas isso não é relevante no
momento. Ocorre que estar próximo a um aeroporto internacional é muito importante para você,
dado que agora você poderá viajar sempre que quiser, então você adiciona mais uma dimensão,
desenhando um gráfico tridimensional de População x Temperatura Média x Proximidade de
Aeroportos Internacionais. E assim você prossegue adicionando mais e mais e mais dimensões!

No entanto, você notará que algumas dessas variáveis são bastante correlacionadas. Como assim,
Diego? Ora, cidades praianas com maior nível de escolaridade geralmente tem maior renda per
capita, maior IDH e maior nível de segurança; cidades com maior quantidade de habitantes

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 123

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

geralmente também têm maior densidade populacional; cidades com maior densidade
populacional geralmente tem menos área verde e mais trânsito; e por aí vai...

É nesse momento que nosso método chega para brilhar! O PCA aplicará uma transformação linear
sobre as variáveis originais e criará um novo sistema de coordenadas bidimensional de modo que
Eixo X será o primeiro componente principal e o Eixo Y será o segundo componente principal. Eu sei,
eu sei que você viajou agora, mas vou tentar desenhar um pouco e abstrair a parte matemática
porque isso envolve diversos conceitos de álgebra linear. Vamos lá...

==3b91f9==

Observem os três gráficos apresentados e respondam: o primeiro gráfico tem quantas dimensões?
Duas, professor! Exato, trata-se de gráfico 2D (bidimensional). E o segundo gráfico? Podemos dizer
que ele tem apenas uma dimensão (unidimensional) porque, para qualquer valor de x, o y tem o
mesmo valor. Legal, e o terceiro gráfico? Olha a pegadinha: eu posso dizer que ele tem apenas uma
dimensão. O que, Diego?

Galera, se eu rotacionar os eixos um pouquinho, os pontos vão se alinhar exatamente como no

segundo gráfico. Vejam só...

De forma bastante abstrata, isso é o que chamamos de transformação linear. Diego, se você fizer
isso, você não estará mexendo nos dados do gráfico? Galera, a correlação entre as variáveis originais
se perderá, mas não haverá perda de informação porque a rotação dos eixos não altera a distância
relativa que um ponto tem do outro – que é o importante para nós nesse momento. Aqui estamos
preocupados com a variância, isto é, queremos enfatizar a variação dos dados.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 124

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Como modificamos os eixos, as variáveis originais já não fazem mais sentido no novo gráfico. No
gráfico gerado, o Eixo X será o primeiro componente principal e o Eixo Y será o segundo componente
principal. É bom enfatizar também que – da mesma forma que as variáveis originais eram
correlacionadas – os novos componentes principais são completamente não correlacionados
(também chamado de ortogonais) – que era tudo que nós queríamos.

Nós queríamos isso, Diego? Sim! O que nos interessa é ver a variação de dados! Logo, é comum
configurar um limiar de variância. Por exemplo: queremos um novo gráfico que represente 90% da
variância dos dados (perda de 10%). O PCA fará seus cálculos e retornará um gráfico que contemple
essa variância e com uma determinada quantidade de componentes principais (que poderá ser igual
ou, geralmente, menor que a quantidade de variáveis originais).

Em nosso exemplo, tínhamos um caso muito simples. De toda forma, eliminamos uma
variável/dimensão (2D → 1D), não perdemos informações relevantes e representamos em uma
única dimensão a variabilidade dos dados (variância). No entanto, no mundo real os sistemas são
bem mais complexos e com bem mais variáveis. Logo, a redução de dimensionalidade possibilita o
desenvolvimento de modelos mais simples, o que permite melhor análise.

O PCA converte as correlações (diretas ou inversas) entre variáveis de forma que variáveis
altamente correlacionadas fiquem agrupadas e representem padrões fortes de conjuntos de dados
grandes e complexos. O primeiro componente principal é mais importante (representa maior
variância dos dados) que o segundo componente principal, e assim por diante. Isto é, há uma
sequência de componentes principais ortogonais entre si e em ordem decrescente de importância.

Notem que os componentes principais buscam capturar a essência dos dados, isto é, aqueles dados
que representam a maior variação no conjunto. Ele aplica uma transformação em um conjunto de
dados com variáveis possivelmente correlacionadas, para convertê-las em um conjunto de dados
de variáveis linearmente não correlacionadas. Era isso que eu tinha para dizer sobre a análise de
componentes principais. Dito isso, acho que chegamos ao...

FIIIIIIIIIIIIIIIIIIIM
Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 125
[Link] 310

61542958393 - Victor Brunos Soares de Souza

Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Eu não sei quem sofreu mais nessa aula: eu, que tive que escrever; ou vocês,
que têm que estudar!

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 126

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

RESUMO
INTELIGENCIA ARTIFICIAL

RESPONSIBLE AI

Princípios/práticas DESCRIÇÃO
Garantir que os processos e decisões tomadas por sistemas de IA sejam compreensíveis e
facilmente acessíveis, incluindo o uso de dados, algoritmos e lógica de tomada de decisão.
Transparência Isso inclui a transparência em relação ao propósito, desempenho, limitações e riscos
associados aos sistemas de IA.

Permitir que os usuários e outras partes interessadas entendam como as decisões foram
Explicabilidade/ tomadas pelos sistemas de IA, por meio de métodos de interpretação e explicação. Isso inclui
a capacidade de explicar como os algoritmos funcionam e como as decisões são tomadas, de
interpretabilidade modo a permitir a identificação e correção de possíveis erros ou preconceitos.

Proteger a privacidade e os dados pessoais dos usuários e garantir que as informações sejam
Privacidade/ coletadas e utilizadas de forma ética e responsável. Isso inclui a proteção contra violações de

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 127

[Link] 310

61542958393 - Victor Brunos Soares de Souza

Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

segurança privacidade, coleta excessiva ou inadequada de dados e uso indevido ou não autorizado de
informações pessoais.

Garantir que os sistemas de IA sejam projetados, implementados e utilizados de forma ética

Responsabilidade/ e responsável, e que as partes envolvidas sejam responsáveis pelas decisões e ações do
sistema. Isso inclui a responsabilização por possíveis danos ou impactos negativos causados
accountability pelo sistema e a obrigação de garantir que o sistema atenda aos padrões éticos e legais
adequados.
Garantir que os sistemas de IA sejam projetados e implementados para serem acessíveis a
Inclusividade/ todos os indivíduos e comunidades, independentemente de sua raça, etnia, gênero, idade,
deficiência, status socioeconômico ou outras características. Isso significa que os sistemas
Diversidade de IA devem ser projetados com a participação de diversas partes interessadas e não devem
perpetuar ou ampliar preconceitos ou discriminações.
Garantir que os sistemas de IA não discriminem indivíduos ou grupos com base em suas
Justiça/ características protegidas ou outros fatores, e que promovam a equidade e a igualdade de
oportunidades. Isso significa que os sistemas de IA devem tomar decisões baseadas em
equidade dados relevantes e precisos, em vez de perpetuar ou ampliar desigualdades existentes.

Garantir que os sistemas de IA sejam capazes de desempenhar consistentemente e com

Confiabilidade/ precisão a tarefa para a qual foram projetados, em diferentes condições e ao longo do
tempo. Isso significa que o sistema deve ser robusto e capaz de lidar com entradas ou
uso seguro cenários inesperados, e seu desempenho deve ser consistente em diferentes ambientes e
contextos.

MACHINE LEARNING

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 128

[Link] 310

61542958393 - Victor Brunos Soares de Souza

Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

TERMO DESCRIÇÃO
Definição genérica daquilo que se deseja produzir como resultado do modelo preditivo. Ex:
TAREFA classificar um documento em três possíveis categorias ou prever o valor de determinada medida.

Conjunto de procedimentos que permite melhorar resultados preditivos. Ex: regularização é uma
TÉCNICA técnica para prevenir o overfitting; hold-out é uma técnica de separação de dados para medir o
desempenho em generalização de um modelo.
Fórmula no sentido lato, que permite relacionar as variáveis independentes para prever a variável
ALGORITMO dependente. Quando aplicamos (ou treinamos) um algoritmo, temos um modelo treinado.
Exemplo: Regressão Linear ou Árvores de Decisão.
MODELO Objeto computacional que efetivamente transforma uma observação (variáveis independentes)
em uma previsão utilizando um algoritmo específico, instanciado e treinado.
(treinado)

Tipos de aprendizado
==3b91f9==

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 129

[Link] 310

61542958393 - Victor Brunos Soares de Souza

Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

TÉCNICAS E TAREFAS

Tipos de regressão

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 130

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

MATRIZ DE CONFUSÃO

Tipos de medição

Medição Descrição fórmula

Trata-se da métrica mais simples que permite mensurar o percentual de
acertos, isto é, a quantidade de previsões corretas dentro do total de VP + VN
Acurácia previsões possíveis. Responde à pergunta: dentre todas as previsões
VP + FP + VN + FN
realizadas, quantas o modelo acertou?
Trata-se da métrica que permite avaliar a capacidade do classificador de
detectar com sucesso resultados positivos (também chamado de VP
Sensibilidade
revocação ou recall). Responde à pergunta: dentre os valores realmente VP + FN
positivos, quantos o modelo acertou (previu corretamente como positivo)?
Trata-se da métrica que permite avaliar a capacidade do classificador de VN
especificidade detectar com sucesso resultados negativos. Responde à pergunta:
FP + VN

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 131

[Link] 310

61542958393 - Victor Brunos Soares de Souza

Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

dentre os valores realmente negativos, quantos o modelo acertou

(previu corretamente como negativo)?
Trata-se da métrica que permite mensurar a proporção de previsões
positivas corretas sobre a soma de todos os valores positivos. Responde VP
Precisão
à pergunta: dentre os valores previstos como positivos, quantos o VP + FP
modelo acertou (previu corretamente como positivo)?
Trata-se da média harmônica calculada com base na precisão e na
sensibilidade, logo é uma medida derivada dessas outras medidas. Essa PRECISÃO ∗ RECALL
F1-score 2∗
medida tenta condensar em uma única medida um pouco da precisão e PRECISÃO + RECALL
um pouco da sensibilidade.

REDES NEURAIS FEED-FORWARD

Tipos de funções DE ATIVAÇÃO

FUNÇÃO DE
FUNÇões de limite
ATIVAÇÃO
Essa função compara um valor com um
Descrição da determinado limite (nesse caso, o limite é 0) e
função decide se um neurônio será ativado (1) ou não
será ativado (0).

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 132

[Link] 310

61542958393 - Victor Brunos Soares de Souza

Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Representação
da fórmula

FUNÇÃO DE
Funções logísticas
ATIVAÇÃO
Essa função recebe um valor real qualquer
Descrição da como entrada [-∞,+∞] e retorna um valor de
função saída entre 0 e 1.

Representação
da fórmula

FUNÇÃO DE
FUNÇÃO tangente hiperbólica
ATIVAÇÃO
Essa função recebe um valor real qualquer
Descrição da como entrada [-∞,+∞] e retorna um valor de
função saída entre -1 e 1.

Representação
da função

Single layer perceptron (slp)

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 133

[Link] 310

61542958393 - Victor Brunos Soares de Souza

Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Multiple layer perceptron (mlp)

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 134

[Link] 310

61542958393 - Victor Brunos Soares de Souza

Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

FONTES DE ERROS EM MODELOS PREDITIVOS

VALIDAÇÃO/AVALIAÇÃO DE MODELOS PREDITIVOS

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 135

[Link] 310

61542958393 - Victor Brunos Soares de Souza

Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

VALIDAÇÃO cruzadA

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 136

[Link] 310

61542958393 - Victor Brunos Soares de Souza

Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 137

[Link] 310

61542958393 - Victor Brunos Soares de Souza

Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

CURVA ROC

UNDERFITTING E OVERFITTING

VIÉS E VARIâNCIA

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 138

[Link] 310

61542958393 - Victor Brunos Soares de Souza

Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

COMBINAÇÕES DESCRIÇÃO REPRESENTAÇÃO

BAIXO VIÉS E Trata-se de um modelo que possui ótima precisão em suas previsões
com dados de treino e que varia muito pouco quando aplicado a
BAIXA novos dados. Note que os pontos estão no centro do alvo e não estão
VARIÂNCIA espalhados.

BAIXO VIÉS E Trata-se de um modelo que possui boa precisão em suas previsões
com dados de treino (overfitting), mas que varia bastante quando
ALTA aplicado a novos dados. Note que os pontos estão próximos ao
VARIÂNCIA centro do alvo, porém estão um pouco espalhados.

ALTO VIÉS E Trata-se de um modelo que possui péssima precisão em suas

previsões com dados de treino (underfitting), mas que varia pouco
BAIXA quando aplicado a novos dados. Note que os dados estão longe do
VARIÂNCIA centro do alvo, porém não estão espalhados.

ALTO VIÉS E Trata-se de um modelo que possui péssima precisão em suas

previsões com dados de treino e que varia bastante quando aplicado
ALTA a novos dados. Note que os pontos estão longe do centro do alvo e
VARIÂNCIA também estão bastante espalhados.

ensemble

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 139

[Link] 310

61542958393 - Victor Brunos Soares de Souza

Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Técnicas de regularização

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 140

[Link] 310

61542958393 - Victor Brunos Soares de Souza

Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 141

[Link] 310

61542958393 - Victor Brunos Soares de Souza

Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Otimização de hiperparâmetros

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 142

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Separabilidade de dados

Redução de dimensionalidade

VANTAGENS DA REDUÇÃO DE DIMENSIONALIDADE

Simplificação dos modelos de aprendizado de máquina: é mais fácil ajustar um modelo que tenha duas variáveis
de entrada do que um modelo que tenha 80 variáveis de entrada.
Redução do overfitting: é muito mais difícil ocorrer sobreajuste em um modelo de aprendizado de máquina com
menos variáveis do que com muitas variáveis.
Simplificação da representação gráfica: visualizar dados representados em mais de três dimensões é inviável para
seres humanos.
Redução do custo computacional: com menos variáveis, é necessário utilizar menos recursos computacionais para
realizar o treinamento de um modelo de aprendizado de máquina.
Redução do tempo de treinamento: como há menos variáveis para ajustar, leva menos tempo para treinar o
modelo de aprendizado de máquina.
Aumentar a performance: como há variáveis com nenhuma correlação, sua eliminação ajuda a melhorar o
desempenho do modelo de aprendizado de máquina.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 143

[Link] 310

61542958393 - Victor Brunos Soares de Souza

Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 144

[Link] 310

61542958393 - Victor Brunos Soares de Souza

Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 145

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

QUESTÕES COMENTADAS – CESPE

1. (CESPE / LNA – 2024) Atualmente, uma nova vertente na área de inteligência artificial (IA) tem
entusiasmado a comunidade científica e acadêmica e a sociedade em geral, conhecida como
modelos de difusão estável — SD (stable diffusion). Assinale a opção que apresenta uma tarefa
que não pode ser realizada com o uso de modelos do tipo SD.

a) pintura de imagem (image inpainting) guiada por texto

b) geração de linguagem
c) geração de imagens incondicionais
d) geração de imagens guiadas por texto
e) tradução de imagem para imagem guiada por texto.

Comentários:

(a) Errado. A pintura de imagem (Image Inpainting) guiada por texto pode ser realizada com
modelos de difusão estável, que conseguem preencher áreas faltantes de uma imagem com base
em descrições textuais;

(b) Correto. A geração de linguagem não é uma tarefa típica para modelos de difusão estável, que
são mais focados em processamento e geração de imagens;

(c) Errado. Modelos de difusão estável podem gerar imagens de maneira incondicional, ou seja, sem
a necessidade de um guia textual, apenas a partir de um processo de difusão;

(d) Errado. A geração de imagens guiadas por texto é uma das principais capacidades dos modelos
de difusão estável, onde um texto fornece as instruções para a criação de uma imagem
correspondente;

(e) Errado. Modelos de difusão estável podem realizar tradução de imagem para imagem guiada
por texto, como transformar uma imagem existente em outra com base em uma descrição textual.

Gabarito: Letra B

2. (CESPE / ANTT – 2024) No modelo a seguir, que contém regras que incluem os itens A, B, C, D,
E, F, G e H, as regras 1 e 2 pertencem a um mesmo grupo de regras.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 146

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Comentários:

As regras 1 e 2 pertencem ao mesmo grupo de regras porque ambas são exemplos de regras de
produção em sistemas de regras de associação, onde um conjunto de condições resulta em uma
conclusão. A Regra 1 é uma regra de associação complexa que envolve duas condições (A e B) para
gerar um resultado (C), enquanto a Regra 2 é mais simples, com uma única condição (D) resultando
em um resultado (E). Ambas seguem o formato de "se... então...", característico de regras de
associação.

Gabarito: Correto

3. (CESPE / CTI – 2024) A utilização da lógica nebulosa é adequada quando há necessidade de uma
variável fazer parte da solução de um problema.

Comentários:

A lógica nebulosa, ou lógica fuzzy, é utilizada quando há necessidade de lidar com incertezas e
imprecisões, permitindo que uma variável pertença a diferentes conjuntos com graus de
pertinência. Ela é adequada para problemas onde as definições precisas não são possíveis ou
desejáveis, e permite uma forma mais flexível de raciocínio que se aproxima da maneira como os
humanos lidam com a incerteza. A lógica fuzzy é útil em sistemas de controle, tomadas de decisão,
e outras aplicações onde as condições são vagas ou subjetivas.

Gabarito: Errado

4. (CESPE / CTI – 2024) Na ciência de dados, as cadeias de Markov podem ser aplicadas a
ferramentas de previsão do clima e de espalhamento de doenças, por exemplo.

Comentários:

As cadeias de Markov são modelos matemáticos que descrevem sistemas que transitam de um
estado para outro, onde a probabilidade de cada estado futuro depende apenas do estado atual, e
não da sequência de eventos que precederam. Elas são aplicáveis em diversas áreas, incluindo:

1. Previsão do clima: modelos de cadeia de Markov podem ser usados para prever as condições
climáticas futuras com base nos estados climáticos atuais.

2. Espalhamento de doenças: as cadeias de Markov ajudam a modelar a propagação de doenças,

onde a probabilidade de um indivíduo estar infectado depende do estado de saúde atual e das
interações com outros indivíduos.

Esses modelos são úteis porque permitem a análise e previsão de sistemas estocásticos em diversas
áreas da ciência de dados.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 147

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Gabarito: Correto

5. (CESPE / ANTT – 2024) A regressão logística é usada para fazer uma previsão sobre uma variável
categórica comparada a uma contínua; assim como a regressão linear, a regressão logística
também pode ser usada para estimar o relacionamento entre uma variável dependente e uma
ou mais variáveis independentes.

Comentários:

A regressão logística é usada para prever uma variável categórica, como uma variável binária (0 ou
1). Assim como a regressão linear, ela estima o relacionamento entre uma variável dependente
(categórica) e uma ou mais variáveis independentes, mas utiliza uma função logística para
transformar a saída em probabilidades entre 0 e 1.

Gabarito: Correto

6. (CESPE / ANTT – 2024) Os sistemas de recomendação utilizam vários algoritmos, entre os quais
estão os embasados em conteúdo, cuja abordagem consiste em analisar as interações passadas
dos usuários com os produtos.

Comentários:

Os sistemas de recomendação baseados em conteúdo utilizam as características dos itens e dos

usuários para fazer recomendações, como gênero de filmes ou características de produtos. A
análise das interações passadas dos usuários com os produtos é característica de sistemas baseados
em filtragem colaborativa.

Gabarito: Errado

7. (CESPE / ANTT – 2024) A regressão linear é o método mais utilizado de análise preditiva; nela,
são usadas relações lineares entre uma variável dependente (destino) e uma ou mais variáveis
independentes (preditores) para prever o futuro do destino.

Comentários:
A regressão linear é amplamente utilizada em análise preditiva para modelar a relação entre uma
variável dependente (ou variável de destino) e uma ou mais variáveis independentes (ou
preditoras). Nesse método, assume-se que a relação entre as variáveis é linear, o que significa que
a variável dependente pode ser expressa como uma soma ponderada das variáveis independentes
mais um termo constante.

A regressão linear é utilizada para prever valores futuros da variável dependente com base nos
valores das variáveis independentes.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 148

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Gabarito: Correto

8. (CESPE / LNA – 2024) Considere que, durante o processo de treinamento de um modelo de

aprendizagem de máquina, tenha ocorrido sobreajuste (overfitting) dos dados. Acerca dessa
situação hipotética, julgue os itens a seguir.

I Os dados utilizados durante o treinamento possuem grande quantidade de informações

irrelevantes.
II O modelo utilizado é de baixa complexidade e aprendeu o ruído nos dados de treinamento.
III A validação cruzada K-fold é um dos métodos que podem ser utilizados na detecção da
ocorrência de sobreajuste.

Assinale a opção correta.

a) Apenas o item I está certo.

b) Apenas o item II está certo.
c) Apenas os itens I e III estão certos.
d) Apenas os itens II e III estão certos.
e) Todos os itens estão certos.

Comentários:

I. Correto. O sobreajuste ocorre frequentemente quando os dados de treinamento contêm muitas

informações irrelevantes ou ruído. O modelo se ajusta tão bem a essas particularidades que perde
a capacidade de generalizar para novos dados;

II. Errado. O sobreajuste geralmente ocorre com modelos de alta complexidade, que têm grande
capacidade de ajustar-se aos detalhes dos dados de treinamento, incluindo o ruído. Um modelo de
baixa complexidade, por outro lado, tende a ser incapaz de capturar as complexidades dos dados e
sofre mais frequentemente de subajuste;

III. Correto. A validação cruzada K-fold é uma técnica eficaz para detectar sobreajuste, pois permite
avaliar o desempenho do modelo em diferentes subconjuntos dos dados, ajudando a identificar se
o modelo está se ajustando excessivamente aos dados de treinamento.

Gabarito: Letra C

9. (CESPE / MPO – 2024) Pode-se utilizar machine learning, capaz de reconhecer e reproduzir
padrões de inteligência artificial com base em experiência prévia, para um mecanismo de busca
na Internet que funcione de forma automatizada.

Comentários:

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 149

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Machine learning pode ser usado em mecanismos de busca na Internet para melhorar a relevância
dos resultados, reconhecer padrões de comportamento dos usuários e adaptar-se com base na
experiência prévia. Isso permite que os mecanismos de busca funcionem de forma mais
automatizada e eficiente, entregando resultados personalizados e otimizados.

Gabarito: Correto

10. (CESPE / MPO – 2024) A redução de dimensionalidade acrescenta variáveis nos modelos de
inteligência artificial para torná-los mais específicos e objetivos.

Comentários:

A redução de dimensionalidade é uma técnica que visa diminuir o número de variáveis (ou
dimensões) em um conjunto de dados, removendo aquelas que são menos relevantes. Isso
simplifica os modelos de inteligência artificial, melhora a eficiência computacional e ajuda a evitar
o overfitting, tornando os modelos mais robustos.

Gabarito: Errado

11. (CESPE / CTI – 2024) O dispositivo computacional da inteligência artificial engloba, entre outros
elementos, a percepção, que é a capacidade de provocar mudanças no ambiente.

Comentários:

Na inteligência artificial, a percepção é a capacidade de coletar e interpretar informações do

ambiente através de sensores. Provocar mudanças no ambiente é atribuição da atuação, que
envolve a utilização de atuadores para realizar ações. Portanto, percepção e atuação são elementos
distintos: percepção refere-se à aquisição de dados, enquanto atuação refere-se à execução de
ações para modificar o ambiente.

Gabarito: Errado

12. (CESPE / CTI – 2024) Os processos heurísticos buscam, primeiramente, estabelecer soluções
teóricas para, depois, avançar para uma única tentativa de solução.

Comentários:

Os processos heurísticos não buscam primeiramente estabelecer soluções teóricas para depois
avançar para uma única tentativa de solução. Na verdade, heurísticas são técnicas que utilizam
abordagens práticas e simplificadas para resolver problemas complexos, muitas vezes através de
tentativas múltiplas e iterativas, procurando soluções satisfatórias de maneira mais eficiente. Eles
são baseados em experiência, intuição e regras empíricas, em vez de métodos exatos ou teóricos,
permitindo encontrar soluções viáveis quando métodos tradicionais seriam inviáveis devido à
complexidade ou tempo de processamento.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 150

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Gabarito: Errado

13. (CESPE / CTI – 2024) Na inteligência artificial, a representação completa de determinado

assunto constitui uma ontologia.

Comentários:

Na IA, uma ontologia é uma representação formal de um conjunto de conceitos dentro de um

domínio e os relacionamentos entre esses conceitos. Ela visa capturar e estruturar o conhecimento
sobre um determinado assunto de maneira completa e organizada, permitindo a compreensão e o
compartilhamento de informações de forma consistente e sem ambiguidade. As ontologias são
usadas para modelar o conhecimento de um domínio específico e facilitam a interoperabilidade
entre sistemas, além de suportar raciocínios automatizados e a integração de dados.

Gabarito: Correto

14. (CESPE / CTI – 2024) A utilização de inteligência artificial conversacional possibilita o uso de
dispositivos IoT em ambiente doméstico.

Comentários:

A utilização de inteligência artificial conversacional, como assistentes virtuais (por exemplo, Alexa,
Google Assistant), possibilita o controle e a interação com dispositivos IoT em ambientes
domésticos. Esses assistentes permitem que os usuários controlem luzes, termostatos, câmeras de
segurança e outros dispositivos conectados por meio de comandos de voz, facilitando a automação
e melhorando a conveniência e a acessibilidade no lar.

Gabarito: Correto

15. (CESPE / CAU-BR – 2024) O denominado motor de inferência é o núcleo dos sistemas de IA que
oferece soluções possíveis para um problema apresentado.

Comentários:

O motor de inferência é o componente central dos sistemas de IA baseados em conhecimento,

como os sistemas especialistas. Ele utiliza regras e lógica para processar as informações na base de
conhecimento e gerar soluções ou conclusões para os problemas apresentados.

Gabarito: Correto

16. (CESPE / CTI – 2024) A regressão é um tipo de aprendizado não supervisionado cujo objetivo é
entender a relação entre variáveis dependentes.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 151

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Comentários:

A regressão é, na verdade, um tipo de aprendizado supervisionado. Seu objetivo é modelar a

relação entre uma variável dependente (variável alvo) e uma ou mais variáveis independentes
(variáveis preditoras), permitindo prever ou estimar valores da variável dependente com base nas
independentes.

Gabarito: Errado

17. (CESPE / CTI – 2024) No aprendizado de máquinas, o aprendizado supervisionado compreende

um conjunto de dados de treinamento para ensinar modelos a mostrar a saída desejada.

Comentários:

No aprendizado de máquinas, o aprendizado supervisionado utiliza um conjunto de dados de

treinamento, que inclui entradas e saídas desejadas, para ensinar os modelos a prever ou classificar
corretamente novas entradas. O modelo aprende a mapear entradas para saídas com base nos
exemplos fornecidos.

Gabarito: Correto

18. (CESPE / CTI – 2024) As tarefas de aprendizado de máquina podem ser divididas em três
grandes grupos: classificação, agrupamento e associação, devendo o primeiro grupo possuir
uma classe que se pretenda prever.

Comentários:

As tarefas de aprendizado de máquina realmente podem ser divididas em três grandes grupos:
classificação, agrupamento e associação. Na classificação, o objetivo é realmente prever uma classe
ou categoria para os dados de entrada.

Gabarito: Correto

19. (CESPE / CTI – 2024) Overfitting é um comportamento esperado e desejável de aprendizado de

máquina, uma vez que descreve assertividade e acurácia altas quando o modelo de aprendizado
de máquina fornece previsões precisas para novos dados com base nos dados de treinamento.

Comentários:

Overfitting é um comportamento indesejável em aprendizado de máquina. Ele ocorre quando um

modelo se ajusta excessivamente aos dados de treinamento, capturando ruídos e detalhes
específicos desses dados. Isso resulta em um desempenho ruim ao generalizar para novos dados,
pois o modelo não consegue prever com precisão além do conjunto de treinamento. O objetivo é

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 152

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

alcançar um equilíbrio onde o modelo é suficientemente complexo para capturar padrões reais, mas
não tão complexo que não consiga generalizar.

Gabarito: Errado

20. (CESPE / CTI – 2024) Ocorre sobreajuste quando o modelo não pode determinar uma relação
significativa entre os dados de entrada e saída, ou seja, quando o modelo não é treinado pelo
período apropriado em relação à quantidade de dados.

Comentários:

Sobreajuste (overfitting) ocorre quando um modelo se ajusta excessivamente aos dados de

treinamento, capturando até os ruídos e variações específicas desses dados, o que leva a um mau
desempenho em dados novos. O problema descrito na sua frase é subajuste (underfitting), que
ocorre quando o modelo é muito simples para capturar a relação significativa entre os dados de
entrada e saída, geralmente por não ser treinado por tempo suficiente ou por ser muito simples em
relação à complexidade dos dados.

Gabarito: Errado

21. (CESPE / CTI – 2024) Em aprendizado de máquina, um modelo de bom desempenho com dados
já treinados, mas que não lide muito bem com novos dados é denominado subajuste, ou seja,
no subajuste se aprende com base no ruído dos dados.

Comentários:

Em aprendizado de máquina, um modelo que tem bom desempenho com dados de treinamento,
mas não lida bem com novos dados é denominado sobreajuste (overfitting), não subajuste. No
sobreajuste, o modelo aprende detalhes e ruídos específicos do conjunto de treinamento, o que
compromete sua capacidade de generalizar para dados não vistos. Subajuste (underfitting) ocorre
quando o modelo é muito simples para capturar os padrões subjacentes nos dados, resultando em
baixo desempenho tanto nos dados de treinamento quanto nos novos dados.

Gabarito: Errado

22. (CESPE / CTI – 2024) No contexto do aprendizado de máquina, um algoritmo é definido como a
especificação de uma relação probabilística existente entre variáveis diferentes.

Comentários:

No contexto do aprendizado de máquina, um algoritmo é um conjunto de regras e procedimentos

usados para construir um modelo a partir de dados. Ele processa os dados de entrada e ajusta os
parâmetros do modelo para minimizar a diferença entre as previsões do modelo e os resultados

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 153

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

reais. Embora alguns algoritmos possam usar relações probabilísticas entre variáveis (como Naive
Bayes), nem todos os algoritmos se baseiam em tais relações. A definição apresentada descreve
mais adequadamente um modelo probabilístico, não um algoritmo de aprendizado de máquina.

Gabarito: Errado

23. (CESPE / CAU-BR – 2024) Em machine learning, os sistemas podem usar aprendizado do tipo
supervisionado, não supervisionado, autônomo ou gerenciado.

Comentários:

Em machine learning, os tipos de aprendizado mais comuns são supervisionado, não

supervisionado e por reforço. Aprendizado supervisionado utiliza dados rotulados, aprendizado não
supervisionado trabalha com dados não rotulados para encontrar padrões, e aprendizado por
reforço treina modelos através de recompensas e penalidades. "Aprendizado autônomo" e
"aprendizado gerenciado" não são categorias padrão em machine learning.

Gabarito: Errado

24. (CESPE / CTI – 2024) As aplicações de IoT utilizam algoritmos de aprendizado de máquina para
analisar grandes quantidades de dados de sensores conectados em nuvem.

Comentários:

As aplicações de IoT (Internet das Coisas) frequentemente utilizam algoritmos de aprendizado de

máquina para analisar grandes quantidades de dados coletados por sensores conectados. Esses
dados são geralmente armazenados e processados na nuvem, onde os algoritmos podem
identificar padrões, fazer previsões, detectar anomalias e otimizar operações, melhorando a
eficiência e a tomada de decisões em diversos contextos, como saúde, transporte, etc.

Gabarito: Correto

25. (CESPE / CTI – 2024) Na inteligência artificial, o agente inteligente deve ser capaz de ter
autonomia, isto é, deve ter a capacidade de acumular conhecimento que seja útil em suas ações.

Comentários:

Em inteligência artificial, um agente é um elemento capaz de receber percepções do ambiente e

executar ações. Este agente pode possuir características como onisciência (implica que o agente
sabe exatamente as consequências de suas ações, o que não é viável computacionalmente),
aprendizado (capacidade do agente de receber informações de seu projetista e, com isso, acumular
conhecimento necessário para realizar suas ações) e autonomia (ocorre quando o agente pode ter
suas próprias percepções e agir sem depender do conhecimento prévio fornecido pelo projetista).

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 154

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Logo, a questão trata do aprendizado e, não, da autonomia.

Gabarito: Errado

26. (CESPE / CTI – 2024) A capacidade de classificação é uma tarefa importante no aprendizado de
máquina, por ser utilizada no estabelecimento de padrões.

Comentários:

A capacidade de classificação é uma tarefa fundamental no aprendizado de máquina, pois permite

que modelos categorizem dados em diferentes classes ou categorias com base em padrões
identificados nos dados de entrada. Essa capacidade é fundamental para uma ampla gama de
aplicações, como reconhecimento de imagens, diagnóstico médico, filtragem de spam e muitas
outras áreas onde a identificação de padrões é essencial. A classificação ajuda na organização e
interpretação dos dados, facilitando a tomada de decisões informadas.

Gabarito: Correto

27. (CESPE / ANTT – 2024) Ocorre sobreajuste quando um modelo de dados é incapaz de capturar
o relacionamento entre as variáveis de entrada e saída com precisão, o que gera uma alta taxa
de erro tanto no conjunto de treinamento quanto nos dados não exibidos.

Comentários:

O sobreajuste ocorre quando um modelo se ajusta excessivamente aos dados de treinamento,

capturando até mesmo ruídos, o que resulta em uma baixa taxa de erro no conjunto de
treinamento, mas uma alta taxa de erro em novos dados ou no conjunto de teste. Isso indica que o
modelo tem uma capacidade limitada de generalização.

Gabarito: Errado

28. (CESPE / ANTT – 2024) No aprendizado supervisionado, os algoritmos de Naive Bayes e o de

máquinas de vetores de suporte são utilizados tanto na classificação quanto na regressão.

Comentários:

No aprendizado supervisionado, o algoritmo de Naive Bayes é utilizado apenas para classificação,

não para regressão. Já as máquinas de vetores de suporte (SVM) podem ser usadas tanto para
classificação quanto para regressão, mas são mais comumente aplicadas a problemas de
classificação.

Gabarito: Errado

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 155

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

29. (CESPE / ANTT – 2024) Modelos de aprendizado não supervisionado são utilizados em três
tarefas principais, entre as quais está a redução de dimensionalidade, que é uma técnica usada
para se reduzir o número de entradas de dados a um tamanho gerenciável, não havendo, nesse
caso, preservação da integridade do conjunto de dados.

Comentários:

Modelos de aprendizado não supervisionado, como a redução de dimensionalidade, são utilizados

para simplificar dados mantendo sua estrutura e informações essenciais. A redução de
dimensionalidade visa reduzir o número de variáveis de entrada a um tamanho gerenciável, mas
busca preservar a integridade e a variabilidade do conjunto de dados, minimizando a perda de
informação relevante. Técnicas como PCA (Análise de Componentes Principais) e t-SNE são usadas
para manter a representatividade dos dados em menos dimensões.

Gabarito: Errado

30. (CESPE / LNA – 2024) O algoritmo de otimização Adam (Adaptive Moment Estimation) é um
dos mais utilizados atualmente na área de aprendizado de máquina. A respeito das
características e da utilização desse algoritmo, é correto afirmar que ele:

a) não utiliza taxa de aprendizado adaptativa.

b) converge facilmente para a solução ótima, em qualquer condição.
c) é ineficiente por requerer muita memória.
d) não é capaz de lidar com gradientes esparso
e) utiliza a média móvel quadrática dos gradientes para normalizá-los para atualização dos
pesos.

Comentários:

(a) Errado. O algoritmo Adam utiliza uma taxa de aprendizado adaptativa, ajustando a taxa de
aprendizado para cada parâmetro com base em estimativas de momentos de primeira e segunda
ordem dos gradientes;

(b) Errado. Embora Adam tenha boa performance na prática, não garante convergência para a
solução ótima em qualquer condição, especialmente em problemas de otimização complexos ou
com superfícies de erro não convexas;

(c) Errado. Adam é eficiente em termos de memória, pois armazena apenas a média móvel dos
gradientes e suas variâncias. Isso o torna adequado para redes neurais grandes, ao contrário do que
a alternativa sugere;

(d) Errado. Adam é capaz de lidar com gradientes esparsos, uma vez que atualiza os parâmetros de
forma independente, o que é uma vantagem em relação a outros algoritmos de otimização que
podem se beneficiar de informação global sobre o gradiente;

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 156

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

(e) Correto. O algoritmo Adam utiliza a média móvel exponencial dos gradientes (primeiro
momento) e a média móvel quadrática dos gradientes (segundo momento) para normalizar a
atualização dos pesos, o que ajuda a estabilizar o treinamento e permite a adaptação da taxa de
aprendizado.

Gabarito: Letra E

31. (CESPE / MPO – 2024) O aprendizado supervisionado é definido pelo uso de conjuntos de dados
rotulados para treinar algoritmos que classificam dados ou preveem resultados com precisão.

Comentários:

O aprendizado supervisionado utiliza conjuntos de dados rotulados, onde cada exemplo de entrada
é associado a um rótulo ou saída desejada. Esses dados são usados para treinar algoritmos que
aprendem a mapear entradas para saídas, permitindo a classificação ou predição de novos dados
com base no padrão aprendido. É amplamente aplicado em problemas como reconhecimento de
imagem, detecção de fraudes e previsão de vendas.

Gabarito: Correto

32. (CESPE / ANA – 2024) O aprendizado supervisionado utiliza a regressão para entender a relação
entre variáveis dependentes e independentes.

Comentários:

No aprendizado supervisionado, a regressão é uma técnica usada para modelar e analisar a relação
entre uma variável dependente (alvo) e uma ou mais variáveis independentes (preditoras). Isso
permite prever valores contínuos com base nas variáveis de entrada, sendo essencial em diversos
modelos preditivos.

Gabarito: Correto

33. (CESPE / CTI – 2024) Aprendizado de máquina pode ser definido como a criação e o uso de
modelos que são aprendidos a partir dos dados.

Comentários:

Aprendizado de máquina pode ser definido como a criação e o uso de modelos que são aprendidos
a partir dos dados. Esses modelos são treinados usando algoritmos que identificam padrões e
relações nos dados, permitindo que façam previsões ou decisões baseadas em novos dados. É um
campo focado em desenvolver métodos para que sistemas computacionais aprendam e melhorem
automaticamente com a experiência.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 157

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Gabarito: Correto

34. (CESPE / CTI – 2024) Aprendizado de máquina e mineração de dados são termos idênticos em
relação aos seus objetivos e funções, pois ambos lidam com algoritmos de inteligência artificial
para padrões em grandes conjuntos de dados em busca de conhecimento.

Comentários:

Embora aprendizado de máquina e mineração de dados estejam relacionados e compartilhem

algumas técnicas, eles não são termos idênticos. O Aprendizado de Máquina se foca no
desenvolvimento de modelos que podem aprender e fazer previsões ou decisões baseadas em
dados. Já a Mineração de Dados é o processo de descobrir padrões e conhecimento em grandes
conjuntos de dados, frequentemente usando técnicas de aprendizado de máquina. A principal
diferença é que a mineração de dados é mais exploratória, enquanto o aprendizado de máquina é
mais preditivo.

Gabarito: Errado

35. (CESPE / CTI – 2024) O aprendizado de máquina computacional tem como objetivo aplicar
técnicas computacionais na tentativa de validar padrões em dados e ratificar padrões que
podem ser observados explicitamente nos dados.

Comentários:

O objetivo do aprendizado de máquina é aplicar técnicas computacionais para identificar e

aprender padrões a partir dos dados, permitindo que os modelos façam previsões ou decisões
baseadas em novos dados. Ele não se limita a validar ou ratificar padrões explícitos nos dados, mas
também visa descobrir padrões ocultos, gerar insights e melhorar continuamente com a
experiência.

Gabarito: Errado

36. (CESPE / CNPq – 2024) Deep learning é um algoritmo que simula o cérebro humano por meio
de algoritmos probabilísticos de aprendizado do comportamento em que uma população de
representações abstratas de solução é selecionada em busca de soluções melhores.

Comentários:

Deep learning é uma subárea do machine learning que utiliza redes neurais artificiais com muitas
camadas (profundas) para modelar e entender padrões complexos nos dados. Embora se inspire no
funcionamento do cérebro humano, não utiliza algoritmos probabilísticos de aprendizado de
comportamento nem seleção de populações de representações abstratas. Isso descreve mais
corretamente algoritmos genéticos ou evolucionários.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 158

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Gabarito: Errado

37. (CESPE / CAU-BR – 2024) O reconhecimento facial por imagens nas redes sociais é embasado
no aprendizado de máquina chamado deep learning, que simula a rede neural do cérebro
humano.

Comentários:

O reconhecimento facial em imagens nas redes sociais utiliza técnicas de deep learning, que
simulam redes neurais artificiais inspiradas no cérebro humano. Deep learning é eficaz no
processamento e reconhecimento de padrões complexos em grandes volumes de dados, como
imagens faciais.

Gabarito: Correto

38. (CESPE / CAU-BR – 2024) Em uma rede neural artificial, o valor de entrada de cada neurônio é
calculado pelo produto matemático das saídas dos neurônios da camada inferior.

Comentários:

Em uma rede neural artificial, o valor de entrada saída de cada neurônio é calculado pelo produto
matemático das saídas entradas dos neurônios da camada inferior.

Gabarito: Errado

39. (CESPE / CTI – 2024) Os modelos de aprendizagem das redes neurais incluem o aprendizado
por memória e o aprendizado competitivo.

Comentários:

Os modelos de aprendizagem das redes neurais incluem diferentes abordagens, duas das quais são
o aprendizado por memória e o aprendizado competitivo.

1. Aprendizado por memória: refere-se a métodos em que a rede neural aprende armazenando e
memorizando exemplos específicos. Um exemplo é o aprendizado hebbiano, onde a força das
conexões entre neurônios é ajustada com base na atividade simultânea dos neurônios.

2. Aprendizado competitivo: neste modelo, os neurônios da rede competem entre si para

responder a um conjunto de entrada, e apenas um neurônio (ou um grupo pequeno) "ganha" a
competição e é atualizado. Esse tipo de aprendizado é comum em redes como as redes de Kohonen
(mapas auto-organizáveis).

Ambos os modelos são utilizados em redes neurais para diferentes tipos de tarefas e contextos de
aprendizado.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 159

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Gabarito: Correto

40. (CESPE / CTI – 2024) As redes neurais permitem construir modelos que sejam padronizados de
acordo com o funcionamento do cérebro humano.

Comentários:

Redes neurais artificiais são simplificações matemáticas e computacionais dos processos neurais
biológicos. Elas consistem em neurônios artificiais organizados em camadas que aprendem a
reconhecer padrões a partir de dados. Apesar da inspiração biológica, a complexidade e o
funcionamento das redes neurais artificiais são muito menos sofisticados e específicos em
comparação ao cérebro humano real, mas – de fato – permitem construir modelos que sejam
padronizados de acordo com o funcionamento do cérebro humano.

Gabarito: Correto

41. (CESPE / ANTT – 2024) Umas das principais diferenças entre o backpropagation e o SGD
(Stochastic Gradient Descent) é a forma como os pesos são atualizados, visto que o SGD utiliza
o gradiente calculado para todos os dados de treinamento, ao passo que o backpropagation usa
o gradiente calculado apenas para um mini-batch de dados de treinamento.

Comentários:

Backpropagation é o algoritmo que calcula os gradientes das funções de perda em redes neurais. Já
o Stochastic Gradient Descent (SGD) é uma técnica de otimização que usa os gradientes calculados
para atualizar os pesos. A principal diferença é que o SGD atualiza os pesos para cada exemplo de
treinamento ou para um mini-batch, enquanto o Gradiente Descendente Padrão usa o gradiente
calculado para todos os dados de treinamento de uma vez.

Gabarito: Errado

42. (CESPE / ANTT – 2024) As redes neurais artificiais são um subconjunto de machine learning,
estão no cerne dos algoritmos de deep learning e são compostas por camadas de um nó,
contendo uma camada de entrada, uma ou mais camadas ocultas e uma camada de saída.

Comentários:

As redes neurais artificiais são um subconjunto de machine learning e são a base dos algoritmos de
Deep Learning. Elas consistem em camadas de nós (neurônios), incluindo uma camada de entrada,
uma ou mais camadas ocultas e uma camada de saída. Cada nó em uma camada é conectado aos
nós da próxima camada, permitindo a modelagem de dados complexos.

Gabarito: Correto

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 160

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

43. (CESPE / ANTT – 2024) No treinamento, as redes neurais convolucionais recebem imagens e
aplicam filtros, que possibilitam a extração de características; após essa extração, a camada de
rede neural é utilizada para classificar a imagem.

Comentários:

No treinamento, as Redes Neurais Convolucionais (CNNs) recebem imagens e aplicam filtros nas
camadas convolucionais, que são responsáveis pela extração de características como bordas,
texturas e formas. Esses filtros detectam padrões específicos nas imagens, permitindo a construção
de uma representação hierárquica das características. Após a extração de características, as
camadas totalmente conectadas (parte da rede neural) processam essas características extraídas
para classificar a imagem em diferentes categorias ou reconhecer objetos específicos.

Gabarito: Correto

44.(CESPE / ANTT – 2024) As redes neurais convolucionais distinguem-se das demais redes neurais
por seu desempenho superior, tendo suas entradas três tipos principais de camadas:
convolucional, de agrupamento e totalmente conectada.

Comentários:

As Redes Neurais Convolucionais (CNNs) são diferenciadas pelo seu desempenho em tarefas de
processamento de imagens e dados que possuem estrutura em grade, como sequências temporais.
Elas têm três tipos principais de camadas:

▪ Camada convolucional: Extrai características dos dados, aplicando filtros que detectam
padrões locais.
▪ Camada de agrupamento (pooling): Reduz a dimensionalidade dos dados, mantendo as
informações mais relevantes.
▪ Camada totalmente conectada: Conecta todos os neurônios da camada anterior,
combinando as características extraídas para realizar a classificação ou predição.

Gabarito: Correto

45. (CESPE / MPO – 2024) A inteligência artificial generativa é capaz de criar novos conteúdos e
áudios.

Comentários:

A inteligência artificial generativa utiliza técnicas como redes neurais generativas para criar novos
conteúdos, incluindo textos, imagens, vídeos e áudios. Essa capacidade de geração é fundamental
para muitas aplicações criativas e tecnológicas.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 161

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Gabarito: Correto

46.(CESPE / MPO – 2024) A geração de imagens por meio de descrição de textos, sem a
necessidade de inserir outras figuras ou ilustrações, é um dos recursos da inteligência artificial
generativa.

Comentários:

A inteligência artificial generativa pode criar imagens a partir de descrições textuais usando
técnicas de aprendizado de máquina, como redes neurais generativas adversariais (GANs). Esses
modelos traduzem descrições em imagens detalhadas sem necessidade de figuras ou ilustrações
prévias.

Gabarito: Correto

47. (CESPE / LNA – 2024) As redes neurais artificiais (RNA) são técnicas computacionais que, a
partir de um modelo matemático inspirado na estrutura neural de seres inteligentes, adquirem
conhecimento por meio da experiência. Em relação às RNA, assinale a opção correta:

a) No processo de aprendizado das RNA, pode ser utilizado o paradigma de aprendizado por
reforço.

b) O algoritmo de backpropagation é empregado nas RNA no processo de redução do espaço

de variáveis de saída.

c) O modelo proposto por McCullock e Pitts na primeira metade do século XX não faz uso de
uma função de ativação.

d) As RNA não possuem camada de saída.

e) Minsky e Papert analisaram matematicamente o perceptron e demostraram que redes de

uma camada são capazes de solucionar problemas que não sejam linearmente separáveis.

Comentários:

(a) Correto. O aprendizado por reforço é um paradigma de aprendizado que pode ser utilizado em
redes neurais artificiais, onde a RNA aprende através de recompensas e punições para tomar
decisões;

(b) Errado. O algoritmo de backpropagation é utilizado para ajustar os pesos das conexões na RNA,
visando minimizar o erro na saída, e não para reduzir o espaço de variáveis de saída;

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 162

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

(c) Errado. O modelo de McCullock e Pitts, apesar de ser uma das primeiras representações de um
neurônio artificial, faz uso de uma função de ativação que determina a saída do neurônio com base
em uma soma ponderada das entradas;

(d) Errado. As redes neurais artificiais possuem, sim, uma camada de saída, responsável por
fornecer o resultado do processamento das informações de entrada;

(e) Errado. Minsky e Papert demonstraram que perceptrons de uma camada (redes de camada
única) não são capazes de resolver problemas que não são linearmente separáveis, o que foi uma
limitação importante na evolução das RNA.

Gabarito: Letra A

48.(CESPE / LNA – 2024) O modelo transformer tem revolucionado a área de inteligência artificial
(IA), permitindo uma mudança de paradigma em como a IA pode ser utilizada pela humanidade.
Recentemente, a comunidade científica considerou o modelo transformer, seja para textos ou
imagens, como um modelo de fundação (foundation model). Em relação ao modelo em
questão, assinale a opção correta:

a) Modelos transformers não são capazes de realizar reconhecimento de entidades nomeadas

em textos.

b) Modelos transformers não são capazes de realizar a tarefa de resposta a perguntas feitas por
texto.

c) O modelo transformer consiste em uma rede neural residual.

d) A principal característica do modelo transformer é a ausência da camada de atenção.

e) No processamento de linguagem natural, modelos transformers são utilizados para realizar

tarefas tipo sequence-to-sequence (seq2seq) em textos.

Comentários:

(a) Errado. Modelos transformers são muito eficazes em tarefas de processamento de linguagem
natural, incluindo o reconhecimento de entidades nomeadas, onde identificam e classificam nomes
de pessoas, organizações, locais, etc., em textos;

(b) Errado. Modelos transformers são amplamente utilizados para a tarefa de resposta a perguntas
feitas por texto, sendo uma das aplicações mais comuns, demonstrando grande eficácia em
entender e gerar respostas baseadas no conteúdo textual;

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 163

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

(c) Errado. O modelo transformer não é caracterizado como uma rede neural residual. Redes
neurais residuais utilizam conexões de salto (skip connections) para facilitar o treinamento de redes
profundas, enquanto o transformer utiliza um mecanismo de atenção;

(d) Errado. A principal característica do modelo transformer é justamente a presença da camada de

atenção (attention layer), que permite que o modelo pese a importância de diferentes palavras ou
partes de uma imagem em relação a outras;

(e) Correto. No processamento de linguagem natural, modelos transformers são usados para
realizar tarefas tipo sequence-to-sequence (seq2seq), como tradução automática, resumo de texto
e resposta a perguntas, onde transformam uma sequência de texto em outra.

Gabarito: Letra E

49.(CESPE / ANTT – 2024) As redes neurais de deep learning, ou redes neurais artificiais, tentam
imitar o cérebro humano por meio de uma combinação de entradas de dados, pesos e viés; esses
elementos trabalham juntos para reconhecer, classificar e descrever com precisão os objetos
dentro dos dados.

Comentários:

As redes neurais de deep learning, ou redes neurais artificiais, imitam o cérebro humano por meio
de uma combinação de entradas de dados, pesos e viés. Essas redes são compostas por múltiplas
camadas de neurônios artificiais que processam as informações em etapas, ajustando pesos e viés
para reconhecer, classificar e descrever padrões nos dados, como objetos em imagens ou
significados em textos, com alta precisão.

Gabarito: Correto

50. (CESPE / DATAPREV – 2023) De acordo com os conceitos de inteligência artificial, as máquinas
reativas têm a capacidade compreender os seres humanos, entendendo seus estados mentais.

Comentários:

As máquinas reativas não têm a capacidade de compreender os seres humanos ou entender seus
estados mentais. Elas são projetadas para responder a estímulos específicos com ações
predefinidas, sem considerar experiências passadas ou antecipar eventos futuros. Máquinas com
tais capacidades são limitadas a reagir a situações atuais, sem percepção ou compreensão de
estados mentais humanos.

Gabarito: Errado

51. (CESPE / DATAPREV – 2023) A inteligência artificial é um sistema com capacidade de ponderar,
aprender e agir para resolver um problema complexo.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 164

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Comentários:

Questão extremamente polêmica! Na minha visão, o erro da questão está em dizer que a
inteligência artificial é um sistema, dado que se trata de um campo de estudo. O aluno fica em uma
situação complicada ao responder esse tipo de questão porque não dá para saber se o examinador
está sendo rigoroso com os termos utilizados na definição ou não. Além disso, há imensas
discussões filosóficas sobre se a inteligência artificial é capaz de “ponderar” para resolver um
problema. Na minha visão, ela é; mas o ideal seria que a questão tivesse sido anulada.

Gabarito: Errado

52. (CESPE / SEFIN de Fortaleza-CE – 2023) A matriz de confusão permite avaliar o desempenho
de um modelo de classificação a partir da frequência de erros e acertos.

Comentários:

A matriz de confusão é uma ferramenta utilizada para avaliar o desempenho de um modelo de

classificação. Ela mostra a frequência de erros e acertos do modelo, organizando as predições em
quatro categorias: verdadeiros positivos (TP), falsos positivos (FP), verdadeiros negativos (TN) e
falsos negativos (FN). Com base nesses valores, é possível calcular métricas como precisão, recall e
acurácia, que ajudam a entender a eficácia do modelo em suas predições.

Gabarito: Correto

53. (CESPE / DATAPREV – 2023) A redução de dimensionalidade é uma técnica que reduz a
quantidade de atributos que descrevem um objeto, mantendo a integridade dos dados originais.

Comentários:

A redução de dimensionalidade visa diminuir o número de atributos (ou variáveis) que descrevem
um objeto, mas pode haver alguma perda de informação. Da forma genérica que a questão foi
escrita, fica difícil avaliar.

Justificativa da Anulação: a ausência de informações relevantes na redação do item prejudicou seu

julgamento objetivo.

Gabarito: Anulado

54. (CESPE / DATAPREV – 2023) A compressão de atributos é uma técnica de redução de

dimensionalidade na qual atributos irrelevantes ou redundantes são identificados e
desconsiderados.

Comentários:

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 165

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

A questão descreve a técnica de seleção de atributos e, não, compressão de atributos.

Gabarito: Errado

55. (CESPE / DATAPREV – 2023) O PCA é um procedimento estatístico que converte um conjunto
de objetos com atributos possivelmente correlacionados em um conjunto de objetos com
atributos linearmente descorrelacionados.

Comentários:

O PCA (Principal Component Analysis) é um procedimento estatístico que transforma um conjunto

de dados com atributos possivelmente correlacionados em um novo conjunto de atributos
linearmente descorrelacionados, chamados de componentes principais. Esses componentes
principais são ordenados de forma a capturar a máxima variância dos dados nas primeiras
dimensões.

Gabarito: Correto

56. (CESPE / TC-DF – 2023) O algoritmo Naive Bayes é utilizado para categorizar palavras com base
na frequência; um exemplo do uso desse algoritmo é a classificação de e-mails como spam.

Comentários:

O algoritmo Naive Bayes é um classificador probabilístico que utiliza o Teorema de Bayes com a
suposição de independência entre as características. Ele é amplamente utilizado na filtragem de
spam, onde classifica e-mails como "spam" ou "não spam" com base na frequência de palavras e
outros atributos presentes no conteúdo do e-mail.

Gabarito: Correto

57. (CESPE / DATAPREV – 2023) O machine learning é um subconjunto da inteligência artificial, o

qual é utilizado para analisar, por meio de algoritmos, grandes volumes de dados e permite que
uma máquina ou um sistema aprenda e melhore com base na experiência.

Comentários:

O Machine Learning é, de fato, um subconjunto da inteligência artificial que utiliza algoritmos para
analisar grandes volumes de dados. Isso permite que máquinas ou sistemas aprendam e melhorem
seu desempenho com base na experiência adquirida, sem serem explicitamente programados para
tarefas específicas. É amplamente utilizado para identificar padrões e fazer previsões.

Gabarito: Correto

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 166

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

58. (CESPE / DATAPREV – 2023) O aprendizado por reforço é um tipo de aprendizagem de máquina
que tem por objetivo prever o resultado de um atributo alvo exclusivamente por meio de reforço
no treinamento do modelo.

Comentários:

A ideia por trás do aprendizado por reforço é maximizar prêmios por meio da interação com o
ambiente e, não, prever um atributo alvo.

Gabarito: Errado

59. (CESPE / DATAPREV – 2023) A técnica de agrupamento é um tipo de aprendizado não

supervisionado em que o algoritmo identifica padrões em um conjunto de dados de entrada sem
ter recebido qualquer feedback prévio.

Comentários:

A técnica de agrupamento, ou clustering, é um tipo de aprendizado não supervisionado onde o

algoritmo identifica padrões e agrupa os dados em clusters com base em similaridades intrínsecas,
sem utilizar rótulos ou feedbacks prévios. Exemplos comuns de algoritmos de agrupamento
incluem k-means, DBSCAN e aglomerativo.

Gabarito: Correto

60.(CESPE / TC-DF – 2023) Uma das consequências da utilização da técnica de redução da

dimensionalidade é a complexidade da análise.

Comentários:

A técnica de redução de dimensionalidade, como PCA (Principal Component Analysis), visa

diminuir o número de variáveis em um conjunto de dados enquanto retém a maior quantidade de
informação possível. Isso geralmente resulta em uma análise menos complexa, pois reduz o volume
de dados, melhora a visualização e pode aumentar a eficiência dos algoritmos de aprendizado de
máquina, tornando a análise mais simples e mais rápida.

Gabarito: Errado

61. (CESPE / DATAPREV – 2023) Apesar das CNN serem redes neurais profundas, com várias
camadas ocultas, elas são dispensadas nos algoritmos de reconhecimento de imagens.

Comentários:

As Convolutional Neural Networks (CNNs) são amplamente utilizadas nos algoritmos de

reconhecimento de imagens precisamente por serem redes neurais profundas com várias camadas

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 167

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

ocultas. Essas camadas convolucionais são especialmente eficazes na extração de características

espaciais e hierárquicas das imagens, tornando-as extremamente eficazes para tarefas de
classificação e detecção de objetos em imagens. Portanto, CNNs não são dispensadas, mas sim
fundamentais no reconhecimento de imagens.

Gabarito: Errado

62. (CESPE / DATAPREV – 2023) Backpropagation propaga o erro da camada de saída para as
camadas intermediárias de uma rede neural a fim de que estas possam modificar seus pesos de
forma a minimizar o erro médio.

Comentários:

Backpropagation é um algoritmo de treinamento para redes neurais que propaga o erro da camada
de saída para as camadas intermediárias. Esse processo permite que os pesos da rede sejam
ajustados iterativamente para minimizar o erro médio entre a saída prevista pela rede e a saída
desejada. Através desse ajuste dos pesos, a rede neural melhora seu desempenho em tarefas de
aprendizado supervisionado.

Gabarito: Correto

63. (CESPE / DATAPREV – 2023) As redes neurais têm a capacidade de adaptar seus pesos
sinápticos considerando as mudanças de padrão dos dados de entrada.

Comentários:

As redes neurais têm a capacidade de adaptar seus pesos sinápticos em resposta às mudanças nos
padrões dos dados de entrada. Durante o processo de treinamento, a rede ajusta seus pesos com
base nos erros calculados entre as previsões da rede e os valores reais dos dados de treinamento.
Isso permite que a rede aprenda e generalize a partir dos dados de entrada, tornando-se capaz de
reconhecer novos padrões e melhorar seu desempenho em tarefas específicas.

Gabarito: Correto

64.(CESPE / DATAPREV – 2023) Nas redes neurais completamente conectadas, todos os neurônios
de uma camada estão conectados aos neurônios da camada seguinte, no entanto, não é possível
que as saídas das camadas posteriores alimentem a entrada de camadas anteriores.

Comentários:

Nas redes neurais completamente conectadas (Fully Connected Networks), todos os neurônios de
uma camada estão conectados a todos os neurônios da camada seguinte. Além disso, as saídas das

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 168

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

camadas posteriores podem retroalimentar as entradas das camadas anteriores por meio do
mecanismo de backpropagation.

Gabarito: Errado

65. (CESPE / DATAPREV – 2023) As conexões entre as camadas de uma rede neural do tipo MLP
são de natureza feedfoward.

Comentários:

Em uma rede neural do tipo MLP (Multi-Layer Perceptron), as conexões entre as camadas são de
natureza feedforward, ou seja, os dados fluem em uma única direção, da camada de entrada para
a camada de saída, passando por quaisquer camadas ocultas intermediárias, sem ciclos ou
retroalimentação.

Gabarito: Correto

66. (CESPE / Petrobrás – 2022) A tabela abaixo apresenta parte de um conjunto de dados
referentes a uma variável categórica chamada opinião que possui quatro categorias de resposta:
muito satisfeito, satisfeito, insatisfeito e muito insatisfeito.

Com base nessas informações, julgue o próximo item.

Para lidar numericamente com os dados categóricos, uma codificação binária proporciona uma
conversão de cada categoria de resposta para uma sequência de dígitos binários, em que cada
dígito binário representa uma variável numérica que assume valores 0 ou 1. Na situação em tela,
uma possível codificação binária é exemplificada na tabela abaixo.

Comentários:

Perfeito! Vejam que temos o seguinte mapeamento das observações/opiniões:

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 169

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

- D1 = Satisfeito: 1 e 6
- D2 = Muito Satisfeito: 2
- D3 = Insatisfeito:3 e 4
- = Muito Insatisfeito: 5

Note que, apesar de termos quatro categorias, não precisamos de quatro colunas para representa-
las porque tudo que não for classificada como “Satisfeito“, “Muito Satisfeito” e “Insatisfeito, é
obrigatoriamente “Muito Insatisfeito”.

Essa é uma forma de representar numericamente os dados categóricos por meio de uma
codificação binária que converte cada categoria como 0 ou 1.

Gabarito: Correto

67. (CESPE / Petrobrás – 2022) Em um processo em que se utiliza a ciência de dados, o número de
variáveis necessárias para a realização da investigação de um fenômeno é direta e simplesmente
igual ao número de variáveis utilizadas para mensurar as respectivas características desejadas;
entretanto, é diferente o procedimento para determinar o número de variáveis explicativas,
cujos dados estejam em escalas qualitativas.

Considerando esse aspecto dos modelos de regressão, julgue o item a seguir.

Para evitar um erro de ponderação arbitrária, deve-se recorrer ao artifício de uso de variáveis
dummy, o que permitirá a estratificação da amostra da maneira que for definido um
determinado critério, evento ou atributo, para então serem inseridas no modelo em análise; isso
permitirá o estudo da relação entre o comportamento de determinada variável explicativa
qualitativa e o fenômeno em questão, representado pela variável dependente.

Comentários:

Vamos por partes porque essa questão é complexa! “O número de variáveis necessárias para a
realização da investigação de um fenômeno é direta e simplesmente igual ao número de variáveis
utilizadas para mensurar as respectivas características desejadas”? Sim, as variáveis em ciência de
dados representam as características ou atributos que desejamos mensurar – são as chamadas
variáveis independentes. Elas são utilizadas para calcular a variável dependente!

“... entretanto, é diferente o procedimento para determinar o número de variáveis explicativas, cujos
dados estejam em escalas qualitativas”? Sim, variáveis explicativas que estejam em escalas
qualitativas são as variáveis categóricas, logo temos um procedimento diferente para esse tipo de
variável dado que elas não são numéricas.

“Para evitar um erro de ponderação arbitrária, deve-se recorrer ao artifício de uso de variáveis dummy”?
Sim, conforme vimos em aula, se atribuirmos um valor (ordenado ou não) às categorias de um

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 170

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

problema de aprendizado de máquina, podemos cair no erro de ponderação arbitrária, em que os

pesos atribuídos geram informações falsas sobre os atributos (Ex: mulher = 1, homem =2. Ora,
homem tem o dobro do peso? Não)! Para resolver, podemos utilizar variáveis dummy, que são
variáveis que assumem os valores 0 ou 1 para representar a ausência ou presença de um
determinado atributo, característica, categoria, evento ou critério.

“o que permitirá a estratificação da amostra da maneira que for definido um determinado critério,
evento ou atributo, para então serem inseridas no modelo em análise”? Sim, para cada atributo (Ex:
Cor), vamos estratificá-lo em vários outros atributos (Ex: vermelho, verde e azul). Essa
estratificação que transforma uma variável (categórica) em várias variáveis (numéricas) agora pode
finalmente ser inserida no modelo.

“Isso permitirá o estudo da relação entre o comportamento de determinada variável explicativa

qualitativa e o fenômeno em questão, representado pela variável dependente”? Sim, ao utilizar
variáveis dummy, podemos transformar dados categóricos em dados numéricos e finalmente
utilizá-las para explicar um fenômeno (variável dependente).

Gabarito: Correto

68. (CESPE / Petrobrás – 2022) As métricas de avaliação de desempenho de um modelo de

aprendizado de máquina, que é um componente integrante de qualquer projeto de ciência de
dados, destinam-se a estimar a precisão da generalização de um modelo sobre os dados futuros
(não vistos ou fora da amostra). Dentre as métricas mais conhecidas, estão a matriz de confusão,
precisão, recall, pontuação, especificidade e a curva de características operacionais do receptor
(ROC).

Acerca das características específicas dessas métricas, julgue o próximo item.

As curvas ROC a seguir mostram a taxa de especificidade (verdadeiros positivos) versus a taxa
de sensibilidade (falsos positivos) do modelo adotado; a linha tracejada é a linha de base da
métrica de avaliação e define uma adivinhação aleatória.

Comentários:

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 171

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Opa! Elas realmente mostram a taxa de especificidade versus a taxa de sensibilidade, no entanto a
especificidade trata dos falsos-positivos e a sensibilidade trata dos verdadeiros-positivos.

Gabarito: Errado

69. (CESPE / Petrobrás – 2022) O algoritmo de backpropagation consiste das fases de

propagação e de retro propagação: na primeira, as entradas são passadas através da rede e as
previsões de saída são obtidas; na segunda, se calcula o termo de correção dos pesos e, por
conseguinte, a atualização dos pesos.

Comentários:

Perfeito! Conforme vimos em aula, temos:

1. Etapa de Propagação: as entradas fluem através das camadas ocultas da rede neural e previsões
são obtidas na camada de saída;

2. Etapa de Retropropagação: calcula-se o gradiente da função de custo/perda na camada de saída

e ele é utilizado para atualizar os pesos (inclusive o viés) recursivamente.

Gabarito: Correto

70. (CESPE / ANP – 2022) A ação de realizar agrupamento hierárquico tem como premissa básica
encontrar elementos em um conjunto de dados que impliquem a presença de outros elementos
na mesma transação, com um grau de certeza definido pelos índices de fator de suporte e o fator
de confiança, que pode ser realizado, por exemplo, por meio do algoritmo a priori.

Comentários:

A ação de realizar agrupamento hierárquico construir regras de associação tem como premissa
básica encontrar elementos em um conjunto de dados que impliquem a presença de outros
elementos na mesma transação, com um grau de certeza definido pelos índices de fator de suporte
e o fator de confiança, que pode ser realizado, por exemplo, por meio do algoritmo a priori.

Gabarito: Errado

71. (CESPE / ANP – 2022) O algoritmo random forest é um algoritmo de aprendizado de máquina
supervisionado em que se agrupam os resultados de várias árvores de decisão de cada nó para
se obter uma conclusão própria e aumentar a precisão do modelo, não sendo o referido
algoritmo adequado para grandes conjuntos de dados.

Comentários:

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 172

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

O algoritmo Random Forest é um algoritmo de aprendizado de máquina? Sim! Ele é supervisionado?

Sim, trata-se de um algoritmo de classificação. Ele agrupa os resultados de várias árvores de decisão
de cada nó para se obter uma conclusão própria e aumentar a precisão do modelo? Sim, por meio da
utilização de diversas árvores aleatórias. Não é adequado para grandes conjuntos de dados? Opa, ele
é ótimo para lidar com grandes conjuntos de dados.

Gabarito: Errado

72. (CESPE / ANP – 2022) A técnica de redução de dimensionalidade (PCA) permite transformar
dados que inicialmente pertencem a um espaço de dimensão n em um espaço de dimensão m,
em que m < n, sendo utilizada, por exemplo, para reduzir a dimensionalidade de certo conjunto
de dados através do descarte de características não úteis e que ainda permita realizar o
reconhecimento de padrões.
==3b91f9==

Comentários:

Perfeito! A redução de dimensionalidade busca justamente reduzir as dimensões eliminando

características que não serão úteis para o reconhecimento de padrões. Por meio da seleção de
atributos, é possível eliminar atributos irrelevantes ou redundantes.

Gabarito: Correto

73. (CESPE / ANP – 2022) As aplicações em inteligência artificial são definidas como uma subárea
da área de aprendizagem de máquina (machine learning).

Comentários:

Opa! É o inverso: as aplicações de aprendizagem de máquina (machine learning) são definidas como
uma subárea da área de inteligência artificial.

Gabarito: Errado

74. (CESPE / ANP – 2022) Em se tratando de modelos de regressão linear, indica-se a utilização dos
seguintes métodos não paramétricos para a estimação dos resultados: Mínimos Quadrados
(MQ) e de Support Vector Machines (SVM).

Comentários:

O Método dos Mínimos Quadrados é paramétrico e o SVM, no contexto de regressão linear,

também é considerado paramétrico.

Gabarito: Errado

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 173

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

75. (CESPE / ANP – 2022) Considerando-se, nos gráficos a seguir, que o resultado #2 corresponda
ao melhor desempenho do algoritmo, é correto afirmar que o resultado #1 indica que houve
underfitting.

Comentários:

Vejam o resultado #2: a curva acompanha os dados oferecendo o melhor desempenho do

algoritmo. Já no resultado #1, a reta não se ajusta bem aos dados, porque considera-se que houve
um underfitting (subajuste), isto é, o modelo é excessivamente simples para modelar a real
complexidade do problema para novos dados.

Gabarito: Correto

Determinado parâmetro β será estimado recursivamente com a ajuda de um método de otimização

matemática com base em uma função objetivo g(β). Para essa estimação, a base de dados de
treinamento consistirá de n observações.

76. (CESPE / SERPRO – 2021) Em cada iteração na estimação do parâmetro β, o método do

gradiente descendente requer n observações da base de treinamento, ao passo que o método
do gradiente descendente estocástico utiliza uma observação selecionada aleatoriamente
dessa base de treinamento.

Comentários:

Perfeito! O método do gradiente descendente (em lote) requer toda a base de treinamento, isto é,
n observações. Ao passo que o gradiente descendente estocástico utiliza uma observação aleatória.

Gabarito: Correto

77. (CESPE / SERPRO – 2021) Entre as condições ideais relativas à função objetivo g(β) para a
aplicação do método do gradiente descendente incluem-se convexidade, continuidade e
diferenciabilidade.

Comentários:

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 174

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Perfeito! O método do gradiente descendente (em lote) precisa que a função de custo/perda seja
convexa, contínua e diferenciável. Uma função contínua é aquela que não possui pontos de
descontinuidade; e uma função é diferenciável quando é possível calcular as derivadas (conceito
matemática que mede a taxa de variação de uma função em um ponto) de seus pontos. Logo, o
gradiente descendente é mais adequado quando a função de custo/perda tem um único ponto
mínimo, não possui saltos de descontinuidades e pode-se calcular as derivadas de seus pontos.

Gabarito: Correto

78. (CESPE / SERPRO – 2021) O método do gradiente descendente é equivalente ao método de

Newton-Raphson, no qual o incremento, para a estimação do parâmetro β, depende da primeira
e da segunda derivada da função objetivo g(β).

Comentários:

Não é necessário saber o que é o método de Newton-Raphson para responder à questão. Basta
saber que para a estimação de um parâmetro, o gradiente descendente depende apenas da
primeira derivada da função objetivo (nome genérico de funções matemáticas usadas para modelar
problemas de optimização).

Gabarito: Errado

79. (CESPE / SERPRO – 2021) O gradiente descendente em lote é um método probabilístico de

otimização no qual, para cada iteração, encontram-se L × n observações geradas mediante
amostragem (com reposição) da base de dados de treinamento (em que L representa o número
de lotes, com L > 1).

Comentários:

Opa... quem usa amostragem da base de dados de treinamento é o gradiente descendente

estocástico.

Gabarito: Errado

80.(CESPE / SEFAZ-AL - 2021) A regressão logística é um modelo de regressão no qual a relação

entre as variáveis independentes e a variável dependente é representada por uma função
degrau, a qual, por sua vez, pode ser representada por uma spline.

Comentários:

A regressão logística se caracteriza por ser estritamente crescente e ser representada por uma
função em S. Quem se caracteriza por não ser estritamente crescente e ser representada por uma

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 175

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

função degrau (ou step) é a função limite. Por fim, spline é uma interpolação contínua que arredonda
uma função – não faz sentido no contexto da questão.

Gabarito: Errado

81. (CESPE / SEFAZ-CE – 2021) Cada unidade de uma rede neural artificial possui um valor e um
peso, no seu nível mais básico, para indicar sua importância relativa.

Comentários:

Note que cada perceptron (unidade de uma rede neural artificial) possui vários valores de entrada
com seus respectivos pesos para indicar sua importância relativa, isto é, qual grau de influência de
cada entrada. A questão foi considerada como correta, mas uma redação mais adequada enfatizaria
que se trata de vários valores e pesos.

Gabarito: Correto

82. (CESPE / SEFAZ-CE – 2021) Redes neurais do tipo LSTM (long short-term memory) mantêm o
nível de precisão independentemente do tamanho do modelo utilizado.

Comentários:

Na verdade, independentemente do tipo de rede neural, o tamanho importa! Em geral, quanto mais
unidades, mais complexa e mais capaz de modelar problemas complexos. Da mesma forma, quanto
menos unidades, menos complexa e menos capaz de modelar problemas complexos. Logo, o
tamanho do tamanho interfere no nível de precisão.

Gabarito: Errado

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 176

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

83. (CESPE / TJ-AM – 2019) A técnica machine learning pode ser utilizada para apoiar um processo
de data mining.

Comentários:

Perfeito! Data Mining é o processo de coleta, análise e extração de informações de conjuntos de

dados para descobrir padrões e correlações. É bastante usado para descobrir tendências e fazer
previsões. Já Machine Learning é o processo de utilizar algoritmos para analisar dados e fazer
previsões com base nos padrões descobertos. É bastante usado para identificar correlações e
relacionamentos entre diferentes variáveis. Notem que há uma imensa correlação entre ambos,
sendo que em diversos momentos esses conceitos se confundem. Logo, o aprendizado de máquina
evidentemente pode ser utilizado para apoiar um processo de mineração de dados.

Gabarito: Correto

84.(CESPE / TCE-MG – 2018) Em machine learning, a categoria de aprendizagem por reforço

identifica as tarefas em que:

a) um software interage com um ambiente dinâmico, como, por exemplo, veículos autônomos.
b) as etiquetas de classificação não sejam fornecidas ao algoritmo, de modo a deixá-lo livre para
entender as entradas recebidas.
c) o aprendizado pode ser um objetivo em si mesmo ou um meio para se atingir um fim.
d) o objetivo seja aprender um conjunto de regras generalistas para converter as entradas em
saídas predefinidas.
e) são apresentados ao computador exemplos de entradas e saídas desejadas, fornecidas por
um orientador.

Comentários:

(a) Correto! Veículos autônomos seguem uma rota de trânsito em um ambiente dinâmico até o seu
destino final. O carro precisa escolher o melhor caminho, evitando colisões e infrações de trânsito,
sendo penalizado quando não cumpre seu papel corretamente e recompensado quando o faz. Essa
é uma utilização típica de aprendizado por reforço; (b) Errado, esse seria o comportamento típico
de uma tarefa não supervisionada; (c) Errado, esse seria o comportamento típico do aprendizado
não supervisionado, em que o aprendizado pode ser um objetivo em si mesmo (descobrir novos
padrões nos dados) ou um meio para atingir um fim; (d) Errado, esse seria o comportamento típico
do aprendizado supervisionado, em que se busca aprender uma regra geral que mapeia entradas
de dados em saídas de dados; (e) Errado, esse seria o comportamento típico do aprendizado
supervisionado, em que são apresentadas ao computador exemplos de entradas de dados e suas
respectivas saídas desejadas por um supervisor/professor/orientador.

Gabarito: Letra A

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 177

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

85. (CESPE / TRE/PE – 2017 – Item A) Em uma curva ROC, o ponto que aperfeiçoa a sensibilidade
em função da especificidade é aquele que se encontra mais próximo do canto superior esquerdo
do gráfico.

Comentários:

Perfeito! Idealmente, o ponto que aperfeiçoa a sensibilidade em função da especificidade é aquele

mais distante do classificador aleatório, próximo do canto superior esquerdo.

Gabarito: Correto

86. (CESPE / INPI – 2013) Em um banco de dados, foram armazenadas informações relativas a
diversas pesquisas realizadas por pesquisadores de institutos renomados. Entre as variáveis
constantes desse banco destacam-se: nome, gênero e titulação do pesquisador; valor
financiado da pesquisa; instituto ao qual o pesquisador pertence; número de componentes da
equipe; e número de artigos publicados pelo pesquisador.

Com base nessas informações, julgue os itens a seguir.

Se, na análise de componentes principais, fossem utilizadas 5 variáveis quantitativas, então, a

técnica geraria, no máximo, 3 componentes, se essas correspondessem a, pelo menos, 95% da
variância explicada.

Comentários:

A técnica pode gerar uma quantidade de componentes principais menor ou igual a quantidade de
variáveis. Logo, poderia gerar quatro ou cinco!

Gabarito: Errado

87. (CESPE / MPE-PI – 2012) Em datamining, o uso de holdout induz o modelo de classificação a
partir do conjunto de treinamento, e seu desempenho é avaliado no conjunto de teste. Quanto
menor o conjunto de treinamento, maior a variância do modelo; no entanto, se o conjunto de
treinamento for grande demais, a precisão estimada calculada a partir do conjunto menor é
menos confiável.

Comentários:

Vamos lá! O que é hold-out? É uma técnica para avaliar modelos preditivos que divide o conjunto de
dados em duas partes: dados de treinamento e dados de teste. Dito isso, ele induz o modelo de
classificação a partir do conjunto de treinamento? Eu honestamente não faço ideia do que o
examinador quis dizer com o verbo “induzir”. O desempenho do modelo de classificação é avaliado
no conjunto de teste? Sim, os dados de teste são utilizados para avaliar a performance do modelo.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 178

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Agora pensem comigo: eu tenho um conjunto de dados e vou dividi-lo em dados de treinamento e
dados de avaliação. Dito isso, temos que:

- Quanto maior for o conjunto de dados de treinamento, mais dados meu modelo terá disponível
para treinar, mais precisa será sua predição nos dados de treinamento, logo menor será a variância
dos dados (menos erros). Além disso, quanto maior for o conjunto de dados de treinamento, menor
será o conjunto de dados de teste, logo teremos menos dados novos para avaliar o modelo,
portanto poderemos confiar menos na precisão alcançada durante o treinamento;

- Quanto menor for o conjunto de dados de treinamento, menos dados meu modelo terá disponível
para treinar, menos precisa será sua predição nos dados de treinamento, logo maior será a variância
dos dados (mais erros); além disso, quanto menor for o conjunto de dados de treinamento, maior
será o conjunto de dados de teste, logo teremos mais dados novos para avaliar o modelo, portanto
poderemos confiar mais na precisão alcançada durante o treinamento.

É sempre útil usar a analogia com estudo por questão. Quanto mais questões de concurso sobre um
determinado tema você tem disponível para treinar, mais precisas ficarão suas respostas, logo
menor será a variância (menos erros).

Gabarito: Correto

88. (CESPE / CORREIOS – 2011) Para criar um ranking das universidades brasileiras, um
pesquisador dispõe das seguintes variáveis: X1 = número de professores doutores; X2 =
quantidade de pesquisas publicadas em periódicos nacionais; X3 = quantidade de pesquisas
publicadas em periódicos internacionais; X4 = área total do campus; X5 = quantidade de cursos
de pós-graduação.

Considerando essas informações e os conceitos de análise multivariada, julgue os itens

seguintes.

Se o pesquisador utilizar a técnica de análise de componentes principais, serão geradas 5

componentes.

Comentários:

O PCA gera uma quantidade de componentes principais menor ou igual a quantidade de variáveis.
A banca deu o gabarito como correto, mas eu acho que caberia recurso porque esse tipo de redação
o torna ambíguo. O aluno fica sem saber o que marcar...

Gabarito: Correto

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 179

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

89. (CESPE / EMBRAPA – 2006) Em modelos de classificação, ocorre overfitting quando o

número de erros cometidos no grupo de dados usado para treinar (ajustar) o modelo é muito
pequeno e o número de erros de generalização é grande.

Comentários:

Perfeito! Overfitting é a situação em que há poucos erros no treino, mas há muitos erros no teste
(erro de generalização).

Gabarito: Correto

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 180

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

QUESTÕES COMENTADAS – FCC

90.(FCC / TRT-RS – 2022) O Gráfico ROC de uma Análise ROC:

I. é bidimensional, onde o eixos Y e X do gráfico representam as medidas TVP (Taxa de

Verdadeiros Positivos) e TFP (Taxa de Falsos Positivos), respectivamente.

II. tem sete regiões importantes que representam: Céu ROC, Inferno ROC, Quase Nunca
Positivo, Quase Sempre Positivo, Quase Nunca Negativo, Quase Sempre Negativo e Variáveis
Fora da Curva.

III. tem uma linha diagonal que representa Classificadores Aleatórios.

Está correto o que se afirma APENAS em:

a) I.
b) I e II.
c) I e III.
d) II e III.
e) III.

Comentários:

(I) Correto, realmente temos a razão de verdadeiros-positivos pela razão de falsos-positivos; (II)
Errado, isso não é relevante para vocês, mas temos quatro regiões importantes: Céu ROC, Inferno
ROC, Quase Sempre Positivo e Quase Sempre Negativo; (III) Correto, a linha diagonal realmente
representa um classificador aleatório.

Gabarito: Letra C

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 181

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

QUESTÕES COMENTADAS – FGV

91. (FGV / Prefeitura São José dos Campos-SP– 2024) A Visão Computacional (CV) é um
subdomínio da inteligência artificial (IA) que treina o sistema para identificar e interpretar o
mundo visual. CV envolve várias tarefas importantes, como modelagem de cena tridimensional,
geometria de câmera multimodelo, correspondência estéreo baseada em movimento,
processamento de nuvem de pontos, estimativa de movimento e muito mais.

Avalie se as três etapas básicas envolvidas nesse processo são as seguintes:

I. Aquisição da imagem.
II. Processamento da imagem.
III. Segmentação da imagem.

Está correto o que se apresenta em:

a) I e III, apenas.
b) II e III, apenas.
c) I e II, apenas.
d) I, apenas.
e) I, II e III.

Comentários:

(a) Errado. A segmentação da imagem é uma etapa posterior ao processamento da imagem e não
está inclusa nas três etapas básicas mencionadas;

(b) Errado. As etapas básicas não incluem a segmentação da imagem como fundamental, sendo ela
uma etapa adicional;

(c) Correto. A aquisição e o processamento da imagem são etapas básicas e essenciais na visão
computacional;

(d) Errado. Apenas a aquisição da imagem não é suficiente para a visão computacional, sendo
necessário também o processamento da imagem;

(e) Errado. A segmentação da imagem é uma etapa avançada e não faz parte das três etapas básicas
fundamentais.

Gabarito: Letra C

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 182

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

92. (FGV / CGM-BH – 2024) Relacione os termos de Inteligência Artificial (IA) às suas respectivas
definições.

1. IA fraca
2. IA forte
3. IA generativa
4. Teste de Turing

( ) É capaz de resolver uma única tarefa, pode automatizar tarefas demoradas e analisar dadosde
maneiras que os humanos às vezes não podem.
( ) É uma categoria de algoritmos de IA que gera novos resultados com base nos dados em que
foram treinados.
( ) É capaz de resolver uma gama extensa e arbitrária de tarefas, incluindo aquelas que são novas,
e executá-las com eficácia comparável à de um ser humano.
( ) É uma medida de inteligência de uma máquina, onde se a máquina pode se passar por um
humano em uma conversa de texto, ela passa no teste.

Assinale a opção que indica a relação correta, segundo a ordem apresentada.

a) 1 – 3 – 2 – 4.
b) 1 – 2 – 4 – 3.
c) 4 – 3 – 2 – 1.
d) 3 – 2 – 1 – 4.

Comentários:

(1) IA fraca - É capaz de resolver uma única tarefa, pode automatizar tarefas demoradas e analisar
dados de maneiras que os humanos às vezes não podem;

(3) IA generativa - É uma categoria de algoritmos de IA que gera novos resultados com base nos
dados em que foram treinados;

(2) IA forte - É capaz de resolver uma gama extensa e arbitrária de tarefas, incluindo aquelas que
são novas, e executá-las com eficácia comparável à de um ser humano;

(4) Teste de Turing - É uma medida de inteligência de uma máquina, onde se a máquina pode se
passar por um humano em uma conversa de texto, ela passa no teste.

Gabarito: Letra A

93. (FGV / CGE-PB – 2024) O auditor de contas públicas João está desenvolvendo um modelo de
aprendizado de máquina para identificar transações financeiras suspeitas em uma auditoria de
contas. Após treinar o modelo, João observa que esse tem um desempenho excelente nos dados
de treinamento, mas apresenta um desempenho ruim nos dados de teste, com uma alta taxa de

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 183

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

erro. Nesse contexto, o problema observado por João, do modelo ajustar-se excessivamente
aos dados de treinamento, é denominado:

a) bias (viés);
b) overfitting;
c) underfitting;
d) oversampling;
e) undersampling.

Comentários:

(a) Errado. Bias (viés) refere-se a um erro sistemático no modelo que impede que ele capture a
complexidade dos dados. Modelos com alto viés são simplistas e apresentam desempenho ruim
tanto em dados de treinamento quanto em dados de teste, caracterizando underfitting;

(b) Correto. Overfitting é quando um modelo se ajusta excessivamente aos dados de treinamento,
capturando tanto padrões reais quanto ruídos específicos. Como resultado, o modelo tem um
desempenho excelente nos dados de treinamento, mas apresenta um desempenho ruim em dados
novos, como os dados de teste, devido à sua falta de generalização;

(c) Errado. Underfitting ocorre quando um modelo é muito simples para capturar a complexidade
dos dados, resultando em um desempenho ruim tanto em dados de treinamento quanto em dados
de teste, diferente do problema observado por João;

(d) Errado. Oversampling é uma técnica utilizada para lidar com conjuntos de dados
desequilibrados, aumentando o número de amostras da classe minoritária para melhorar a
performance do modelo. Não está relacionado ao problema de João;

(e) Errado. Undersampling é outra técnica para lidar com conjuntos de dados desequilibrados,
reduzindo o número de amostras da classe majoritária para equilibrar o conjunto de dados. Não
tem relação com o problema de ajuste excessivo observado.

Gabarito: Letra B

94.(FGV / CGM-BH – 2024) Sobre o Aprendizado de Máquina, analise as afirmativas a seguir e

assinale (V) para a verdadeira e (F) para a falsa.

( ) Aprendizado supervisionado é um tipo de aprendizado de máquina em que o modelo é

treinado em um dataset rotulado.
( ) Aprendizado não supervisionado é um tipo de aprendizado de máquina em que o modelo é
treinado em um dataset não rotulado e a estrutura subjacente dos dados é descoberta pelo
algoritmo.
( ) Aprendizado por reforço é um tipo de aprendizado de máquina em que o modelo é treinado
para prever o resultado de uma variável dependente com base em variáveis independentes.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 184

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

As afirmativas são, respectivamente,

a) V – V – V.
b) F – V – F.
c) V – F – F.
d) V – V – F.

Comentários:

(V) Aprendizado supervisionado é um tipo de aprendizado de máquina em que o modelo é treinado

em um dataset rotulado.

(V) Aprendizado não supervisionado é um tipo de aprendizado de máquina em que o modelo é

treinado em um dataset não rotulado e a estrutura subjacente dos dados é descoberta pelo
algoritmo.

(F) Aprendizado por reforço é um tipo de aprendizado de máquina em que o modelo aprende a
tomar decisões ao interagir com um ambiente, recebendo recompensas ou punições.

Gabarito: Letra D

95. (FGV / CGE-PB – 2024) O cientista de dados João deverá criar um modelo de aprendizado de
máquina com o objetivo de classificar transações de cartão de crédito como "fraudulentas" ou
"não fraudulentas". Dentre as métricas de avaliação da qualidade geral do modelo criado, João
deverá utilizar a que avalia o equilíbrio entre precisão e sensibilidade (recall):

a) acurácia;
b) F1-score;
c) especificidade;
d) índice Jaccard (J);
e) área sob a curva ROC (AUC-ROC).

Comentários:

(a) Errado. A acurácia mede a proporção de verdadeiros positivos e verdadeiros negativos sobre o
total de casos, mas não avalia o equilíbrio entre precisão e sensibilidade;

(b) Correto. O F1-score é a métrica que avalia o equilíbrio entre precisão e sensibilidade, sendo a
média harmônica dessas duas métricas;

(c) Errado. A especificidade mede a proporção de verdadeiros negativos sobre os casos negativos,
não considerando a precisão;

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 185

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

(d) Errado. O índice Jaccard mede a similaridade entre conjuntos, não diretamente relacionado ao
equilíbrio entre precisão e sensibilidade;

(e) Errado. A AUC-ROC avalia a capacidade do modelo em distinguir entre classes, mas não o
equilíbrio entre precisão e sensibilidade.

Gabarito: Letra B

96. (FGV / TCE-SP – 2023) No contexto da IA geracional, representada pelo ChatGPT e modelos
similares, surge um desafio crítico relacionado ao viés. Em relação ao significado do termo
“biased AI” (IA enviesada) na IA geracional, assinale a afirmativa correta:

a) Trata da incapacidade dos modelos de IA de aprender com exemplos de texto humano.

b) Refere-se à tendência de modelos de IA geracional em gerar respostas tendenciosas ou

discriminatórias com base em dados de treinamento enviesados.

c) Descreve a capacidade da IA geracional de entender e aplicar princípios éticos em suas

respostas.

d) Significa que a IA geracional não é capaz de reconhecer ou interpretar o contexto em que uma
pergunta é feita.

e) Refere-se à tendência da IA geracional de gerar respostas excessivamente longas e

detalhadas.

Comentários:

(a) Errado. A incapacidade dos modelos de IA de aprender com exemplos de texto humano não está
diretamente relacionada ao conceito de IA enviesada;

(b) Correto. "Biased AI" (IA enviesada) refere-se à tendência de modelos de IA geracional em gerar
respostas tendenciosas ou discriminatórias com base em dados de treinamento enviesados;

(c) Errado. A capacidade da IA geracional de entender e aplicar princípios éticos é desejada, mas
não está diretamente relacionada ao conceito de IA enviesada;

(d) Errado. A incapacidade de reconhecer ou interpretar o contexto em que uma pergunta é feita é
um desafio, mas não é o que define IA enviesada;

(e) Errado. A tendência de gerar respostas excessivamente longas e detalhadas pode ser uma
característica dos modelos de IA, mas não está relacionada ao conceito de IA enviesada.

Gabarito: Letra B

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 186

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

97. (FGV / Câmara dos Deputados – 2023) Joselito é um desenvolvedor especializado em

inteligência artificial e trabalha para uma renomada indústria. Recentemente, ele finalizou o
treinamento de um modelo de visão computacional, cujo objetivo é identificar se os
colaboradores estão utilizando capacetes enquanto circulam pelo chão de fábrica, visando a
assegurar o cumprimento das normas de segurança. Durante a apresentação do projeto para a
equipe de liderança, o modelo demonstrou alta acurácia na maioria das situações.

Entretanto, houve um padrão atípico de erro: o chefe de Joselito, que é calvo, foi
consistentemente identificado pelo modelo como estando de capacete, ainda que estivesse
sem capacete. Com base nessas informações, assinale a opção que indica a causa mais provável
do comportamento anômalo observado no modelo de Joselito.

a) O modelo foi treinado com um conjunto de dados desbalanceado tendo muito mais exemplos
de pessoas usando capacetes do que sem.

b) O chefe de Joselito tem características faciais únicas que o modelo não conseguiu aprender
corretamente durante o treinamento.

c) O modelo está superajustado (overfitting), capturando detalhes muito específicos do

conjunto de treinamento que não generalizam bem para dados não vistos.

d) O conjunto de dados de treinamento não tinha uma quantidade balanceada de pessoas calvas
sem utilizar o capacete, fazendo o modelo associar erroneamente a calvície com o uso de
capacete.

e) A resolução da câmera utilizada durante a demonstração era significativamente inferior à

usada para coletar imagens do conjunto de dados de treinamento, levando o modelo a
interpretar incorretamente características faciais.

Comentários:

(a) Errado. Embora um conjunto de dados desbalanceado possa causar problemas de desempenho,
não explica especificamente o erro relacionado à calvície do chefe de Joselito;

(b) Errado. Características faciais únicas podem causar erros, mas a consistência do erro sugere um
problema específico relacionado à calvície;

(c) Errado. O superajustamento (overfitting) refere-se a capturar detalhes muito específicos do

conjunto de treinamento, mas não explica o padrão específico do erro observado;

(d) Correto. A falta de exemplos de pessoas calvas sem capacete no conjunto de dados de
treinamento é a causa mais provável do comportamento anômalo, levando o modelo a associar
erroneamente a calvície com o uso de capacete;

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 187

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

(e) Errado. A resolução da câmera pode afetar a precisão, mas a explicação mais provável está
relacionada ao conjunto de dados de treinamento e à falta de exemplos de pessoas calvas.

Gabarito: Letra D

98. (FGV / TCE-ES – 2023) João e Júlio fazem parte da equipe de Ciência de Dados do TCE/ES e
estão realizando um estudo para o desenvolvimento de um classificador binário (classes positiva
e negativa) usando Naive Bayes. Com o intuito de dividirem suas tarefas, João ficou responsável
por treinar o modelo de classificação, e Júlio, por avaliar o desempenho do modelo. Após o
treinamento do modelo, João aplicou-o ao conjunto de teste e enviou um e-mail a Júlio com a
matriz de confusão resultante. Dessa forma, Júlio poderá calcular:

a) a acurácia do modelo, mas não o seu recall;

b) o recall do modelo, mas não a sua precisão;
c) a precisão do modelo, mas não o seu F1-score;
d) o F1-score do modelo, mas não a sua AUC;
e) a AUC do modelo, mas não a sua acurácia.

Comentários:

(a) Errado. A matriz de confusão permite calcular tanto a acurácia quanto o recall do modelo; (b)
Errado. A matriz de confusão permite calcular tanto o recall quanto a precisão do modelo; (c)
Errado. A partir da matriz de confusão, é possível calcular tanto a precisão quanto o F1-score do
modelo; (d) Correto. O F1-score pode ser calculado a partir da matriz de confusão, mas a AUC (Área
sob a Curva ROC) requer informações adicionais sobre as probabilidades de classificação; (e)
Errado. A matriz de confusão permite calcular a acurácia, mas não a AUC diretamente.

Gabarito: Letra D

99. (FGV / TCE-SP – 2023) João está trabalhando em um projeto de reconhecimento de animais
por imagens, em que o conjunto de dados possui um atributo como rótulo, o qual indica o nome
do animal retratado, como "cachorro", "gato", "pássaro" e "peixe". Para treinar o modelo de
reconhecimento de imagens de animais, a tarefa de aprendizado supervisionado que João
deverá utilizar é:

a) regressão;
b) associação;
c) classificação;
d) agrupamento;
e) redução de dimensionalidade.

Comentários:

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 188

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

(a) Errado. Regressão é usada para prever valores contínuos, não rótulos de categorias;

(b) Errado. Associação é usada para encontrar relações entre variáveis em grandes bases de dados,
não para rotular imagens;

(c) Correto. Classificação é a tarefa de aprendizado supervisionado apropriada para prever rótulos
categóricos, como "cachorro", "gato", "pássaro" e "peixe";

(d) Errado. Agrupamento (clustering) é uma técnica de aprendizado não supervisionado que agrupa
dados com base em similaridades, sem utilizar rótulos;

(e) Errado. Redução de dimensionalidade é usada para diminuir o número de variáveis em um

conjunto de dados, não para classificar imagens.

Gabarito: Letra C

100. (FGV / CGE-SC – 2023) Sobre as redes neurais convolucionais (CNNs) é correto afirmar que:

a) ao treinar CNNs utilizando transferência de aprendizado, começamos com um modelo pré-

treinado e executamos numa nova tarefa qualquer, sem precisar se preocupar com o formato e
o tipo de dados.

b) ao treinar CNNs utilizando transferência de aprendizado para ajuste fino, começamos com
um modelo pré-treinado e atualizamos todos os parâmetros do modelo para nossa nova tarefa,
basicamente retreinando todo o modelo.

c) uma rede neural convolucional pode ser utilizada para reconhecer os mais variados tipos de
dados. Por exemplo, textos, imagens e dados de clientes. Para isso, basta que os dados de
entrada sejam transformados por alguma técnica de extração de características em simples
vetores de características.

d) as últimas camadas convolucionais de uma rede neural CNN são capazes de extrair
características mais baixo nível dos dados, como linhas, círculos e pontos, enquanto as primeiras
camadas extraem características mais alto nível, detalhes mais específicos dos objetos
reconhecidos.

e) as camadas de pooling das CNNS são capazes de extrair características de médio nível,
reconhecendo características que são mais detalhadas que as primeiras camadas
convolucionais.

Comentários:

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 189

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

(a) Errado. Ao usar transferência de aprendizado, é necessário garantir que o formato e o tipo de
dados sejam compatíveis com o modelo pré-treinado. A transferência de aprendizado não implica
que o modelo possa ser aplicado diretamente a qualquer tarefa sem ajustes;

(b) Correto. Na transferência de aprendizado com ajuste fino (fine-tuning), começamos com um
modelo pré-treinado e atualizamos todos os parâmetros do modelo para adaptá-lo à nova tarefa,
retreinando o modelo, mas geralmente com uma taxa de aprendizado mais baixa para as camadas
já treinadas

(c) Errado. Embora CNNs possam ser adaptadas para diferentes tipos de dados (como imagens,
textos, etc.), o processo de adaptação não envolve apenas a transformação em vetores de
características. As CNNs são mais adequadas para dados que têm uma estrutura espacial, como
imagens;

(d) Errado. É o contrário. As primeiras camadas convolucionais de uma CNN extraem características
de baixo nível (como bordas, linhas, e texturas), enquanto as camadas mais profundas extraem
características de alto nível, que são mais abstratas e específicas para a tarefa;

(e) Errado. As camadas de pooling em CNNs são usadas para reduzir a dimensionalidade,
preservando as características mais importantes, mas elas não são responsáveis por extrair
características de médio nível.

Gabarito: Letra B

101. (FGV / CGE-SC – 2023) Sobre modelos de otimização de redes neurais, assinale a afirmativa
incorreta.

a) O gradiente descendente é um algoritmo de otimização de redes neurais em que a derivada

da função de otimização leva a direção mais baixa do gráfico da função de custo.

b) A ideia da Regularização é adicionar um termo extra à função de custo. Intuitivamente, o

efeito da regularização é fazer com que a rede prefira aprender pesos pequenos, minimizando a
função de custo.

c) O momento acumula pesos anteriores para estabilizar a convergência da rede; o objetivo é

ajudar a desviar de mínimos locais e pode acelerar treinamento em regiões muito planas da
superfície de erro.

d) O algoritmo de otimização ADAM guarda, além dos valores dos pesos passados, o
decaimento exponencial da média de gradientes passados e possui o mesmo objetivo do
momento.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 190

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

e) A regularização L1 transforma valores pequenos em zeros e, consequentemente, permite

reduzir o número de pesos, enquanto a regularização L2 procura manter todos os pesos
pequenos de forma que maximiza a função de custo.

Comentários:

(a) Correto. O gradiente descendente é um algoritmo de otimização que ajusta os pesos da rede na
direção oposta ao gradiente da função de custo, visando minimizar essa função

(b) Correto. A regularização adiciona um termo à função de custo para penalizar grandes valores de
pesos, incentivando a rede a aprender pesos menores, o que pode ajudar a evitar overfitting;

(c) Correto. O momento é uma técnica que ajuda a acelerar o treinamento acumulando gradientes
anteriores, o que pode ajudar a evitar mínimos locais e melhorar a convergência, especialmente em
superfícies de erro planas;

(d) Correto. O algoritmo ADAM combina as ideias de momento e RMSProp, acumulando gradientes
passados com decaimento exponencial e ajustando os passos de aprendizado dinamicamente;

(e) Errado. A regularização L2, não L1, procura manter todos os pesos pequenos, penalizando a
função de custo proporcionalmente ao quadrado dos pesos. A regularização L1, por outro lado,
transforma valores pequenos em zeros, promovendo a esparsidade dos pesos.

Gabarito: Letra E

102. (FGV / CGE-SC - 2023) Suponha que, dado um problema em que os dados são
bidimensionais e executamos o algoritmo PCA (Principal Component Analysis – Análise de
Componentes Principais) nesses dados para redução de dimensionalidade, o resultado do PCA
produza dois autovalores de valores iguais. A respeito desse resultado, assinale a afirmativa
correta.

a) As dimensões dos dados não são igualmente importantes; o uso do PCA para a redução de
dimensionalidade vai produzir um excelente resultado pois as dimensões possuem 100% da
informação.

b) As dimensões dos dados são igualmente importantes; o uso do PCA para a redução de
dimensionalidade vai produzir um resultado ruim, pois as dimensões são iguais.

c) As dimensões dos dados são igualmente importantes; o uso do PCA para redução de
dimensionalidade vai produzir um resultado ruim, pois perdemos 100% da explicação dos dados.

d) As dimensões dos dados são igualmente importantes; o uso do PCA para redução de
dimensionalidade vai produzir um resultado ruim, pois perdemos 50% da explicação dos dados.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 191

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

e) As dimensões dos dados não são igualmente importantes; o uso do PCA para redução de
dimensionalidade vai produzir um excelente resultado pois as dimensões possuem 50% da
informação.

Comentários:

A análise de componentes principais (PCA) é uma técnica estatística para reduzir a

dimensionalidade de um conjunto de dados. Ela faz isso encontrando um conjunto de dimensões
menores que capturam a maior parte da variação dos dados. As dimensões encontradas pela PCA
são conhecidas como componentes principais. Os autovalores são as raízes quadradas dos
autocovariâncias dos dados e medem a importância de cada componente principal. Os autovalores
maiores capturam mais variação dos dados, já os autovalores menores capturam menos variação.

Se o objetivo é explicar a maior parte da variação dos dados, então as dimensões com os
autovalores maiores devem ser usadas; e se o objetivo é visualizar os dados, então as dimensões
com os autovalores menores podem ser usadas. A questão afirma que os dois autovalores possuem
valores iguais, logo ambas possuem a mesma importância na explicação da variância dos dados
originais. Assim, as dimensões dos dados são igualmente importantes; o uso do PCA para redução
de dimensionalidade vai produzir um resultado ruim, pois perdemos 50% da explicação dos dados.

Gabarito: Letra D

103. (FGV / Receita Federal - 2023) Luiz, médico dermatologista, criou um modelo de IA para
auxiliar na detecção de câncer de pele com visão computacional. Como um modelo de
classificação binária, ele terá 4 possíveis saídas: verdadeiro positivo (paciente com câncer,
detectado corretamente), verdadeiro negativo (paciente sem câncer, detectado corretamente),
falso positivo (paciente sem câncer, detectado incorretamente) e falso negativo (paciente com
câncer, não detectado pelo modelo).

Levando em consideração que um modelo de IA seria utilizado como uma ferramenta de auxílio
ao diagnóstico de câncer de pele, os erros de “tipo 1” (falso positivo) seriam tolerados, já que
haveria uma análise posterior realizada por um médico especialista. No entanto, os erros “tipo
2” (falso negativo) seriam os mais críticos, uma vez que podem resultar em um diagnóstico
tardio ou falho, comprometendo a saúde do paciente.

Tomando o cenário como base, julgue os itens a seguir:

I. A métrica mais importante nesse caso seria a Sensibilidade (Recall ou Revocação);

II. A métrica mais importante nesse caso seria a Precisão (Precision);

III. Ao ajustar o modelo para minimizar erros de "tipo 2", geralmente os erros de "tipo 1" tendem
a aumentar;

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 192

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

IV. Luiz deveria submeter seu modelo a um treinamento mais longo, independentemente do
overfitting.

Estão corretas as afirmativas:

a) I e III, apenas.
b) II e III, apenas.
c) I e IV, apenas.
d) II e IV, apenas.
e) III e IV, apenas.

Comentários:

(I) Correto. A sensibilidade é uma métrica que mede a capacidade do modelo em detectar
corretamente todos os casos positivos. No contexto de detecção de câncer de pele, isso significa
que a sensibilidade é a proporção de pacientes com câncer de pele que foram corretamente
detectados pelo modelo. Como os erros do tipo 2 são os mais críticos, a sensibilidade seria a métrica
mais importante nesse caso, pois o objetivo principal é minimizar esses erros;

(II) Errado. Embora a precisão seja uma métrica importante, ela não é a mais importante nesse
contexto. A precisão mede a proporção de casos positivos previstos pelo modelo que são realmente
positivos. No contexto de detecção de câncer de pele, a precisão é importante, mas não é tão crítica
quanto a sensibilidade, pois um falso positivo pode ser identificado posteriormente por um
especialista – sendo menos pior que um falso negativo.

(III) Correto. Ao ajustar o modelo para minimizar os erros do tipo 2, geralmente os erros do tipo 1
tendem a aumentar, pois o modelo passa a ser mais sensível a todos os casos positivos. Isso pode
levar a um aumento no número de falsos positivos, o que pode aumentar a carga de trabalho para
os médicos especialistas. É importante encontrar um equilíbrio entre as duas métricas, de forma a
minimizar os erros do tipo 2 sem aumentar significativamente os erros do tipo 1.

(IV) Errado. Submeter o modelo a um treinamento mais longo pode levar ao overfitting, ou seja, o
modelo pode se ajustar demais aos dados de treinamento e não ser capaz de generalizar para novos
dados. Em vez disso, Luiz deveria se concentrar em ajustar os parâmetros do modelo para melhorar
sua sensibilidade, sem comprometer a precisão. É importante ter um conjunto de dados de
validação para avaliar o desempenho do modelo durante o treinamento e evitar o overfitting.

Gabarito: Letra A

104. (FGV / Receita Federal - 2023) Suponha que um modelo de classificação binária foi
treinado para distinguir e-mails de spam de e-mails legítimos. O modelo foi testado em um
conjunto de dados de teste com 200 e-mails, sendo 100 e-mails de spam e 100 e-mails legítimos.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 193

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

A matriz de confusão é dada por 80 verdadeiros positivos, 85 verdadeiros negativos, 15 falsos

positivos (erro tipo 1) e 20 falsos negativos (erro tipo 2). Nessas condições, o F1-Score do modelo
deve ser aproximadamente igual a:

a) 0,74.
b) 0,78.
c) 0,82.
d) 0,86.
e) 0,90.

Comentários:

O F1-Score é uma medida que combina as métricas de Precisão e Revocação de um modelo de

classificação binária. Ele é definido como a média harmônica dessas duas métricas, e pode ser
calculado pela fórmula:

F1 = 2 * (Precisão * Revocação) / (Precisão + Revocação)

Onde:

- Precisão = VP / (VP + FP)

- Revocação = VP / (VP + FN)

Considerando que VP são Verdadeiros Positivos, FP são Falsos Positivos e FN são Falsos Negativos.
Podemos calcular Precisão e Revocação usando os valores da matriz de confusão fornecidos:

- Precisão = 80 / (80 + 15) = 0,842

- Revocação = 80 / (80 + 20) = 0,8

Substituindo esses valores na fórmula do F1-Score, temos:

F1 = 2 * (0,842 * 0,8) / (0,842 + 0,8) = 0,820

Sendo assim, o F1-Score do modelo deve ser aproximadamente igual a 0,82.

Gabarito: Letra C

105. (FGV / Receita Federal - 2023) Com base nos princípios de Responsible AI (IA Responsável),
a seguinte característica não é considerada importante para o desenvolvimento de soluções de
inteligência artificial:

a) transparência.
b) privacidade.
c) explicabilidade.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 194

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

d) segurança.
e) performance.

Comentários:

O gabarito preliminar foi Performance. No entanto, a performance é um aspecto relevante para

soluções de inteligência artificial, os princípios de Responsible AI enfatizam a importância da
transparência, privacidade, explicabilidade e segurança como aspectos fundamentais para o
desenvolvimento responsável de soluções de inteligência artificial. A banca não perguntou quais
não fazem parte dos princípios ou características mais importantes – ela simplesmente perguntou
qual não é considerado importante. Por essa razão, a questão foi anulada!

A transparência é necessária para garantir que as decisões tomadas pela IA sejam compreensíveis
para os usuários e para que as soluções possam ser auditadas. A privacidade é importante para
proteger a privacidade dos usuários e garantir que os dados sejam coletados e usados de maneira
ética. A explicabilidade é importante para garantir que as decisões tomadas pela IA possam ser
explicadas de forma clara e compreensível. A segurança é essencial para proteger as soluções de IA
contra-ataques e garantir a integridade dos dados.

Gabarito: Anulada

106. (FGV / Receita Federal – 2023) Responsible AI (IA Responsável) e Explainable AI (IA
Explicável) são conceitos importantes no desenvolvimento de sistemas de inteligência artificial.
A IA Explicável refere-se à capacidade de explicar como uma decisão foi tomada pelo modelo de
IA, permitindo que os usuários entendam o processo de tomada de decisão. Já a IA Responsável
envolve garantir que a IA seja desenvolvida e implementada de forma ética e legalmente
responsável.

Nesse contexto, sobre Responsible AI, assinale a afirmativa incorreta.

a) A Responsible AI envolve garantir que a IA seja desenvolvida e implementada de forma ética

e legalmente responsável.

b) A Responsible AI considera as implicações sociais e os potenciais efeitos negativos que o

sistema pode ter sobre as pessoas.

c) A Responsible AI é sinônimo de IA Explicável, pois ambas se referem à tomada de decisões

éticas e transparentes.

d) Uma IA pode ser responsável, mas ainda ser opaca e não explicável, tornando difícil para os
usuários entenderem como as decisões são tomadas.

e) A Responsible AI leva em consideração o ciclo de vida da IA, desde a concepção até a

desativação, e sua responsabilidade ética em cada fase.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 195

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Comentários:

(a) Correto. A Responsible AI tem como objetivo garantir que a IA seja utilizada de forma
responsável e em benefício da sociedade como um todo; (b) Correto. A Responsible AI busca
garantir que a IA seja desenvolvida de forma responsável e em benefício da sociedade como um
todo, levando em consideração as implicações sociais e os potenciais efeitos negativos que o
sistema pode ter sobre as pessoas;

(c) Errado. A IA Explicável é uma das práticas para se alcançar a Responsible AI, mas não é sinônimo
desse conceito. IA Explicável refere-se à capacidade de explicar como uma decisão foi tomada pelo
modelo de IA, permitindo que os usuários entendam o processo de tomada de decisão. Já a
Responsible AI envolve garantir que a IA seja desenvolvida e implementada de forma ética e
legalmente responsável.

(d) Correto. Embora a transparência e a explicabilidade sejam importantes para a IA Responsável,

nem sempre é possível ou desejável tornar uma IA totalmente transparente e explicável. Por
exemplo, em algumas situações, como na detecção de fraudes ou na prevenção de ciberataques, é
necessário manter as informações confidenciais para evitar que os fraudadores ou atacantes
possam contornar as defesas da IA. Em outros casos, a complexidade do modelo pode tornar a
explicação impraticável ou difícil de entender para usuários que não têm formação técnica.

(e) Correto. Isso inclui não apenas o desenvolvimento e implementação da IA, mas também a coleta
e tratamento de dados, a manutenção do sistema e o descarte adequado de hardware e software.
a Responsible AI também exige que a IA seja monitorada e avaliada continuamente durante todo o
seu ciclo de vida, para garantir que ela continue sendo responsável e ética, e para corrigir quaisquer
problemas que possam surgir ao longo do caminho.

Gabarito: Letra C

107. (FGV / SEFAZ-MG - 2023) Machine Learning é um subconjunto da Inteligência Artificial que
utiliza dados e algoritmos para imitar o raciocínio humano. Em relação aos algoritmos de
machine learning, assinale a afirmativa incorreta.

a) Algoritmo de regressão: prevê valores de saída usando recursos de entrada dos dados
fornecidos ao sistema. Os algoritmos mais populares são Linear Regression, Logistic Regression
Multivariate Adaptive Regression Splines (MARS) e Locally Estimated Scatter plot Smoothing
(LOESS).

b) Algoritmo de agrupamento: agrupamento de pontos de dados com base em recursos

semelhantes. Alguns algoritmos são KMeans, K-Medians e Hierárquical Clustering.

c) Algoritmo de regularização: é um processo de diminuir informações adicionais para evitar o

overfitting ou resolver um problema mal definido. Os algoritmos mais comuns são Least

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 196

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Absolute Shrinkage and Selection Operator (LASSO), Least-Angle Regression (LARS) e Elastic Net
and Ridge Regression.

d) Algoritmos de redução de dimensionalidade: reduzem o número de características obtendo

um conjunto de variáveis principais. Alguns algoritmos são Principal Component Analysis (PCA)
e Principal Component Regression (PCR).

e) Algoritmos de regras de associação: é usado para descobrir a relação entre os pontos de

dados. Alguns algoritmos comuns são o algoritmo Apriori e o algoritmo Eclat.

Comentários:

(a) Correto. A descrição de algoritmos de regressão está correta, assim como os exemplos; (b)
Correto. A descrição de algoritmos de agrupamento está correta, assim como os exemplos; (c)
Errado, os exemplos de algoritmo de regularização estão corretos, mas não se trata de um processo
de diminuir informações adicionais e, sim, adicionar penalidades à função de custo; (d) Correto. A
descrição de algoritmos de redução de dimensionalidade está correta, assim como os exemplos; (e)
A descrição de algoritmos de regras de associação está correta, assim como os exemplos.

Gabarito: Letra C

108. (FGV / SEFAZ-MT – 2023) Maria treinou um classificador que distingue fotos de maças e
laranjas. Após testar o classificador com uma amostra de 160 fotos, obteve a matriz de confusão
a seguir.

Com base neste resultado, é correto afirmar que a acurácia deste classificador é

a) 0,075.
b) 0,325.
c) 0,675.
d) 0,925.
e) 0,982.

Comentários:

Sabemos que a fórmula da Acurácia é:

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 197

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Sabemos também que VP = 50, VN = 98, FP = 2 e FN = 10. Logo, nós temos que:

(50+98)/(50+2+98+10) = 148/160 = 0,925;

Gabarito: Letra D

109. (FGV/ TCU – 2022) Em um problema de classificação é entregue ao cientista de dados um

par de covariáveis, (x1, x2), para cada uma das quatro observações a seguir: (6,4), (2,8), (10,6) e
(5,2). A variável resposta observada nessa amostra foi “Sim”, “Não”, “Sim”, “Não”,
respectivamente.

A partição que apresenta o menor erro de classificação quando feita na raiz (primeiro nível) de
uma árvore de decisão é:

a) x1 > 2 (“Sim”) e x1 ≤ 2 (“Não”);

b) x1 > 5 (“Sim”) e x1 ≤ 5 (“Não”);
c) x2 > 3 (“Sim”) e x2 ≤ 3 (“Não”);
d) x2 > 6 (“Sim”) e x2 ≤ 6 (“Não”);
e) x1 > 1 (“Sim”) e x1 ≤ 1 (“Não”).

Comentários:

Vamos lá! Nós temos quatro observações no formato (x1,x2): (6,4), (2,8), (10,6) e (5,2). Vamos plotar
esses pontos em um plano cartesiano:

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 198

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Observem esses pontos: em vermelho, não; em verde, sim. Agora vamos pensar em possíveis
árvores de decisão para x1 e x2.

- Variável x1: observe que quando x<=5, podemos inferir uma classificação negativa; e quando x>5,
podemos inferir uma classificação positiva.

- Variável x2: observe que essa variável tem outras condições em que nem sempre será possível
fazer inferências.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 199

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Agora vamos avaliar as alternativas: (a) Errado. O x1>2 não pode ser “Sim” porque x1 = 5 é “Não”;
(b) Correto. O x1 > 5 é uma partição que minimiza o erro, dado que não há contraexemplos de que
– quando x1 é maior que 5 – ele retorne “Não”. E x1<=5 também minimiza o erro, dado que não há
contraexemplos de que – quando x1 é menor ou igual a 5, ele retorne “Sim”. (c) Errado. O x2>3 não
pode ser “Sim” porque x2 = 8 é “Não”; (d) Errado. O x2>6 não pode ser “Sim” porque x2 = 8 é “Não”;
(e) Errado. O x1>1 não pode ser “Sim” porque x1 = 5 é “Não”.

Gabarito: Letra B

110. (FGV/ TCU – 2022) Durante o treinamento de uma rede neural artificial para classificação de
imagens, foi observado o comportamento descrito pelo gráfico abaixo, que mostra a evolução
do erro conforme o número de iterações.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 200

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

O classificador em questão foi treinado em um conjunto de dados particionado (holdout) em

60%/30%/10% (treinamento/validação/teste). Entretanto, os especialistas envolvidos
consideraram o modelo obtido insatisfatório após analisarem o gráfico. Considerando essas
informações, duas técnicas que poderiam ser utilizadas para contornar o problema encontrado
são:

a) Parada precoce, Minimização de Entropia Cruzada;

b) Validação cruzada, Dropout;
c) Sobreamostragem, Gradiente Descendente Estocástico;
d) Dropout, Parada em convergência;
e) Minimização de Entropia Cruzada, Validação cruzada.

Comentários:

Questão do TCU, logo vou explicar detalhe por detalhe...

A rede neural é um modelo de computador que aprende a identificar padrões complexos em dados.
Neste caso, ela está sendo treinada para reconhecer e classificar imagens. O gráfico mostra como
o erro (a diferença entre as previsões do modelo e os resultados reais) muda à medida que o modelo
é treinado ao longo de várias iterações (repetições do processo de aprendizagem). Os dados foram
divididos em três conjuntos:

Treinamento (60%): utilizado para ensinar o modelo a classificar imagens; Validação (30%):
utilizado para ajustar o modelo e verificar sua performance durante o treinamento; Testes (10%):
utilizado para avaliar a performance do modelo após o treinamento ser concluído, representando
uma situação de mundo real.

Os especialistas concluíram que o modelo não está desempenhando bem porque o erro de
validação começa a aumentar depois de um certo ponto, o que sugere que o modelo está se
tornando excessivamente adaptado aos dados de treinamento (overfitting) e perdendo sua

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 201

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

capacidade de generalizar para novos dados. Vejam no gráfico que, à medida que aumentamos a
quantidade de iterações, o erro diminui. No entanto, a partir das 60 iterações, ocorre algo curioso:
mesmo aumentando a quantidade de iterações, o erro não diminui mais – ele fica estável.

Observem também que nos dados de validação também ocorre algo curioso: à medida que
aumentamos a quantidade de iterações, o erro diminui; no entanto, quando chegamos na iteração
70, à medida que aumenta a quantidade de iterações, o erro aumenta. Ora, se eu estou aumentando
a quantidade de iterações de treinamento e o erro está aumentando, está acontecendo um:
overfitting.

Em outras palavras, o modelo de treinamento está com um desempenho satisfatório, mas os dados
de validação, não. Dito isso, agora vamos ver sobre cada uma das opções apresentadas na questão:

▪ Parada Precoce: técnica que envolve parar o treinamento do modelo quando o desempenho na
validação começa a piorar, em vez de continuar até o número máximo de iterações. Isso evita
que o modelo se torne excessivamente ajustado aos dados de treinamento;

▪ Minimização de Entropia Cruzada: é uma técnica que visa definir a função de erro que a rede
neural deve minimizar durante o treinamento. A função de erro mede a diferença entre as saídas
previstas pela rede neural e as saídas desejadas, que são os rótulos ou classes dos dados;

▪ Validação Cruzada: a validação cruzada envolve a rotação dos dados de treino e validação para
obter uma avaliação mais precisa do modelo. É útil para garantir que o modelo funcione bem
em todos os dados disponíveis, não apenas em um subconjunto;

▪ Dropout: durante o treinamento, aleatoriamente "desliga" alguns neurônios (as unidades

básicas de processamento em uma rede neural), impedindo que o modelo se torne
excessivamente dependente de características específicas dos dados de treino;

▪ Sobreamostragem: técnica usada para lidar com conjuntos de dados desequilibrados,

aumentando a presença de classes sub-representadas. No entanto, não há nada no enunciado
que sugira um problema de desequilíbrio de classes;

▪ Gradiente Descendente Estocástico: método de otimização usado para atualizar os pesos da

rede neural durante o treinamento. Já é amplamente utilizado e não é especificamente uma
solução para o problema de overfitting identificado;

Eu pesquisei bastante sobre “Parada em Convergência”, mas não encontrei nada em bibliografias
sobre esse tema. Eu estimo que signifique parar o treinamento quando o modelo alcança uma
condição de não melhoria significativa, ou seja, "converge". Logo, isso provavelmente significa
interromper o treinamento quando o erro de validação para de diminuir e começa a aumentar. Se
for isso, também seria considerado uma técnica de contorno do overfitting, mas o gabarito da
questão foi (d) e a banca ainda fez uma justificativa para manter o gabarito mesmo com centenas
de recursos:

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 202

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

O enunciado da questão direciona à escolha de duas técnicas que possibilitam contornar o problema de
overfitting apresentado no gráfico. Na ausência de informações detalhadas sobre a arquitetura da rede
e sobre a qualidade dos dados apresentados a esta, a resposta deve trazer apenas técnicas que tenham
como objetivo contornar o problema de overfitting, não cabendo a interpretação de que essencialmente
qualquer alteração na estrutura da rede (e.g., funções de ativação, função objetivo) pode vir a mitigar
o problema. A alternativa “Validação cruzada; Dropout” é a única que contém apenas técnicas
utilizadas especificamente para minimizar o impacto do overfitting, no treinamento e avaliação do
modelo, respectivamente.

Gabarito: Letra B

111. (FGV / SEFAZ-AM – 2022) Certo conjunto de dados contém 10000 observações, em que cada
observação possui 10 variáveis. A análise de componentes principais (PCA) sobre estes dados
apontou que a primeira componente principal é dada pelo vetor w. A esse respeito, assinale a
afirmativa correta.

a) A variância dos dados é a mesma nas direções dadas por w ou pelas demais componentes
principais.

b) A variância dos dados é a menor na direção de w e aumenta na direção das demais

componentes principais.

c) A variância ao longo da direção dada por w é igual a 1.

d) A variância ao longo da direção dada por w é menor do que 1.

e) A variância dos dados é máxima na direção dada por w.

Comentários:

Uma breve explicação: um vetor é um conjunto de números que representam uma combinação
linear de pontos no espaço multidimensional, que é frequentemente usado para representar os
principais componentes de um conjunto de dados. Não entramos nesse nível de detalhe na aula,
mas não é relevante no momento. Dito isso, é importante saber que a variância dos dados é máxima
na direção dada por w. Por que, Diego?

Porque o enunciado da questão disse que a primeira componente principal (1CP) é dada pelo vetor
w. Como ela é a primeira, ela representa a variância máxima! Lembrem-se:

Variância(1CP) > Variância (2CP) > ... > Variância (nCP),

em que n é a quantidade de componentes principais representadas pela Análise de Componentes

Principais.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 203

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Gabarito: Letra E

112. (FGV / TRT-MA – 2022) Com relação aos conceitos de aprendizado de máquina, assinale V
para a afirmativa verdadeira e F para a falsa.

I. Os três principais paradigmas de aprendizado de máquina são os de aprendizado

supervisionado, não supervisionado e por inteligência profunda.
II. Os algoritmos de classificação e clusterização estão correlacionados com paradigma de
aprendizado supervisionado.
III. Os algoritmos de Support Vector Machines e Random Forest são paradigmas do aprendizado
de inteligência profunda.

As afirmativas são, respectivamente,

a) V, V e V.
b) V, V e F.
c) V, F e V.
d) F, V e V.
e) F, F e F.

Comentários:

(I) Errado. Trata-se do Aprendizado Supervisionado, Aprendizado Não-Supervisionado e

Aprendizado por Reforço; (II) Errado. Clusterização utiliza o paradigma de Aprendizado Não-
Supervisionado; (III) Errado. Ambos utilizam Aprendizado Supervisionado.

Gabarito: Letra E

113. (FGV / TJDFT – 2022) Após alguns resultados insatisfatórios usando funções de ativação
linear em um projeto de rede neural artificial, um cientista de dados resolve tentar outras
funções e recebe algumas sugestões de um colega.

Dadas as alternativas abaixo, cada uma representando uma sugestão de função recebida,
aquela que apresenta uma função apropriada ao uso como ativação em uma rede neural é:

a)

b)

c)

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 204

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

d)

e)

Comentários:

FUNÇÃO DE
Funções logísticas
ATIVAÇÃO
Essa função recebe um valor real qualquer
Descrição da como entrada [-∞,+∞] e retorna um valor de
função saída entre 0 e 1.

Representação
da fórmula

Aqui infelizmente o candidato teria que se lembrar da fórmula da função logística:

Gabarito: Letra C

114. (FGV / TCU – 2022) Seja uma rede neural com camada de entrada com dimensão dois que
recebe dados (x1, x2). Essa rede aplica pesos w1 em x1, w2 em x2 e adiciona um viés w0. A função
de ativação é dada pela função sinal s(z) = +1, se z ≥ 0, e s(z) = -1, se z < 0. Essa rede não tem
nenhuma camada oculta e será utilizada para classificar observações em y=+1 ou y=-1.

Para pesos w1 = 2, w2 = 3 e viés w0 = 1, a região de classificação é uma reta que passa nos pontos:

a) (x1 = -1/2, x2 = 0) e (x1 = 0, x2 = -1/3) e classifica como -1 os pontos acima da reta;

b) (x1 = 1/2, x2 = 0) e (x1 = 0, x2 = 1/3) e classifica como +1 os pontos acima da reta;
c) (x1 = -1/2, x2 = 0) e (x1 = 0, x2 = -1/3) e classifica como +1 os pontos acima da reta;
d) (x1 = -1/2, x2 = 0) e (x1 = 0, x2 = 1/3) e classifica como +1 os pontos acima da reta;
e) (x1 = 1/2, x2 = 0) e (x1 = 0, x2 = -1/3) e classifica como -1 os pontos acima da reta.

Comentários:

Questão do TCU! Logo, o comentário será grande e detalhado porque é uma questão complexa.
Primeiro, vamos relembrar como funciona uma rede neural:

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 205

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

O enunciado descreve uma rede neural muito simples que é usada para classificação binária, ou
seja, para classificar dados em duas categorias, que são identificadas como y=+1 e y=-1. Vamos
entender passo a passo como essa rede neural funciona e como ela toma decisões baseadas nos
dados de entrada e nos parâmetros (pesos e viés) que ela utiliza. Vejamos as entradas, pesos, vieses
e funções de ativação:

- Entrada: a rede possui uma camada de entrada com duas dimensões, o que significa que ela aceita
dois valores de entrada, representados por x 1 e x2. Esses valores podem ser características de um
dado que você quer classificar.

- Pesos (w1, w2): cada entrada x1 e x2 é multiplicada por um peso correspondente, w1 e w2,
respectivamente. No texto, w1 = 2 e w2 = 3. Os pesos determinam a importância relativa de cada
entrada na decisão final da rede.

- Viés (w0): um viés w0 é adicionado ao resultado da soma ponderada das entradas. O viés, que é
w0 = 1 neste caso, ajuda a ajustar a saída da rede ao longo do eixo y e pode ser pensado como uma
forma de ajustar o ponto de ativação da função de ativação.

- Função de Ativação: a função de ativação usada aqui é a função sinal. Essa função produz +1 se o
resultado da combinação linear das entradas e pesos for maior ou igual a zero (z >= 0) e -1 se for
menor que zero (z < 0). A equação da combinação linear é: z = w 1*x1 + w2*x2 + w0.

Em suma, nós temos que:

- Entradas: x1 e x2;
- Pesos: w1 = 2, w2 = 3;
- Bias: w0 = 1;
- Função de Ativação: s(z) = +1, se z ≥ 0; s(z) = -1, se z < 0.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 206

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Agora vamos entender o comportamento da rede neural e a classificação. A rede classifica os dados
em +1 ou -1 com base na posição relativa a uma linha reta no plano x1, x2. A equação desta reta é
derivada da condição z = 0, que define a fronteira de decisão entre as duas classes.

Para determinar a região de classificação definida por uma rede neural como descrito, primeiro
precisamos entender a equação que define a decisão da classificação. A saída y é determinada pela
função sinal s(z), onde z é a combinação linear das entradas x 1 e x2, dados os pesos w1, w2 e o viés
w0. Como w1 = 2, w2 = 3 e w0 = 1, a equação se torna é representada como:

z(x1,x2) = (x1 * w1) + (x2 * w2) + w0 = 2x1 + 3x2 + 1

A função de ativação sinal muda de -1 para +1 no ponto onde z = 0. Logo, a fronteira de decisão
ocorre quando:

2x1 + 3x2 + 1 = 0

No entanto, essa equação representa uma reta no plano x 1, x2. Nós podemos rearranjar os termos
para resolver para x2 em termos de x1:

2x1 + 3x2 + 1 = 0

3x2 + 1 = -2x1

3x2 = -2x1 - 1

x2 = -(2/3)x1 – 1/3

Vejam que não fizemos nada demais: apenas isolamos o x2 do lado esquerdo. Para encontrar pontos
específicos através dos quais essa reta passa, podemos substituir valores de x 1 e resolver para x2.

Dada a fórmula acima, quando x1 = 0, temos que:

x2 = -(2/3)x1 – 1/3

x2 = -(2/3)*0 – 1/3

x2 = 0 – 1/3 = -1/3

Logo, a reta passa pelo ponto (0, -1/3). Da mesma forma, quando x2 = 0, temos que:

0 = -(2/3)x1 – 1/3

(2/3)x1 = – 1/3

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 207

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

x1 = –(1/3)/(2/3) = -1/2

Logo, a reta passa pelo ponto (-1/2,0). Quanto à classificação dos pontos acima ou abaixo da reta,
isso depende do sinal de z dado por 2x1 + 3x2 + 1.

▪ Para pontos acima da reta, z será maior que zero, logo a função de ativação s(z) classificará como
+1;
▪ Para pontos abaixo da reta, z será menor que zero, logo a função de ativação s(z) classificará
como -1;

O gráfico apresentado representa a fronteira de decisão da rede neural. A linha azul é a reta dada
por 2x1 + 3x2 + 1 = 0. Os pontos acima desta reta, na região azul, são classificados como y = +1,
enquanto os pontos abaixo dela, na região rosa, são classificados como y = -1. Os pontos marcados
em vermelho (0, -1/3) e (-1/2,0) são os pontos onde a reta corta os eixos x2 e x1 respectivamente.

Essa rede neural simples, com uma fronteira de decisão linear, poderia ser utilizada em diversos
contextos de classificação binária. Vamos considerar um exemplo no campo de finanças:

Suponha que a rede neural está sendo usada para prever se uma ação será rentável (y = +1) ou não
(y = -1) com base em dois indicadores financeiros. Por exemplo, x 1 pode ser o índice preço/lucro da
ação, que é o indicador de quão caro o preço da ação está em relação aos seus lucros; e x 2 poderia
ser o índice de volatilidade da ação, indicando quão volátil a ação tem sido historicamente.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 208

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Nesse caso, a rede neural classificaria uma ação como rentável se a combinação de seu preço em
relação ao lucro e sua volatilidade estiver em uma determinada região (acima da linha de decisão)
sugerindo que os valores atuais desses indicadores tendem a estar associados a ações que,
historicamente, têm performado bem.

A reta de decisão, 2x1 + 3x2 + 1 = 0, define então um limite de corte. Se uma ação tem um índice
preço/lucro e uma volatilidade que, quando pesados pelos fatores 2 e 3 respectivamente, e
ajustados pelo viés de 1, resultam em um valor positivo, a rede a classifica como provavelmente
rentável (y = +1); caso contrário, como não rentável (y = -1).

Gabarito: Letra C

115. (FGV / TJDFT – 2022) Durante o processo de treinamento e validação de uma rede neural,
foi observado o fenômeno de underfitting do modelo, necessitando de ajustes ao
procedimento. A arquitetura utilizada foi a Multilayer Perceptron (MLP) e o conjunto de dados
foi separado em regime de holdout (50%, 30% e 20% para treinamento, validação e teste,
respectivamente). Dois fatores que podem ter condicionado o fenômeno observado são:

São elas:

a) iterações insuficientes; amostragem dos dados;

b) excesso de parâmetros; excesso de iterações;
c) insuficiência de parâmetros; excesso de camadas;
d) excesso de iterações; entrada não normalizada;
e) insuficiência de camadas; saída normalizada.

Comentários:

Underfitting ocorre quando um modelo não é complexo o suficiente para capturar com precisão as
relações entre os recursos de um conjunto de dados e uma variável de destino. Logo, vamos analisar
as alternativas da questão:

(a) Correto. Treinamento com poucas iterações e uma amostragem pouco representativa são
causas típicas de underfitting; (b) Errado. Excesso de parâmetros e excesso de iterações são causas
típicas de overfitting; (c) Errado. Excesso de camadas no MLP é uma causa típica de overfitting; (d)
Errado. Excesso de iterações é uma causa típica de overfitting*; (e) Errado. Saída normalizada é
causa típica de overfitting.

* A normalização das entradas é uma das técnicas mais básicas e eficientes no aprendizado de
máquina, e isso não fica de fora quando estamos lidando com redes neurais. Quando temos dados
com muita variância e que talvez não sejam muito consistentes, é extremamente recomendado a
aplicação de uma técnica de normalização para as entradas. Entrada de dados normalizada é aquela
em que os dados foram ajustados para que alguns deles não dominem a amostra – é como uma
remoção de anomalias.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 209

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Gabarito: Letra A

116. (FGV / TJDFT – 2022) Considerando a seguinte matriz de confusão obtida de um

experimento de classificação:

Os valores corretos das métricas de precisão e recall (revocação/sensibilidade), para a classe

rato, são, respectivamente:

a) 0,62 e 0,67;
b) 0,64 e 0,77;
c) 0,67 e 0,62;
d) 0,78 e 0,7;
e) 0,8 e 0,85.

Comentários:

Trata-se da métrica que permite avaliar a capacidade do classificador de

detectar com sucesso resultados positivos (também conhecida como 𝐕𝐏
Recall
sensibilidade/revocação). Responde à pergunta: dentre os valores realmente 𝐕𝐏 + 𝐅𝐍
positivos, quantos o modelo acertou (previu corretamente como positivo)?
Trata-se da métrica que permite mensurar a proporção de previsões
positivas corretas sobre a soma de todos os valores positivos. Responde à VP
Precisão
pergunta: dentre os valores previstos como positivos, quantos o modelo VP + FP
acertou (previu corretamente como positivo)?

A precisão depende do Verdadeiros Positivos (VP) e Falsos Positivos (FP). VP ocorre quando o
modelo prevê que será um rato e realmente é um rato, logo 14; FP ocorre quando o modelo prevê
que será um rato, mas não é um rato, logo 2 (gato) + 2 (cachorro). Note que o algoritmo previu em
duas oportunidades que seria um rato, mas era um gato; e em outras duas oportunidades que seria
um rato, mas era um cachorro. Dito isso, temo que:

Precisão = VP/(VP+FP) = 14/(14+(2+2)) = 14/(14+4) = 14/18 = 0,7777777 = 0,78;

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 210

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

O recall depende do Verdadeiros Positivos (VP) e Falsos Negativos (FN). VP ocorre quando o
modelo prevê que será um rato e realmente é um rato, logo 14; FN ocorre quando o modelo não
prevê que será um rato, mas é um rato, logo 5 (gato) + 1 (cachorro). Note que o algoritmo previu em
cinco oportunidades que seria um gato, mas era um rato; e em outra oportunidade que seria um
cachorro, mas era um rato. Dito isso, temo que:

Recall = VP/(VP+FN) = 14/(14 + (5+1)) = 14/(14+6) = 14/20 = 0,7.

Gabarito: Letra D

117. (FGV / Prefeitura de Niterói – 2018) No contexto das redes neurais, é comum o uso da
função sigmoid no papel de função de ativação. Assinale a definição correta dessa função na
referida aplicação.

a)

b)

c)

d)

e)

Comentários:

FUNÇÃO DE
Funções logísticas
ATIVAÇÃO
Essa função recebe um valor real qualquer
Descrição da como entrada [-∞,+∞] e retorna um valor de
função saída entre 0 e 1.

Representação
da fórmula

Puro decoreba! Tinha que memorizar a fórmula...

Gabarito: Letra E

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 211

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

118. (FGV / Prefeitura de Niterói – 2018) Analise a rede neural exibida a seguir.

Sobre essa rede, analise as afirmativas a seguir.

I. Não possui camadas intermediárias (hidden layers).

II. Admite três sinais de entrada (input units) além do intercept term.
III. É apropriada para aplicações de deep learning.

Está correto o que se afirma em:

a) I, apenas.
b) II, apenas.
c) III, apenas.
d) I e II, apenas.
e) I, II e III.

Comentários:

(I) Errado, possuem duas camadas intermediárias; (II) Correto, admite três sinais de entrada (x 1, x2,
x3), além do intercepto ou viés (+1); (III) Errado, a questão considerou que – por ter apenas duas
camadas ocultas – não é apropriada para aplicações de Deep Learning. Não há nenhuma definição
concreta, mas em geral se considera ao menos três camadas intermediárias para ser considerado
como aprendizado profundo.

Gabarito: Letra B

119. (FGV / Fiocruz – 2010) Assinale a alternativa que indique o problema mais apropriado para
aplicação da regressão logística.

a) Para obter o risco relativo de se desenvolver a diabetes tipo 2, em um período de 10 anos,

associado com o peso do indivíduo e outros fatores de risco.

b) Para descrever o tamanho esperado de crianças com menos de um ano, de acordo com sua
idade em meses.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 212

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

c) Para predizer o tempo de sobrevivência de pacientes de câncer de pulmão, de acordo com

características clínicas do paciente.

d) Para descrever a distribuição de pesos de indivíduos do sexo feminino em uma certa

comunidade.

e) Para predizer o número de casos de uma doença em diferentes municípios de acordo com
algumas variáveis populacionais e epidemiológicas.

Comentários:

Uma diferença fundamental entre uma regressão linear e uma regressão contínua é que a primeira
retorna um valor contínuo e o segundo retorna um valor categórico. Dito isso, vamos analisar:

(a) Correto. A questão não deixou claro o domínio do risco relativo, mas podemos inferir que se trata
de uma categoria, tal como baixo ou alto; (b) Errado, tamanho é um valor numérico contínuo, logo
se trata de uma regressão linear; (c) Errado, tempo é um valor numérico contínuo, logo se trata de
uma regressão linear; (d) Errado, distribuição de pesos é um valor numérico contínuo, logo se trata
de uma regressão linear; (e) Errado, número de casos é um valor contínuo, logo se trata de uma
regressão linear.

Sendo honesto, eu acredito que caiba recurso! Risco também poderia ser um valor numérico
contínuo. Apesar de esse ser o item menos errado, a questão não foi clara!

Gabarito: Letra A

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 213

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

QUESTÕES COMENTADAS – DIVERSAS BANCAS

120. (CESGRANRIO / IPEA – 2024) Outliers são pontos ou observações em um conjunto de dados
que diferem significativamente da maioria dos demais outros pontos. Eles podem ser resultados
de variações na medição, erros de entrada de dados ou, ainda, podem indicar uma variação
genuína da fonte de coleta. Em preparação para análise de um conjunto de dados, o tratamento
de outliers:

a) é sempre necessário, independentemente do tamanho do conjunto de dados ou do objetivo

da análise.

b) é sempre uma tarefa simples que pode ser realizada por qualquer analista de dados, sem risco
de perder informações valiosas.

c) é sempre uma tarefa complexa que requer um conhecimento profundo de estatística e que
independe do conjunto de dados e do objetivo da análise.

d) deve ser realizado antes de realizar agregações, pois os outliers podem afetar os resultados
da análise que inclua uma agregação.

e) deve ser realizado após realizar agregações, pois os outliers podem obscurecer os resultados
da agregação.

Comentários:

(a) Errado. O tratamento de outliers não é sempre necessário; depende do contexto, do tamanho
do conjunto de dados e do objetivo da análise;

(b) Errado. O tratamento de outliers pode ser complexo e não é sempre simples; pode haver riscos
de perder informações valiosas se feito de maneira inadequada;

(c) Errado. Embora o tratamento de outliers possa ser complexo e exigir conhecimento estatístico,
a necessidade e abordagem dependem do conjunto de dados e do objetivo da análise;

(d) Correto. Os outliers podem afetar significativamente os resultados das agregações, distorcendo
medidas como média, soma e outras estatísticas, portanto, devem ser tratados antes;

(e) Errado. Realizar o tratamento de outliers após as agregações pode já ter comprometido os
resultados das mesmas, obscurecendo os resultados da análise.

Gabarito: Letra D

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 214

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

121. (CESGRANRIO / IPEA – 2024) Algoritmos fuzzy matching em processamento de linguagem

natural são métodos que permitem encontrar correspondências aproximadas entre strings, ou
seja, sequências de caracteres, como palavras ou frases. Esses algoritmos são úteis para lidar
com situações, tais como erros de digitação, variações ortográficas, sinônimos, abreviações.
Eles também podem ser aplicados para comparar textos, extrair informações, classificar
sentimentos, entre outras finalidades. Existem diferentes tipos de algoritmos fuzzy matching,
como a Similaridade de Jaccard, que mede a proporção de elementos comuns entre dois
conjuntos de strings.

Qual das palavras a seguir apresenta o maior valor da similaridade de Jaccard, quando
comparada com a palavra “computador”?

a) amputar
b) amplificador
c) calcular
d) deputado
e) senador

Comentários:

Vamos recalcular a similaridade de Jaccard entre a palavra "computador" e as palavras fornecidas

usando monogramas comparados com o conjunto de caracteres únicos de “computador”:
{c,o,m,p,u,t,a,d,r}. Note que, apesar de termos dois “o”, ele aparece apenas uma vez. Vejamos:

(a) Correto.

Interseção: {a, m, p, u, t, r}
União: {a, m, p, u, t, r, c, o, d}

J(amputar, computador) = 6/9 = 0.67

(b) Errado.

Interseção: {a, m, p, c, d, o, r}
União: {a, m, p, l, i, f, c, d, o, r, u, t}

J(amplificador, computador) = 7/12 = 0.58

(c) Errado.

Interseção: {c, a, u, r}
União: {c, a, l, u, r, m, p, t, d, o}

J(calcular, computador) = 4/10 = 0.40

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 215

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

(d) Errado.

Interseção: {d, p, u, t, a, o}
União: {d, e, p, u, t, a, o, c, m, r}

J(deputado, computador) = 6/10 = 0.60

(e) Errado.

Interseção: {a, d, o, r}
União: {s, e, n, a, d, o, r, c, m, p, u, t}

J(senador, computador) = 4/12 = 0,33

Gabarito: Letra A

122. (CESGRANRIO / IPEA – 2024) Admita que a área de desenvolvimento de softwares do Ipea
está confeccionando um aplicativo responsivo de Machine Learning (ML) usando o Bootstrap,
de modo a melhorar a apresentação das planilhas que mostram os vínculos de trabalho das
pessoas do setor público. Qual algoritmo de conjunto deve ser utilizado para incrementar a
estabilidade desse aplicativo de ML?

a) Protocol
b) Collection
c) Bootstrap Kurbenete
d) Bootstrap Initialization
e) Bootstrap Aggregating

Comentários:

(a) Errado. Protocol não é um algoritmo de conjunto usado para melhorar a estabilidade de
aplicativos de ML;

(b) Errado. Collection não é um algoritmo de conjunto e não se refere a técnicas específicas de ML;

(c) Errado. Bootstrap Kubernetes não é um termo ou algoritmo de conjunto reconhecido no

contexto de ML;

(d) Errado. Bootstrap Initialization não é um algoritmo específico para incrementar a estabilidade
de aplicativos de ML;

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 216

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

(e) Correto. Bootstrap Aggregating, ou Bagging, é uma técnica de conjunto que melhora a
estabilidade e precisão de modelos de ML, criando várias versões de um modelo e combinando-os
para reduzir variância e evitar overfitting.

Gabarito: Letra E

123. (CESGRANRIO / IPEA – 2024) Em um projeto de ciência de dados para análise preditiva no
setor bancário, um cientista de dados precisa escolher tecnologias de aprendizado de máquina
adequadas para classificar clientes com base no risco de inadimplência. Considerando-se a
intenção de lidar com dados não linearmente separáveis por meio do uso de um kernel, qual é o
algoritmo mais adequado para essa tarefa?

a) Análise de Componentes Principais

b) Árvore de Decisão
c) K-Means
d) Máquina de Vetores de Suporte
e) Regressão Logística

Comentários:

(a) Errado. A Análise de Componentes Principais (PCA) é uma técnica de redução de

dimensionalidade, não um algoritmo de classificação;

(b) Errado. Árvores de decisão são flexíveis e podem lidar com dados não linearmente separáveis,
mas não utilizam kernels;

(c) Errado. K-Means é um algoritmo de clustering, não de classificação, e não usa kernels;

(d) Correto. A Máquina de Vetores de Suporte (SVM) pode usar kernels para lidar com dados não
linearmente separáveis, tornando-a adequada para a tarefa de classificação baseada no risco de
inadimplência;

(e) Errado. A Regressão Logística é um modelo linear e não utiliza kernels, sendo menos adequada
para dados não linearmente separáveis.

Gabarito: Letra D

124. (CESGRANRIO / IPEA – 2024) O aprendizado supervisionado envolve treinar um modelo em

um conjunto de dados rotulado, em que o algoritmo aprende a mapear características de
entrada para rótulos de saída correspondentes. Esse processo permite que o modelo faça
previsões sobre novos dados não vistos. Uma tarefa típica de aprendizado supervisionado é a
regressão. É um exemplo de tarefa de regressão em aprendizado de máquina a:

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 217

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

a) classificação de e-mails como spam ou não spam, com base em várias características, como
conteúdo, informações do remetente e estrutura do e-mail.

b) classificação de sentimento em positivo, negativo ou neutro a partir de um texto, como

avaliação de clientes, postagem em mídias sociais ou comentários.

c) detecção de atividades fraudulentas em transações financeiras, classificando-as como

legítimas ou suspeitas com base em padrões de transação e comportamento do usuário.

d) rotulação de um paciente como portador ou não de câncer, com base em características como
marcadores genéticos, histórico do paciente e resultados de testes diagnósticos.

e) estimativa do consumo futuro de energia para uma região ou setor específico, com base em
padrões de uso históricos, indicadores econômicos e fatores ambientais.

Comentários:

(a) Errado. A classificação de e-mails como spam ou não spam é uma tarefa de classificação, não de
regressão;

(b) Errado. A classificação de sentimento é uma tarefa de classificação, onde o objetivo é

categorizar textos em classes discretas (positivo, negativo, neutro);

(c) Errado. A detecção de atividades fraudulentas em transações financeiras é uma tarefa de

classificação, onde as transações são categorizadas como legítimas ou suspeitas;

(d) Errado. A rotulação de um paciente como portador ou não de câncer é uma tarefa de
classificação, onde se determina a presença ou ausência de uma condição;

(e) Correto. A estimativa do consumo futuro de energia é uma tarefa de regressão, pois envolve
prever um valor contínuo (o consumo de energia) com base em dados históricos e variáveis
preditoras.

Gabarito: Letra E

125. (CESGRANRIO / IPEA – 2024) Um pesquisador iniciante em aprendizado de máquina

trabalhava com um modelo de classificação binário com as duas classes equilibradas.
Inicialmente, ele fez a avaliação de seu modelo, separando 20% dos dados disponíveis para a
avaliação, e o treinou com 80% dos dados, fazendo o processo apenas uma vez. Depois, a pedido
de seu chefe, ele trocou a forma de avaliação, separando o conjunto de dados em 10 partes e
escolhendo, em 10 rodadas, uma parte diferente para avaliação e as outras para treinamento.
Essas duas formas de avaliar um modelo são conhecidas, respectivamente, como

a) estratificação e hold-out

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 218

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

b) hold-out e k-fold
c) leave-one-out e estratificação
d) leave-one-out e k-fold
e) Monte Carlo e leave-p-out

Comentários:

(a) Errado. Estratificação é uma técnica para garantir que a distribuição das classes seja
representada em ambos os conjuntos de treino e teste, não uma forma de avaliação;

(b) Correto. O método inicial, onde se separa uma parte dos dados para teste e o restante para
treino, é conhecido como hold-out. O método subsequente, onde os dados são divididos em k
partes (neste caso, 10) e o modelo é treinado e testado k vezes, é conhecido como k-fold cross-
validation;

(c) Errado. Leave-one-out é um caso especial de k-fold onde k é igual ao número de exemplos no
conjunto de dados, e estratificação não é uma forma de avaliação;

(d) Errado. Leave-one-out é um método de cross-validation, mas o método inicial não é leave-one-
out;

(e) Errado. Monte Carlo e leave-p-out são técnicas de validação diferentes, não aplicáveis aos
métodos descritos no enunciado.

Gabarito: Letra B

126. (CESGRANRIO / IPEA – 2024) Na avaliação de um modelo criado por aprendizado de

máquina em um experimento que buscava identificar textos de opinião sobre o desempenho da
economia, separando-os dos que não forneciam opinião alguma, só fatos e dados, foi
encontrada a seguinte matriz de confusão:

Considerando-se que, nessa matriz, as linhas indicam a resposta correta e as colunas indicam a
previsão, a acurácia é de:

a) 8%
b) 44%
c) 48%
d) 88%
e) 92%

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 219

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Comentários:

(a) Errado. A acurácia não é de 8%. Este valor não se correlaciona com os dados da matriz de
confusão; (b) Errado. A acurácia não é de 44%. Esse valor também não corresponde aos cálculos
corretos; (c) Errado. A acurácia não é de 48%. Este valor não reflete os dados fornecidos; (d) Errado.
A acurácia não é de 88%. Embora pareça um valor possível, não é o correto com base nos dados; (e)
Correto. A acurácia é de 92%. A acurácia é calculada como o total de previsões corretas dividido
pelo total de previsões: (440 + 480) / (440 + 60 + 20 + 480) = 920 / 1000 = 0.92, ou 92%.

Gabarito: Letra E

127. (CESGRANRIO / IPEA – 2024) No aprendizado não supervisionado, os dados de treinamento

não têm rótulos. O objetivo é agrupar instâncias semelhantes em clusters. Nesse contexto,
suponha que se deseja executar um algoritmo de agrupamento para tentar detectar grupos de
visitantes semelhantes em um blog. Em nenhum momento é informado ao algoritmo a que
grupo um visitante pertence, mas ele encontra essas conexões sem ajuda. Por exemplo, o
algoritmo pode notar que 40% dos visitantes são homens que adoram histórias em quadrinhos
e, geralmente, leem o blog à noite, enquanto 20% são jovens amantes de ficção científica que
visitam o blog durante os fins de semana, e assim por diante. Deseja-se, nesse caso, usar um
algoritmo de agrupamento hierárquico para subdividir cada grupo em grupos menores, o que
pode ajudar a direcionar as postagens do blog para cada grupo específico.

Nesse cenário, qual é o algoritmo mais apropriado para fazer o agrupamento desejado?

a) Agglomerative Hierarchical Clustering

b) Principal Component Analysis (PCA)
c) Linear Regression Clustering
d) k-DBSCAN Clustering
e) L-Means Clustering.

Comentários:

(a) Correto. O Agglomerative Hierarchical Clustering é um algoritmo de agrupamento hierárquico

que começa com cada ponto de dados como um cluster individual e, iterativamente, os combina
até que todos os pontos sejam agrupados em um único cluster. Ele é adequado para o objetivo de
subdividir grupos em grupos menores;

(b) Errado. A Principal Component Analysis (PCA) é uma técnica de redução de dimensionalidade,
não um algoritmo de agrupamento;

(c) Errado. A Linear Regression Clustering não é um algoritmo de agrupamento padrão e o nome
parece ser uma confusão de conceitos, pois a regressão linear é uma técnica de modelagem
preditiva;

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 220

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

(d) Errado. O DBSCAN (Density-Based Spatial Clustering of Applications with Noise) é um

algoritmo de agrupamento baseado em densidade, não hierárquico. Não existe um algoritmo
padrão conhecido como "k-DBSCAN";

(e) Errado. L-Means Clustering não é um algoritmo de agrupamento reconhecido. Pode haver uma
confusão com o k-means, que é um algoritmo de agrupamento, mas não hierárquico.

Gabarito: Letra A

128. (CESGRANRIO / IPEA – 2024) Em um projeto de classificação de textos, um modelo de

machine learning foi aplicado em um conjunto de teste e apresentou os seguintes resultados:
uma precisão de 80% e uma revocação de 70%. Com base nessas informações e considerando-
se apenas a parte inteira da porcentagem, qual é o F1 Score desse modelo?

a) 2%
b) 18%
c) 37%
d) 74%
e) 98%

Comentários:

Para calcular o F1 Score, usamos a fórmula:

Substituindo os valores fornecidos (convertendo as porcentagens para frações):

Vejamos os cálculos:

Arredondando para a parte inteira da porcentagem: F1 ≈ 74%.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 221

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Gabarito: Letra D

129. (CESGRANRIO / Caixa – 2024) Em 2014, a arquitetura de redes neurais denominada Redes
Adversárias Generativas (GAN) revolucionou o aprendizado de máquina. As GAN caracterizam-
se por:

a) serem usadas, exclusivamente, para classificação de imagens.

b) consistirem, apenas, em um gerador de ruídos e em uma rede neural classificatória.
c) serem compostas por duas redes neurais: uma discriminadora e outra geradora.
d) serem incapazes de aprender a partir de conjuntos de dados não supervisionados.
e) não poderem ser aplicadas para gerar conteúdo linguístico.

Comentários:

(a) Errado. As GANs não são usadas exclusivamente para classificação de imagens; elas são usadas
para gerar novos dados a partir de dados de treinamento;

(b) Errado. As GANs não consistem apenas em um gerador de ruídos e uma rede neural
classificatória. Elas têm uma estrutura mais complexa;

(c) Correto. As GANs são compostas por duas redes neurais: uma rede geradora que cria dados
falsos e uma rede discriminadora que tenta distinguir entre dados reais e falsos;

(d) Errado. As GANs podem aprender a partir de conjuntos de dados não supervisionados, pois a
rede geradora aprende a partir do feedback da rede discriminadora;

(e) Errado. As GANs podem ser aplicadas para gerar conteúdo linguístico, como textos, além de
imagens, áudio e outros tipos de dados.

Gabarito: Letra C

130. (QUADRIX / CRQ – 12ª Região – 2024) O aprendizado não supervisionado é uma área da
inteligência artificial que envolve o uso de algoritmos para encontrar padrões ocultos em
conjuntos de dados rotulados.

Comentários:

A descrição contém um erro conceitual: o aprendizado não supervisionado trabalha com dados não
rotulados, ao contrário do que é mencionado. O objetivo é descobrir estruturas invisíveis ou padrões
nos dados sem a necessidade de um "guia" externo ou rótulos previamente definidos. Esse tipo de
aprendizado é crucial em muitas aplicações de inteligência artificial onde os rótulos são difíceis,
caros ou impraticáveis de obter.

Gabarito: Errado

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 222

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

131. (QUADRIX / CRQ – 12ª Região – 2024) O aprendizado de máquina pode ser definido como
uma técnica de ciência de dados que permite que os computadores usem os dados existentes
para prever futuros comportamentos, resultados e tendências.

Comentários:

Essa afirmação é correta e captura a essência do aprendizado de máquina. Aprendizado de máquina

é um subcampo da inteligência artificial focado no desenvolvimento de algoritmos que permitem
que computadores aprendam a partir de dados e façam previsões ou tomem decisões baseadas
nesses dados, sem serem explicitamente programados para cada tarefa específica. Isso envolve
tanto a análise de padrões históricos quanto a aplicação desses padrões para prever eventos
futuros.
Gabarito: Correto

132. (CS-UFG / Câmara de Anápolis-GO – 2024) A Inteligência Artificial (IA) é uma ferramenta
computacional que permitiu o avanço em diferentes áreas, entre elas: a saúde, finanças,
marketing, entre outras. A principal ajuda, veio no apoio à tomada de decisões. As caraterísticas
que descrevem o aprendizado de máquina (machine learning) são

a) compostas de algoritmos e modelos estatísticos que permitem que os sistemas aprendam a

partir dos dados, usando identificação de padrões e fazendo previsões.

b) baseadas em regras e conhecimentos para tomar decisões e fornecer soluções em um

domínio específico, com total eficácia simulando o raciocínio humano.

c) baseadas na autonomia, sem intervenção humana e demandam alto processamento

computacional.

d) baseadas em símbolos, regras que representam, manipulam e aprendem com interferências

lógicas, usada na solução de problemas complexos.

Comentários:

(a) Correto. Esta alternativa descreve precisamente o aprendizado de máquina, que é uma subárea
da inteligência artificial focada em desenvolver sistemas capazes de aprender e fazer previsões ou
decisões baseadas em dados, sem ser explicitamente programados para isso.

(b) Errado. Esta descrição se assemelha mais à abordagem de sistemas baseados em conhecimento
dentro da IA, que não é o foco do aprendizado de máquina.

(c) Errado. Embora o aprendizado de máquina demande processamento computacional, a

caracterização como totalmente autônoma e sem intervenção humana não é precisa. A intervenção

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 223

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

humana é necessária, por exemplo, na escolha dos algoritmos, na preparação dos dados e na
interpretação dos resultados.

(d) Errado. A descrição remete mais à programação lógica e simbólica, outra área da IA, que não
foca especificamente no aprendizado de máquina.

Gabarito: Letra A

133. (CS-UFG / Câmara de Anápolis-GO – 2024) O conceito que representa a capacidade de um

computador/dispositivo eletrônico de se comportar assemelhando-se à forma de pensar de um
ser humano, em que pode, usando variáveis do ambiente, tomar decisões e resolver problemas
é:

a) a realidade aumentada.
b) o metaverso.
c) a internet das coisas.
d) a inteligência artificial.

Comentários:

(a) Errado. A realidade aumentada é uma tecnologia que sobrepõem elementos virtuais à visão do
mundo real, não está diretamente relacionada à capacidade de tomar decisões ou resolver
problemas como um ser humano.

(b) Errado. O metaverso refere-se a um espaço virtual compartilhado, criado pela convergência de
virtualmente realçados ambientes físicos e digitais, incluindo a vida social dentro da internet, mas
não descreve a capacidade de tomada de decisão ou resolução de problemas como um ser humano.

(c) Errado. A internet das coisas (IoT) conecta dispositivos físicos à internet, permitindo que eles se
comuniquem e compartilhem dados. Apesar de poder ser parte de sistemas inteligentes, por si só,
não define a capacidade de pensamento ou resolução de problemas humanos.

(d) Correto. A inteligência artificial é exatamente o conceito que descreve a capacidade de

máquinas computadorizadas de imitar o comportamento inteligente dos seres humanos, incluindo
a capacidade de aprender, tomar decisões e resolver problemas com base em dados ou variáveis do
ambiente.

Gabarito: Letra D

134. (QUADRIX / CRA-PR – 2022) Entre as técnicas de machine learning, a random forest é capaz
de solucionar problemas de classificação e de regressão, por meio da construção e dos
treinamentos de árvores de decisão.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 224

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Comentários:

Perfeito! Random Forest é utilizado em problemas de classificação/regressão e realmente

solucionam problemas por meio de árvores de decisão em tempo de treinamento.

Gabarito: Correto

135. (QUADRIX / CRA-PR – 2022) Os sistemas de machine learning podem ser empregados em
situações em que os softwares tradicionais não conseguem resolver os problemas ou que suas
soluções não são consideradas como satisfatórias.

Comentários:

Perfeito! É realmente utilizado para sobrepor limitações de softwares tradicionais. Por exemplo:
antivírus que utilizam aprendizado de máquina conseguem identificar softwares maliciosos que
soluções comuns não conseguem.

Gabarito: Correto

136. (QUADRIX / CRA-PR – 2022) Um dos tipos de sistema machine learning é a aprendizagem
supervisionada, que é caracterizada pela aprendizagem de padrões com base na entrada (dados
de treinamento) e que não apresenta um feedback explícito quanto a esse aprendizado.

Comentários:

Opa! Na aprendizagem supervisionada, existe um feedback explícito quanto ao aprendizado. Como

já se conhece a saída esperada, o feedback do aprendizado é explícito e imediato.

Gabarito: Errado

137. (QUADRIX / CRA-PR – 2022) Para que os algoritmos de deep learning sejam capazes de
analisar dados não estruturados, é imprescindível que haja algum tipo de pré-processamento do
conjunto de dados a ser analisado.

Comentários:

Uma das grandes vantagens do Deep Learning é justamente prescindir (não precisar) que dados
não estruturados passem por etapas de pré-processamento.

Gabarito: Errado

138. (QUADRIX / CRA-PR – 2022) O deep learning pode ser definido como sendo a aplicação de
uma quantidade massiva de camadas de processamento em um algoritmo de rede neural.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 225

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Comentários:

Questão polêmica! Não é necessária uma quantidade massiva de camadas, apesar de ser comum.
Para mim, a questão caberia recurso.

Gabarito: Correto

139. (CESGRANRIO / BB – 2021) Ao tentar resolver um problema de aprendizado de máquina

que separava um evento entre duas classes, um desenvolvedor encontrou uma acurácia de
exatamente 90%. Analisando a matriz de confusão, o desenvolvedor constatou que os
verdadeiros positivos eram 14169, que os verdadeiros negativos eram 15360, os falsos positivos
eram 1501, e os falsos negativos eram:

a) 1778
b) 1779
c) 1780
d) 1781
e) 1782

Comentários:

Vamos montar uma matriz de confusão com os dados do enunciado:

Valor Previsto
Negativo Positivo
Valor Real Negativo 15360 1501
Positivo ? 14169

Agora vamos relembrar o que é acurácia:

Trata-se da métrica mais simples que permite mensurar o percentual de

𝐕𝐏 + 𝐕𝐍
Acurácia acertos, isto é, a quantidade de previsões corretas dentro do total de
previsões possíveis. Responde à pergunta: dentre todas as previsões 𝐕𝐏 + 𝐅𝐏 + 𝐕𝐍 + 𝐅𝐍
realizadas, quantas o modelo acertou?

Logo, temos que:

𝐕𝐏 + 𝐕𝐍 14169 + 15360 29529

ACURÁCIA = → 0,9 = → 0,9 = → FN = 1780
𝐕𝐏 + 𝐅𝐏 + 𝐕𝐍 + 𝐅𝐍 14169 + 1501 + 15360 + FN 31030 + 𝐅𝐍

Gabarito: Letra C

140. (AOCP / MJSP – 2020) Um cientista de dados necessita estimar a precisão preditiva de um
classificador medindo essa precisão para uma amostra de dados ainda não utilizada. Quais são

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 226

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

as três estratégias principais, comumente usadas para isso, que o cientista de dados pode
utilizar?

a) Divisão de dados em conjunto de treino e conjunto de teste, validação cruzada k-fold e

validação cruzada N-fold.

b) Erro padrão, divisão de dados em conjunto de treino e conjunto de teste, re-execução de

testes.

c) Conjunto de dados permanentes, conjunto de teste e re-execução de testes.

d) Troca de valores mais frequentes, validação cruzada e conjunto de treino e teste.

e) Conjunto de dados ausente, conjunto de treino e conjunto de teste.

Comentários:

As três estratégias poderiam ser a divisão de dados em conjunto de treino e conjunto de teste;
validação cruzada K-fold; e validação cruzada N-fold. Não falamos em aula do N-fold, mas ele é
basicamente N repetições do k-fold. Os outros itens não fazem qualquer sentido!

Gabarito: Letra A

141. (FUNDATEC / GHC-RS – 2020 – Letra B) A curva ROC (Receiver Operator Characteristic) é
uma forma de expressar graficamente a relação entre a sensibilidade e a especificidade. Para
construí-la, deve-se plotar a taxa de verdadeiros positivos (sensibilidade) contra a taxa de
verdadeiros negativos (especificidade).

Comentários:

Opa! A Curva ROC realmente expressa a relação entre sensibilidade e especificidade, mas é por
meio da taxa de verdadeiros-positivos e da taxa de falsos-positivos; ou, dito de outra forma, a taxa
de verdadeiros-positivos e 1 – taxa de verdadeiros-negativos.

Gabarito: Errado

142. (FUNDATEC / Prefeitura de Porto Mauá/RS – 2019) A curva ROC (Característica Operatória
do Receptor) é uma técnica gráfica para quantificar a acurácia de um teste diagnóstico e ilustrar
o contrabalanço entre:

a) A prevalência e a incidência.
b) A sensibilidade e a especificidade.
c) O valor preditivo positivo e a incidência.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 227

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

d) O valor preditivo negativo e a prevalência.

e) A variável preditora e a variável antecedente.

Comentários:

(a) Errado. A curva ROC não é usada para ilustrar a relação entre prevalência e incidência; esses
termos se referem a medidas de frequência de doença em epidemiologia;

(b) Correto. A curva ROC é utilizada para avaliar o desempenho de um teste diagnóstico, ilustrando
o compromisso entre sensibilidade (capacidade do teste de identificar corretamente os casos
positivos) e especificidade (capacidade do teste de identificar corretamente os casos negativos);

(c) Errado. O valor preditivo positivo e a incidência são importantes em avaliação de testes, mas a
curva ROC foca no relacionamento entre sensibilidade e especificidade, não incorporando
diretamente o valor preditivo positivo nem a incidência;

(d) Errado. Semelhante a (c), o valor preditivo negativo e a prevalência são importantes, mas a curva
ROC concentra-se na relação entre sensibilidade e especificidade;

(e) Errado. A variável preditora e a variável antecedente não são os componentes ilustrados na curva
ROC. A técnica está centrada na avaliação da capacidade do teste em distinguir entre duas
condições (por exemplo, doença e não doença) com base em sensibilidade e especificidade.

Gabarito: Letra B

143. (FUNDEP / CODEMIG – 2018) O objetivo principal da Análise de Componentes Principais é:

a) obtenção de um pequeno número de combinações lineares, de um conjunto de variáveis, que

retenham o máximo possível da informação contida nas variáveis originais;

b) calcular, para cada indivíduo da amostra, a probabilidade associada a um determinado

fenômeno;

c) testar, por meio de sub-amostras, a distribuição de probabilidades do conjunto de dados

estudados;

d) explicar a correlação ou covariância, entre um conjunto de variáveis, em termos de um

número limitado de variáveis não-observáveis;

e) identificar se há multicolinearidade nos resíduos, após a estimação de uma curva de

regressão.

Comentários:

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 228

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

O objetivo principal da Análise de Componentes Principais – como uma das técnicas de Fatoração
de Matrizes – é obtenção de um pequeno número de combinações lineares, de um conjunto de
variáveis, que retenham o máximo possível da informação contida nas variáveis originais.

Gabarito: Letra A

144. (QUADRIX / CFO-DF – 2017) Inteligência computacional é um conjunto de métodos e(ou)

técnicas que procura desenvolver sistemas dotados de comportamento semelhante a certos
aspectos do comportamento inteligente.

Comentários:

A inteligência computacional é de fato um campo que visa emular aspectos do comportamento

humano inteligente por meio de sistemas e algoritmos. Este campo inclui, entre outros,
aprendizado de máquina, redes neurais, lógica fuzzy, e algoritmos genéticos. O objetivo é criar
sistemas capazes de realizar tarefas complexas que normalmente requerem inteligência humana,
como raciocínio, reconhecimento de padrões e tomada de decisões.

Gabarito: Correto

145. (FUNDATEC / Prefeitura de Vacaria/RS – 2016 – Item III) A Curva ROC é construída
levando-se em consideração a taxa de verdadeiro-positivos contra a taxa de falso-positivos. Os
valores nos eixos representam medidas de probabilidade, variando de 0 a 1.

Comentários:

Perfeito! Conforme apresenta a imagem seguinte, a curva realmente é baseada na razão de

verdadeiros-positivos pela razão de falsos-positivos, que variam de 0 a 1.

Gabarito: Correto

146. (ESAF / ANAC – 2016) A redução da dimensionalidade de uma base de dados altamente
correlacionados é objetivo da Análise:

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 229

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

a) de Componentes Principais.
b) de Campos de Prioridades.
c) de Componentes de Regressão.
d) Dimensional de Covariância.
e) Interativa de Componentes.

Comentários:

A redução da dimensionalidade é basicamente a redução da quantidade de variáveis de um modelo

de alta dimensionalidade. Para tal, existem diversas técnicas como a Análise de Componentes
Principais (do inglês, Principal Component Analysis – PCA).

Gabarito: Letra A

147. (ESAF / Receita Federal – 2014) Em Datamining, redução da dimensionalidade é:

a) A expressão de um conjunto de dados por um conjunto menor de características do que em

sua forma original.

b) A redução dos espaços de variação dos dados em relação a seus espaços originais.

c) A supressão de características consideradas de menor prioridade pelo gestor.

d) A expressão de um conjunto de dados por um conjunto de características de

dimensionalidade conhecida.

e) A expressão de um conjunto de características por um outro conjunto de características de

dimensionalidade invariante em relação à sua forma original.

Comentários:

(a) Correto; (b) Errado, é a redução dos espaços dos dados e, não, dos espaços de variação dos
dados; (c) Errado, a supressão se dá em função do processo de modelagem e, não, prioridade do
gestor; (d) Errado, é a expressão de um conjunto de dados por um conjunto de características de
dimensionalidade menor; (e) Errado, é a expressão de um conjunto de características por um outro
conjunto de características de dimensionalidade menor em relação à sua forma original.

Gabarito: Letra A

148. (COSEAC / DATAPREV – 2009) O objetivo principal da Análise de Componentes Principais

é:

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 230

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

a) obtenção de um pequeno número de combinações lineares, de um conjunto de variáveis, que

retenham o máximo possível da informação contida nas variáveis originais;

b) calcular, para cada indivíduo da amostra, a probabilidade associada a um determinado

fenômeno;

c) testar, por meio de sub-amostras, a distribuição de probabilidades do conjunto de dados

estudados;

d) explicar a correlação ou covariância, entre um conjunto de variáveis, em termos de um

número limitado de variáveis não-observáveis;

e) identificar se há multicolinearidade nos resíduos, após a estimação de uma curva de

regressão.

Comentários:

O PCA busca reduzir a dimensionalidade de um conjunto de variáveis de modo que elas

representem o máximo de informação (variância) possível. Nenhum dos outros itens faz qualquer
sentido!

Gabarito: Letra A

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 231

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

QUESTÕES COMENTADAS – INÉDITAS

149. (PROF. DIEGO / INÉDITA – 2024) A inteligência artificial (IA) é um campo da ciência da
computação que se concentra exclusivamente no desenvolvimento de sistemas capazes de
realizar tarefas que requerem força física humana.

Comentários:

A inteligência artificial não se limita ao desenvolvimento de sistemas que executam tarefas que
requerem força física humana. Ela abrange uma gama muito mais ampla de capacidades, incluindo
raciocínio, aprendizado, reconhecimento de padrões, compreensão de linguagem, percepção
visual, e adaptação a novas situações, o que não se restringe apenas à força física.

Gabarito: Errado

150. (PROF. DIEGO / INÉDITA – 2024) O termo "inteligência artificial" foi cunhado por John
McCarthy em 1956, com o objetivo de descrever máquinas que podem imitar comportamentos
considerados inteligentes.

Comentários:

John McCarthy, um dos pioneiros da inteligência artificial, utilizou o termo "inteligência artificial"
pela primeira vez em 1956, definindo-o como a ciência e engenharia de fazer máquinas inteligentes,
ou seja, máquinas que imitam a capacidade de raciocínio humano.

Gabarito: Correto

151. (PROF. DIEGO / INÉDITA – 2024) Machine learning é um subcampo da inteligência artificial
que permite a máquinas aprenderem com dados sem serem explicitamente programadas para
cada tarefa específica.

Comentários:

Machine learning é um aspecto fundamental da inteligência artificial que envolve o estudo de

algoritmos e modelos estatísticos que os sistemas de computador usam para realizar tarefas sem
instruções específicas, aprendendo com os dados.

Gabarito: Correto

152. (PROF. DIEGO / INÉDITA – 2024) As redes neurais e deep learning representam técnicas
obsoletas na inteligência artificial que foram substituídas por métodos mais modernos e
eficientes.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 232

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Comentários:

Redes neurais e deep learning são, na verdade, técnicas de ponta na inteligência artificial,
representando a fronteira do desenvolvimento em muitas áreas da IA. Essas técnicas são inspiradas
no funcionamento do cérebro humano e são fundamentais para avanços em reconhecimento de
padrões, processamento de linguagem natural, visão computacional, entre outros.

Gabarito: Errado

153. (PROF. DIEGO / INÉDITA – 2024) Qual dos seguintes subcampos da IA tem a função
principal de desenvolver sistemas capazes de entender e gerar linguagem humana?

a) Robótica
b) Visão computacional
c) Machine learning
d) Processamento de linguagem natural (PLN)
e) Inteligência artificial generativa

Comentários:

O Processamento de Linguagem Natural (PLN) é o subcampo da IA que foca no desenvolvimento

de sistemas capazes de entender, interpretar e gerar linguagem humana, incluindo tarefas como
tradução automática, análise de sentimentos e chatbots.

Gabarito: Letra D

154. (PROF. DIEGO / INÉDITA – 2024) Qual técnica de IA é utilizada para criar conteúdo novo e
original, como texto, imagens, música e vídeo?

a) Machine learning
b) Redes neurais
c) Inteligência artificial generativa
d) Visão computacional
e) Robótica

Comentários:

A Inteligência Artificial Generativa, especialmente por meio de técnicas como as Redes Generativas
Adversariais (GANs), é utilizada para criar conteúdo novo e original, imitando, mas não copiando
exatamente, o conteúdo em que foram treinadas.

Gabarito: Letra C

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 233

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

155. (PROF. DIEGO / INÉDITA – 2024) Qual das seguintes afirmações descreve melhor a robótica
dentro do contexto da inteligência artificial?

a) A robótica é um campo obsoleto que foi completamente substituído pela inteligência

artificial.
b) Ela envolve apenas o estudo de sistemas mecânicos sem qualquer tipo de inteligência.
c) É a aplicação de algoritmos de IA para controlar comportamentos físicos em robôs.
d) Foca exclusivamente no desenvolvimento de software para jogos de computador.
e) Trata-se da criação de malwares do tipo bot para ataques de negação de serviço.

Comentários:

(a) Errado. A robótica não é um campo obsoleto, e sim complementar à inteligência artificial, com
ambos os campos evoluindo conjuntamente;

(b) Errado. A robótica não se limita ao estudo de sistemas mecânicos; ela também incorpora
elementos de controle, automação e inteligência artificial para dotar robôs de capacidades
avançadas;

(c) Correto. Esta é a descrição mais precisa, pois a robótica, no contexto da inteligência artificial,
envolve o uso de algoritmos de IA para permitir que os robôs realizem tarefas de maneira autônoma
e adaptativa;

(d) Errado. O desenvolvimento de software para jogos de computador é uma aplicação de IA, mas
não descreve a totalidade ou o foco principal da robótica dentro da IA;

(e) Errado. A criação de malwares, incluindo bots para ataques de negação de serviço, é uma
aplicação maliciosa de conhecimentos de computação e não representa a robótica dentro do
contexto da inteligência artificial.

Gabarito: Letra C

156. (PROF. DIEGO / INÉDITA – 2024) Em que consiste o deep learning dentro do contexto da
inteligência artificial?

a) Na criação de algoritmos que requerem intervenção humana constante para aprender e

adaptar-se.

b) Na utilização de redes neurais superficiais com poucas camadas para tarefas simples de
classificação.

c) No emprego de redes neurais profundas para aprender representações de dados complexas

automaticamente.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 234

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

d) Na programação de robôs para realizar tarefas físicas sem a necessidade de aprendizado ou

adaptação.

e) No desenvolvimento de sistemas capazes de executar cálculos matemáticos complexos a

uma velocidade superior à humana.

Comentários:

O Deep Learning, um subcampo dentro da inteligência artificial, refere-se ao uso de redes neurais
profundas com muitas camadas. Estas redes são capazes de aprender representações de dados
complexas de forma automática, sem serem explicitamente programadas para tarefas específicas,
permitindo avanços significativos em áreas como reconhecimento de fala, visão computacional e
processamento de linguagem natural.

Gabarito: Letra C

157. (PROF. DIEGO / INÉDITA – 2024) A inteligência artificial se limita à criação de programas
que executam tarefas físicas semelhantes às humanas.

Comentários:

A inteligência artificial vai além da execução de tarefas físicas, englobando a capacidade de sentir,
raciocinar, agir e se adaptar, imitando a inteligência humana por meio de diversas técnicas,
incluindo o aprendizado de máquina.

Gabarito: Errado

158. (PROF. DIEGO / INÉDITA – 2024) O aprendizado de máquina é um subconjunto do

aprendizado profundo.

Comentários:

Na verdade, o aprendizado profundo (Deep Learning) é que é um subconjunto do aprendizado de

máquina, representando uma técnica específica dentro do amplo campo do aprendizado de
máquina.

Gabarito: Errado

159. (PROF. DIEGO / INÉDITA – 2024) A programação tradicional requer que um programador
escreva manualmente as regras que o computador deve seguir para processar dados e produzir
resultados.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 235

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Comentários:

A programação tradicional envolve a escrita manual de algoritmos, onde o programador define

explicitamente as regras que o computador deve seguir para transformar dados de entrada em
resultados de saída.

Gabarito: Correto

160. (PROF. DIEGO / INÉDITA – 2024) No aprendizado de máquina, o algoritmo é capaz de

identificar padrões e aprender regras a partir de grandes conjuntos de dados sem intervenção
direta do programador.

Comentários:

O aprendizado de máquina permite que os algoritmos aprendam a identificar padrões e inferir

regras a partir de exemplos de dados fornecidos, sem que seja necessário programar essas regras
explicitamente.

Gabarito: Correto

161. (PROF. DIEGO / INÉDITA – 2024) A etapa de treinamento no aprendizado de máquina é

menos custosa e requer menos dados do que a etapa de inferência.

Comentários:

A etapa de treinamento é, de fato, a mais custosa e requer grandes quantidades de dados para
ajustar o modelo adequadamente. A etapa de inferência, por sua vez, é menos custosa e utiliza o
modelo treinado para fazer previsões com novos dados.

Gabarito: Errado

162. (PROF. DIEGO / INÉDITA – 2024) A inferência em aprendizado de máquina é um processo

determinístico que sempre produz a mesma saída para uma dada entrada.

Comentários:

A inferência em aprendizado de máquina é probabilística, não determinística, significando que o

modelo oferece probabilidades associadas às suas previsões, ao invés de certezas absolutas.

Gabarito: Errado

163. (PROF. DIEGO / INÉDITA – 2024) O que caracteriza a programação tradicional em

comparação com o aprendizado de máquina?

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 236

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

a) A capacidade de aprender sem ser explicitamente programado.

b) A necessidade de grandes conjuntos de dados para funcionar.
c) A execução de tarefas físicas complexas.
d) A escrita manual de regras por programadores.
e) O uso de redes neurais para processamento de dados.

Comentários:

(a) Errado. Esta característica descreve o aprendizado de máquina, não a programação tradicional;

(b) Errado. A necessidade de grandes conjuntos de dados é mais típica do aprendizado de máquina
do que da programação tradicional;

(c) Errado. A execução de tarefas físicas complexas pode ser um objetivo tanto da robótica quanto
de outros campos, mas não diferencia a programação tradicional do aprendizado de máquina;

(d) Correto. A programação tradicional é caracterizada pela escrita manual de regras e algoritmos
por programadores para resolver problemas específicos. Diferentemente do aprendizado de
máquina, onde o sistema aprende a partir de dados, na programação tradicional as soluções são
explicitamente codificadas;

(e) Errado. O uso de redes neurais é uma técnica específica dentro do campo do aprendizado de
máquina para processar dados, não sendo característico da programação tradicional.

Gabarito: Letra D

164. (PROF. DIEGO / INÉDITA – 2024) Qual dos seguintes melhor descreve o aprendizado de
máquina?

a) Um processo que depende exclusivamente da programação manual para definir todas as

regras de decisão.
b) Uma técnica que permite ao software aplicar regras pré-existentes a novos conjuntos de
dados sem aprender.
c) Uma abordagem em que o software é capaz de treinar a si mesmo usando dados de
treinamento para descobrir regras.
d) O estudo de como fazer computadores realizar tarefas físicas como humanos.
e) A criação de algoritmos que melhoram o desempenho do hardware.

Comentários:

(a) Errado. O aprendizado de máquina é justamente o oposto da programação manual completa;

ele busca permitir que o sistema aprenda as regras a partir dos dados;

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 237

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

(b) Errado. Embora o software possa aplicar regras a novos conjuntos de dados, o aprendizado de
máquina envolve a geração ou adaptação de regras com base na análise de dados, o que vai além
de simplesmente aplicar regras pré-existentes;

(c) Correto. Esta alternativa captura a essência do aprendizado de máquina, que é a capacidade do
software de aprender e melhorar a partir de dados de treinamento, sem ser explicitamente
programado para cada situação específica;

(d) Errado. O estudo de fazer computadores realizar tarefas físicas como humanos se relaciona mais
com a robótica e a inteligência artificial em geral, não especificamente com o aprendizado de
máquina;

(e) Errado. A criação de algoritmos que melhoram o desempenho do hardware não descreve o
aprendizado de máquina, que está focado no desenvolvimento de algoritmos para processamento
de dados e tomada de decisão.

Gabarito: Letra C

165. (PROF. DIEGO / INÉDITA – 2024) O que é deep learning dentro do contexto do aprendizado
de máquina?

a) Uma técnica baseada em regras programadas manualmente para processamento de dados.

b) A prática de usar grandes conjuntos de dados para melhorar o desempenho do hardware.
c) Um subconjunto que utiliza redes neurais profundas para aprender a partir de grandes
volumes de dados.
d) Um método que ensina computadores a realizar tarefas físicas semelhantes às humanas.
e) Uma abordagem obsoleta que foi substituída por tecnologias mais avançadas.

Comentários:

(a) Errado. Deep Learning difere das técnicas baseadas em regras programadas manualmente, pois
aprende a reconhecer padrões diretamente dos dados;

(b) Errado. Embora o Deep Learning frequentemente utilize grandes conjuntos de dados, seu
objetivo não é melhorar o desempenho do hardware, mas sim extrair padrões complexos dos
dados;

(c) Correto. Deep Learning é um subcampo do aprendizado de máquina que emprega redes neurais
profundas, com muitas camadas, para analisar grandes volumes de dados, permitindo que o
sistema aprenda uma ampla gama de características a partir desses dados, desde as mais simples
até as mais complexas;

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 238

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

(d) Errado. Embora o Deep Learning possa ser aplicado para ensinar computadores a realizar tarefas
que imitam as humanas, esta descrição é mais ampla e não captura especificamente o que é Deep
Learning;

(e) Errado. O Deep Learning é uma das tecnologias mais avançadas e em rápido desenvolvimento
no campo da inteligência artificial, e não uma abordagem obsoleta.

Gabarito: Letra C

166. (PROF. DIEGO / INÉDITA – 2024) Durante qual etapa do aprendizado de máquina o modelo
é ajustado para melhor representar os dados fornecidos?

a) Inferência
b) Programação manual
c) Treinamento
d) Validação
e) Execução

Comentários:

Durante a etapa de treinamento, o modelo de aprendizado de máquina é ajustado utilizando

conjuntos de dados fornecidos para melhor aprender e representar as relações entre os dados de
entrada e os resultados esperados.

Gabarito: Letra C

167. (PROF. DIEGO / INÉDITA – 2024) Qual dos seguintes NÃO é uma característica do
aprendizado de máquina?

a) A capacidade de aprender com exemplos passados.

b) A necessidade de ser explicitamente programado para cada tarefa específica.
c) A utilização de modelos matemáticos para identificar padrões.
d) A melhoria de desempenho à medida que mais dados são fornecidos.
e) A capacidade de realizar inferências probabilísticas sobre novos dados.

Comentários:

(a) Errado. Aprender com exemplos passados é uma das principais características do aprendizado
de máquina, onde o sistema melhora seu desempenho ao ser exposto a mais dados;

(b) Correto. Esta é uma característica da programação tradicional, não do aprendizado de máquina.
O aprendizado de máquina é projetado para aprender padrões a partir de dados sem necessidade
de ser explicitamente programado para cada tarefa específica;

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 239

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

(c) Errado. A utilização de modelos matemáticos para identificar padrões e fazer previsões é
fundamental no aprendizado de máquina;

(d) Errado. Uma característica central do aprendizado de máquina é a sua capacidade de melhorar
o desempenho à medida que mais dados são fornecidos ao modelo;

(e) Errado. A capacidade de realizar inferências probabilísticas sobre novos dados permite que os
modelos de aprendizado de máquina façam previsões e tomem decisões com base em dados nunca
vistos anteriormente.

Gabarito: Letra B

168. (PROF. DIEGO / INÉDITA – 2024) No aprendizado supervisionado, os dados utilizados no

treinamento do modelo não precisam ser previamente rotulados.

Comentários:

No aprendizado supervisionado, é essencial que os dados de treinamento sejam previamente

rotulados, pois o modelo aprende a mapear as entradas para as saídas esperadas com base nesses
rótulos.

Gabarito: Errado

169. (PROF. DIEGO / INÉDITA – 2024) Uma das aplicações do aprendizado supervisionado é a
classificação de e-mails como spam ou não spam.

Comentários:

A classificação de e-mails como spam ou não spam é um exemplo clássico de aplicação do

aprendizado supervisionado, onde o modelo é treinado com exemplos de e-mails rotulados para
aprender a identificar características que determinam a classificação.

Gabarito: Correto

170. (PROF. DIEGO / INÉDITA – 2024) O aprendizado supervisionado é apenas aplicável para
tarefas de classificação, não sendo adequado para problemas de regressão.

Comentários:

O aprendizado supervisionado pode ser utilizado tanto para tarefas de classificação quanto para
problemas de regressão, dependendo do tipo de saída que o modelo precisa prever.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 240

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Gabarito: Errado

171. (PROF. DIEGO / INÉDITA – 2024) No contexto do aprendizado supervisionado, o supervisor

ou professor não desempenha um papel ativo no processo de aprendizagem do algoritmo.

Comentários:

No aprendizado supervisionado, o papel do supervisor ou professor é crucial, pois ele fornece os

dados rotulados que guiam o algoritmo no processo de aprendizagem, ajustando seus parâmetros
para prever corretamente as saídas esperadas.

Gabarito: Errado

172. (PROF. DIEGO / INÉDITA – 2024) Qual dos seguintes é um exemplo de problema que pode
ser resolvido com aprendizado supervisionado?

a) Agrupamento de usuários com interesses semelhantes em redes sociais.

b) Previsão do preço de ações na bolsa de valores.
c) Descoberta de padrões em sequências genéticas sem anotações.
d) Construção de um robô autônomo que aprende a navegar sozinho.
e) Organização de livros em uma biblioteca sem categorias definidas.

Comentários:

(a) Errado. Agrupamento (ou clustering) de usuários por interesses é típico do aprendizado não
supervisionado, onde o modelo tenta identificar estruturas ou padrões em um conjunto de dados
sem etiquetas pré-definidas;

(b) Correto. A previsão do preço de ações é um problema de regressão, que pode ser abordado
através do aprendizado supervisionado, onde o modelo é treinado com dados históricos (exemplos
passados de preços de ações) juntamente com suas respectivas saídas (preços futuros) para
aprender a prever novos valores;

(c) Errado. A descoberta de padrões em sequências genéticas sem anotações prévias é um exemplo
de aprendizado não supervisionado, onde o modelo busca identificar padrões ou agrupamentos
sem ter sido previamente instruído com exemplos de saída;

(d) Errado. A construção de um robô autônomo que aprende a navegar sozinho pode envolver
aprendizado por reforço, onde o robô aprende a tomar decisões com base em recompensas ou
punições, não se encaixando estritamente no modelo de aprendizado supervisionado;

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 241

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

(e) Errado. A organização de livros em uma biblioteca sem categorias definidas é um problema
típico de agrupamento, adequado ao aprendizado não supervisionado, onde o modelo deve
identificar padrões ou categorias intrínsecas nos dados sem exemplos de saída específicos.

Gabarito: Letra B

173. (PROF. DIEGO / INÉDITA – 2024) No aprendizado supervisionado, o que significa o termo
"rótulo"?

a) Uma marcação ou categoria que um algoritmo atribui automaticamente aos dados de

entrada.
b) Um valor ou classe específica que é atribuída a cada exemplo de dado de entrada por um
supervisor.
c) Uma descrição detalhada do conjunto de dados fornecida pelo modelo após o treinamento.
d) O conjunto de instruções programadas manualmente que o modelo deve seguir.
e) A saída gerada pelo modelo antes de qualquer treinamento.

Comentários:

(a) Errado. Embora a ideia de marcação ou categoria esteja correta, no aprendizado supervisionado,
os rótulos são fornecidos por humanos (ou um processo supervisivo) e não atribuídos
automaticamente pelo algoritmo;

(b) Correto. No contexto do aprendizado supervisionado, o termo "rótulo" refere-se a um valor ou

classe específica que é atribuída a cada exemplo no conjunto de dados de treinamento. Estes
rótulos são usados para ensinar ao modelo a relação entre os dados de entrada e as saídas
desejadas;

(c) Errado. Uma descrição detalhada do conjunto de dados pode ser útil para compreender os
dados, mas não é o que se entende por "rótulo" no aprendizado supervisionado;

(d) Errado. O conjunto de instruções programadas manualmente não define o que são rótulos no
aprendizado supervisionado; os rótulos são parte dos dados de treinamento;

(e) Errado. A saída gerada pelo modelo antes de qualquer treinamento é geralmente aleatória ou
baseada em uma inicialização pré-definida, não relacionada ao conceito de rótulos no aprendizado
supervisionado.

Gabarito: Letra B

174. (PROF. DIEGO / INÉDITA – 2024) Qual das seguintes tarefas é um exemplo típico de
regressão no contexto do aprendizado supervisionado?

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 242

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

a) Determinar se uma imagem contém um gato ou um cachorro.

b) Prever a temperatura média de uma cidade no próximo mês.
c) Identificar a linguagem em que um texto está escrito.
d) Classificar filmes com base no gênero.
e) Segmentar clientes em diferentes grupos de marketing.

Comentários:

(a) Errado. Determinar se uma imagem contém um gato ou um cachorro é uma tarefa de
classificação, onde o objetivo é categorizar as imagens em grupos pré-definidos;

(b) Correto. Prever a temperatura média de uma cidade no próximo mês é um exemplo de
regressão. Na regressão, o objetivo é prever um valor contínuo (como a temperatura) com base em
variáveis de entrada;

(c) Errado. Identificar a linguagem em que um texto está escrito é outra tarefa de classificação, pois
envolve categorizar o texto em uma das linguagens possíveis;

(d) Errado. Classificar filmes com base no gênero também é uma tarefa de classificação, visando
atribuir cada filme a uma categoria de gênero específica;

(e) Errado. Segmentar clientes em diferentes grupos de marketing é um exemplo de clusterização,

uma técnica de aprendizado não supervisionado que agrupa os dados com base em semelhanças.

Gabarito: Letra B

175. (PROF. DIEGO / INÉDITA – 2024) Quais são os dois principais tipos de problemas abordados
pelo aprendizado supervisionado?

a) Agrupamento e classificação.
b) Regressão e detecção de anomalias.
c) Classificação e regressão.
d) Detecção de anomalias e agrupamento.
e) Reforço e supervisão.

Comentários:

(a) Errado. Agrupamento é uma tarefa típica de aprendizado não supervisionado, não
supervisionado;

(b) Errado. Detecção de anomalias geralmente é tratada com técnicas de aprendizado não
supervisionado ou semi-supervisionado;

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 243

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

(c) Correto. Os dois principais tipos de problemas abordados pelo aprendizado supervisionado são
classificação e regressão. Na classificação, o objetivo é prever a categoria ou classe de uma
observação, enquanto na regressão, o objetivo é prever um valor contínuo;

(d) Errado. Tanto detecção de anomalias quanto agrupamento são tarefas comuns de aprendizado
não supervisionado;

(e) Errado. Reforço é um tipo diferente de aprendizado de máquina que se distingue do aprendizado
supervisionado e não supervisionado. Supervisão não é um tipo de problema, mas uma categoria
de aprendizado de máquina.

Gabarito: Letra C

176. (PROF. DIEGO / INÉDITA – 2024) Qual das seguintes afirmações melhor descreve o
aprendizado supervisionado?

a) Um modelo é treinado sem qualquer conhecimento prévio dos rótulos de saída.

b) O modelo aprende padrões nos dados sem a necessidade de dados rotulados.
c) O modelo é treinado com dados rotulados para prever a saída de novos dados.
d) O modelo é capaz de rotular novos dados sem qualquer treinamento prévio.
e) Um supervisor humano intervém ativamente para corrigir o modelo em tempo real.

Comentários:

(a) Errado. No aprendizado supervisionado, o modelo é treinado com conhecimento prévio dos
rótulos de saída, que são usados para aprender a relação entre as entradas e as saídas;

(b) Errado. Esta descrição se aplica ao aprendizado não supervisionado, onde o modelo aprende
padrões nos dados sem usar dados rotulados;

(c) Correto. No aprendizado supervisionado, o modelo é treinado usando um conjunto de dados

rotulados, o que permite que ele faça previsões ou classificações sobre novos dados não vistos com
base no que aprendeu;

(d) Errado. O modelo precisa de treinamento prévio com dados rotulados no aprendizado
supervisionado para ser capaz de rotular novos dados corretamente;

(e) Errado. Embora a intervenção humana seja necessária para rotular os dados de treinamento,
não há intervenção ativa para corrigir o modelo em tempo real no processo padrão de aprendizado
supervisionado.

Gabarito: Letra C

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 244

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

177. (PROF. DIEGO / INÉDITA – 2024) No aprendizado não-supervisionado, o algoritmo precisa

de dados rotulados para realizar o treinamento.

Comentários:

No aprendizado não-supervisionado, o algoritmo trabalha com dados não rotulados, buscando

identificar padrões e estruturas nos dados por conta própria, sem a necessidade de rótulos pré-
definidos.

Gabarito: Errado

178. (PROF. DIEGO / INÉDITA – 2024) A principal tarefa do aprendizado não-supervisionado é

prever a saída para novos dados.

Comentários:

A principal tarefa do aprendizado não-supervisionado não é prever a saída para novos dados, mas
sim identificar padrões, agrupamentos ou regras de associação nos dados existentes, descrevendo
sua estrutura de forma autônoma.

Gabarito: Errado

179. (PROF. DIEGO / INÉDITA – 2024) Um exemplo de aplicação do aprendizado não-

supervisionado é a segmentação de clientes em diferentes grupos com base em seus hábitos de
compra.

Comentários:

A segmentação de clientes em diferentes grupos com base em hábitos de compra é um exemplo

clássico de aplicação do aprendizado não-supervisionado, onde o algoritmo busca agrupar clientes
com características semelhantes sem a necessidade de rótulos pré-definidos.

Gabarito: Correto

180. (PROF. DIEGO / INÉDITA – 2024) No aprendizado não-supervisionado, o algoritmo sempre

produz categorias que são intuitivamente compreensíveis e úteis para o ser humano.

Comentários:

No aprendizado não-supervisionado, não há garantia de que o algoritmo produzirá categorias que

são intuitivamente compreensíveis ou úteis para o ser humano, pois ele identifica padrões nos
dados sem levar em consideração expectativas ou preferências humanas.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 245

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Gabarito: Errado

181. (PROF. DIEGO / INÉDITA – 2024) O aprendizado não-supervisionado é mais adequado que
o aprendizado supervisionado para explorar dados quando não se tem uma ideia clara de quais
padrões os dados podem conter.

Comentários:

O aprendizado não-supervisionado é particularmente adequado para explorar conjuntos de dados

quando não se tem uma ideia prévia dos padrões que os dados podem conter, permitindo que o
algoritmo identifique esses padrões de forma autônoma.

Gabarito: Correto

182. (PROF. DIEGO / INÉDITA – 2024) Qual das seguintes é uma característica do aprendizado
não-supervisionado?

a) Necessidade de rótulos pré-definidos para cada amostra de treinamento.

b) Foco na previsão de saídas específicas para novos conjuntos de dados.
c) Identificação autônoma de padrões e estruturas em conjuntos de dados não rotulados.
d) Uso exclusivo para análise de texto.
e) Dependência de um supervisor para corrigir as saídas do modelo.

Comentários:

(a) Errado. No aprendizado não-supervisionado, não há necessidade de rótulos pré-definidos para

as amostras de treinamento. Os dados não vêm com etiquetas, e o objetivo é descobrir padrões ou
agrupamentos nos próprios dados;

(b) Errado. Embora o aprendizado não-supervisionado possa ser usado para fazer previsões, o foco
principal não é a previsão de saídas específicas, mas sim a identificação de padrões e estruturas nos
dados;

(c) Correto. A característica definidora do aprendizado não-supervisionado é a sua capacidade de

identificar autônoma de padrões, estruturas, ou agrupamentos em conjuntos de dados não
rotulados, sem a necessidade de rótulos pré-definidos;

(d) Errado. O aprendizado não-supervisionado não é exclusivo para análise de texto; ele pode ser
aplicado a uma ampla variedade de tipos de dados, incluindo, mas não se limitando a, dados
numéricos, imagens e sequências;

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 246

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

(e) Errado. O aprendizado não-supervisionado não depende de um supervisor para corrigir as saídas
do modelo. Ele opera sem rótulos e, portanto, sem uma forma direta de "correção" das suas saídas
por humanos.

Gabarito: Letra C

183. (PROF. DIEGO / INÉDITA – 2024) O que é agrupamento no contexto do aprendizado não-
supervisionado?

a) Um método para prever valores contínuos com base em dados históricos.

b) A classificação de dados com base em rótulos fornecidos por um supervisor.
c) A divisão de dados em subconjuntos homogêneos com base na similaridade.
d) A determinação de regras para associar elementos frequentemente comprados juntos.
e) O treinamento de modelos para realizar tarefas sem qualquer intervenção humana.

Comentários:

(a) Errado. Prever valores contínuos com base em dados históricos é geralmente associado com
regressão, que pode ser tanto supervisionada quanto não-supervisionada, mas não
especificamente com agrupamento

(b) Errado. A classificação baseada em rótulos fornecidos por um supervisor é uma característica do
aprendizado supervisionado, não do agrupamento no aprendizado não-supervisionado;

(c) Correto. Agrupamento, no contexto do aprendizado não-supervisionado, refere-se à divisão de

dados em subconjuntos homogêneos (ou clusters) com base na similaridade entre os dados. O
objetivo é agrupar os dados de forma que elementos dentro do mesmo subconjunto sejam mais
semelhantes entre si do que com elementos de outros subconjuntos;

(d) Errado. A determinação de regras para associar elementos frequentemente comprados juntos
se refere a análise de associação, que é outra tarefa de aprendizado não-supervisionado, diferente
de agrupamento;

(e) Errado. Enquanto o aprendizado não-supervisionado pode envolver treinar modelos para
realizar tarefas sem intervenção humana direta, esta descrição é muito genérica e não captura
especificamente o que é agrupamento.

Gabarito: Letra C

184. (PROF. DIEGO / INÉDITA – 2024) Qual é uma possível limitação do aprendizado não-
supervisionado?

a) Incapacidade de processar grandes volumes de dados.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 247

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

b) Necessidade de grandes equipes de supervisores para rotular dados.

c) Geração de categorias que podem não ser relevantes ou intuitivas para humanos.
d) Requerimento de dados rotulados para iniciar o processo de treinamento.
e) Uso restrito a tarefas de classificação.

Comentários:

(a) Errado. O aprendizado não-supervisionado, assim como outras formas de aprendizado de

máquina, geralmente pode processar grandes volumes de dados, dependendo da capacidade
computacional disponível;

(b) Errado. Uma vantagem do aprendizado não-supervisionado é precisamente a sua capacidade

de operar sem a necessidade de dados rotulados, o que reduz a necessidade de intervenção humana
extensiva para rotulagem;

(c) Correto. Uma limitação do aprendizado não-supervisionado é que ele pode gerar categorias ou
agrupamentos que, embora matematicamente coerentes, podem não ser relevantes, úteis ou
intuitivas para interpretações humanas. Isso pode dificultar a aplicação prática dos resultados em
alguns casos;

(d) Errado. O aprendizado não-supervisionado não requer dados rotulados para iniciar o processo
de treinamento. Esta é uma característica do aprendizado supervisionado;

(e) Errado. O aprendizado não-supervisionado não está restrito a tarefas de classificação. Ele pode
ser utilizado para uma variedade de tarefas, incluindo redução de dimensionalidade, agrupamento,
e análise de associação.

Gabarito: Letra C

185. (PROF. DIEGO / INÉDITA – 2024) Em que situação o aprendizado não-supervisionado seria
preferível ao aprendizado supervisionado?

a) Quando se tem um conjunto de dados extensamente rotulado e uma tarefa de previsão clara.
b) Quando se deseja explorar os dados para identificar padrões sem saber de antemão o que
procurar.
c) Quando o objetivo é classificar novos exemplos com base em rótulos conhecidos.
d) Para tarefas que requerem a previsão exata de valores contínuos.
e) Quando há uma necessidade de supervisão constante para ajustar os parâmetros do modelo.

Comentários:

(a) Errado. Quando se tem um conjunto de dados extensivamente rotulado e uma tarefa de previsão
clara, o aprendizado supervisionado é geralmente a escolha preferível, pois permite o treinamento
de modelos para prever resultados específicos com base nos rótulos fornecidos;

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 248

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

(b) Correto. O aprendizado não-supervisionado é ideal em situações onde o objetivo é explorar os

dados para descobrir padrões ou estruturas subjacentes sem ter uma ideia prévia do que se está
procurando. Isso é útil para entender melhor os dados ou identificar agrupamentos naturais sem a
necessidade de rótulos pré-definidos;

(c) Errado. Classificar novos exemplos com base em rótulos conhecidos é uma tarefa típica do
aprendizado supervisionado, onde modelos são treinados com dados rotulados para prever a classe
ou categoria de novos dados;

(d) Errado. Para tarefas que requerem a previsão exata de valores contínuos, como em regressões,
o aprendizado supervisionado é frequentemente mais adequado, pois utiliza dados rotulados para
treinar o modelo a prever valores específicos;

(e) Errado. A necessidade de supervisão constante para ajustar os parâmetros do modelo não
caracteriza especificamente quando o aprendizado não-supervisionado seria preferível. De fato, o
aprendizado não-supervisionado procura reduzir a dependência de supervisão humana ao explorar
dados não rotulados.

Gabarito: Letra B

186. (PROF. DIEGO / INÉDITA – 2024) O aprendizado semi-supervisionado requer

exclusivamente dados rotulados para treinamento.

Comentários:

O aprendizado semi-supervisionado combina o uso de uma pequena quantidade de dados

rotulados com uma grande quantidade de dados não rotulados para treinamento, aproveitando as
vantagens de ambos os tipos de dados.

Gabarito: Errado

187. (PROF. DIEGO / INÉDITA – 2024) No aprendizado por reforço, ações que levam a resultados
positivos são recompensadas para encorajar a repetição dessas ações.

Comentários:

O aprendizado por reforço se baseia no princípio de reforçar ações consideradas positivas através
de recompensas, incentivando o sistema a repetir essas ações para otimizar os resultados.

Gabarito: Correto

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 249

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

188. (PROF. DIEGO / INÉDITA – 2024) Algoritmos de aprendizado semi-supervisionado não

podem ser aplicados para tarefas de classificação ou regressão.

Comentários:

O aprendizado semi-supervisionado pode ser aplicado a diversas tarefas, incluindo agrupamento,

regras de associação, classificação e regressão, aproveitando tanto dados rotulados quanto não
rotulados.

Gabarito: Errado

189. (PROF. DIEGO / INÉDITA – 2024) Qual é o principal benefício do aprendizado semi-
supervisionado em comparação com o aprendizado supervisionado?

a) Elimina a necessidade de dados rotulados.

b) Requer uma grande equipe de especialistas para rotular os dados.
c) Permite o uso de dados não rotulados, que são mais fáceis e baratos de obter.
d) Oferece resultados significativamente inferiores devido à falta de rótulos.
e) É mais simples e menos custoso de implementar em todos os cenários.

Comentários:

(a) Errado. O aprendizado semi-supervisionado não elimina completamente a necessidade de

dados rotulados; ele utiliza uma combinação de dados rotulados e não rotulados;

(b) Errado. Um dos benefícios do aprendizado semi-supervisionado é justamente reduzir a

necessidade de uma grande equipe de especialistas para rotular os dados, uma vez que ele pode
utilizar uma quantidade significativa de dados não rotulados;

(c) Correto. O principal benefício do aprendizado semi-supervisionado é que ele permite o uso de
grandes quantidades de dados não rotulados, além de um pequeno conjunto de dados rotulados.
Os dados não rotulados são geralmente mais fáceis e baratos de obter, o que pode ser
particularmente útil em cenários onde a rotulação manual é cara ou inviável;

(d) Errado. Embora o aprendizado semi-supervisionado possa enfrentar desafios devido à menor
quantidade de dados rotulados disponíveis, ele não oferece necessariamente resultados
significativamente inferiores; em muitos casos, pode aproximar ou até mesmo superar o
desempenho do aprendizado totalmente supervisionado, aproveitando grandes volumes de dados
não rotulados;

(e) Errado. A implementação do aprendizado semi-supervisionado pode ser mais complexa do que
o aprendizado totalmente supervisionado ou não-supervisionado, pois envolve a integração de
abordagens para lidar tanto com dados rotulados quanto não rotulados. Não é necessariamente
mais simples ou menos custoso em todos os cenários.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 250

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Gabarito: Letra C

190. (PROF. DIEGO / INÉDITA – 2024) O que caracteriza o aprendizado por reforço?

a) A dependência de dados rotulados para todas as ações.

b) A ausência de qualquer tipo de recompensa ou punição durante o treinamento.
c) O uso de tentativa e erro para descobrir ações ótimas.
d) A necessidade de supervisão constante por parte de um humano.
e) A aplicação exclusiva em tarefas de classificação.

Comentários:

(a) Errado. O aprendizado por reforço não depende de dados rotulados para as ações. Ele aprende
a partir das recompensas (ou punições) recebidas como resultado de suas ações no ambiente;

(b) Errado. Uma característica central do aprendizado por reforço é justamente a presença de
recompensas ou punições (também conhecidas como feedback positivo ou negativo), que guiam o
aprendizado do modelo para aperfeiçoar suas ações;

(c) Correto. O aprendizado por reforço é caracterizado pelo uso de tentativa e erro para descobrir
ações que maximizam a recompensa total. O modelo aprende a tomar decisões ajustando suas
ações com base no feedback (recompensa/punição) recebido do ambiente;

(d) Errado. Apesar de poder ser complementado por orientações humanas em alguns cenários, o
aprendizado por reforço não requer supervisão constante por parte de um humano. O aprendizado
ocorre de forma autônoma à medida que o modelo interage com o ambiente;

(e) Errado. O aprendizado por reforço é aplicável a uma ampla gama de tarefas, muito além da
classificação. Isso inclui controle de robôs, jogos, otimização de processos, entre outros.

Gabarito: Letra C

191. (PROF. DIEGO / INÉDITA – 2024) Redes Neurais Artificiais necessitam obrigatoriamente de
estruturas e funções idênticas às dos neurônios biológicos para funcionar.

Comentários:

As Redes Neurais Artificiais são inspiradas na arquitetura do cérebro humano, mas não precisam
replicar exatamente as estruturas e funções dos neurônios biológicos para funcionar.

Gabarito: Errado

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 251

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

192. (PROF. DIEGO / INÉDITA – 2024) As Redes Neurais Artificiais são incapazes de realizar
tarefas de reconhecimento de voz.

Comentários:

As Redes Neurais Artificiais são amplamente utilizadas em tarefas complexas, incluindo o

reconhecimento de voz.

Gabarito: Errado

193. (PROF. DIEGO / INÉDITA – 2024) Deep Learning refere-se especificamente a redes neurais
que contêm apenas uma camada oculta.

Comentários:

Deep Learning se refere a redes neurais com várias camadas ocultas, não apenas uma.

Gabarito: Errado

194. (PROF. DIEGO / INÉDITA – 2024) A capacidade de uma rede neural de processar
informações complexas deriva da interação de um grande número de neurônios simples.

Comentários:

A complexidade das tarefas que as redes neurais podem realizar é resultado da interação entre
numerosos neurônios simples, cada um contribuindo para o processamento da informação.

Gabarito: Correto

195. (PROF. DIEGO / INÉDITA – 2024) Qual das seguintes afirmações melhor descreve a função
de um neurônio artificial?

a) Processar exclusivamente sinais elétricos de alta tensão.

b) Simular o comportamento de um neurônio biológico por meio de operações matemáticas
simples.
c) Realizar cálculos avançados de física quântica.
d) Operar sem entrada, baseando-se unicamente em sua programação inicial.
e) Funcionar independentemente, sem necessidade de conexão com outros neurônios
artificiais.

Comentários:

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 252

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

(a) Errado. Neurônios artificiais não processam sinais elétricos de alta tensão; eles operam com base
em dados e sinais representados numericamente dentro de sistemas de computação;

(b) Correto. Um neurônio artificial simula o comportamento de um neurônio biológico através de

operações matemáticas simples, como a soma ponderada de suas entradas seguida pela aplicação
de uma função de ativação

(c) Errado. Neurônios artificiais não são projetados para realizar cálculos específicos de física
quântica; eles são utilizados principalmente em contextos de processamento de dados e
aprendizado de máquina

(d) Errado. Neurônios artificiais requerem entradas para operar; eles não funcionam sem receber
dados de entrada, os quais são processados para produzir uma saída;

(e) Errado. Embora um único neurônio artificial possa operar em uma tarefa simples, o poder da
computação neural reside na interconexão de múltiplos neurônios artificiais, formando uma rede
neural, para resolver problemas complexos.

Gabarito: Letra B

196. (PROF. DIEGO / INÉDITA – 2024) O que caracteriza o Deep Learning dentro do contexto das
Redes Neurais Artificiais?

a) A ausência de camadas ocultas.

b) A presença de uma única camada oculta de alto desempenho.
c) A utilização de múltiplas camadas ocultas para processar informações.
d) O uso exclusivo para tarefas de baixa complexidade.
e) A incapacidade de ajustar seus próprios parâmetros durante o treinamento.

Comentários:

(a) Errado. O Deep Learning é caracterizado justamente pela presença, e não pela ausência, de
múltiplas camadas ocultas;

(b) Errado. Embora as redes neurais possam ter uma única camada oculta, o Deep Learning
especificamente se refere à utilização de várias camadas ocultas para processar informações de
maneira mais complexa;

(c) Correto. O Deep Learning, uma subárea do aprendizado de máquina, é caracterizado pela
utilização de redes neurais artificiais com múltiplas camadas ocultas. Essas camadas adicionais
permitem que a rede aprenda representações de dados com níveis crescentes de abstração e
complexidade, melhorando sua capacidade de reconhecimento de padrões complexos;

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 253

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

(d) Errado. Pelo contrário, o Deep Learning é frequentemente usado para tarefas de alta
complexidade, como reconhecimento de fala, visão computacional e processamento de linguagem
natural, devido à sua capacidade de processar e aprender de grandes volumes de dados;

(e) Errado. Uma das capacidades fundamentais do Deep Learning é justamente a habilidade de
ajustar automaticamente seus próprios parâmetros (ou pesos) durante o processo de treinamento,
através de algoritmos como o backpropagation.

Gabarito: Letra C

197. (PROF. DIEGO / INÉDITA – 2024) O que é necessário para treinar uma Rede Neural Artificial?

a) Um conjunto de dados de exemplo sem nenhum tipo de erro ou ruído.

b) Uma única iteração de ajustes baseada em um conjunto de dados pequeno.
c) Dados de entrada, ajustes nos pesos das conexões e minimização do erro entre a saída
prevista e desejada.
d) Uma conexão direta com o cérebro humano para transferência de conhecimento.
e) Programação detalhada de cada possível resposta para todas as entradas.

Comentários:

(a) Errado. Embora dados de alta qualidade sejam importantes, é possível treinar redes neurais com
dados que contêm algum grau de erro ou ruído, desde que haja mecanismos adequados para lidar
com essas imperfeições

(b) Errado. O processo de treinamento de uma rede neural geralmente requer várias iterações de
ajustes (conhecidas como épocas no contexto de treinamento de redes neurais) sobre o conjunto
de dados para otimizar os pesos das conexões;

(c) Correto. Para treinar uma Rede Neural Artificial, são necessários dados de entrada para
alimentar a rede, ajustes nos pesos das conexões entre os neurônios para melhorar o desempenho
do modelo durante o treinamento e a minimização do erro entre a saída prevista pela rede e a saída
desejada ou real. Isso é frequentemente alcançado através de um processo iterativo que utiliza
técnicas como o gradiente descendente;

(d) Errado. Não é necessária uma conexão direta com o cérebro humano para transferir
conhecimento para uma Rede Neural Artificial. O aprendizado é realizado através de algoritmos
que ajustam os pesos da rede baseados nos dados de entrada e nos erros de saída;

(e) Errado. Uma das vantagens das Redes Neurais Artificiais é sua capacidade de aprender a mapear
entradas para saídas a partir dos dados, sem a necessidade de programação detalhada de cada
possível resposta para todas as entradas.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 254

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Gabarito: Letra C

198. (PROF. DIEGO / INÉDITA – 2024) Por que as Redes Neurais Artificiais são consideradas
poderosas ferramentas de aprendizado de máquina?

a) Porque requerem uma quantidade mínima de dados para treinamento.

b) Devido à sua capacidade de aprender e modelar relações complexas e não lineares nos dados.
c) Porque podem ser facilmente programadas sem necessidade de treinamento.
d) Devido à sua simplicidade e ao baixo custo computacional.
e) Porque funcionam exatamente como o cérebro humano, sem erros ou limitações.

Comentários:

(a) Errado. Na realidade, redes neurais frequentemente requerem grandes quantidades de dados
para treinamento, especialmente para tarefas complexas, para que possam aprender eficazmente
os padrões nos dados;

(b) Correto. Uma das principais razões pelas quais as Redes Neurais Artificiais são consideradas
ferramentas poderosas é sua capacidade de aprender e modelar relações complexas e não lineares
nos dados. Isso as torna adequadas para uma ampla gama de tarefas de aprendizado de máquina,
incluindo classificação, regressão e reconhecimento de padrões, mesmo quando as relações entre
as variáveis de entrada e saída são difíceis de modelar com técnicas tradicionais

(c) Errado. Redes neurais requerem um processo de treinamento, durante o qual os pesos das
conexões entre os neurônios são ajustados para minimizar o erro entre as previsões e as saídas reais.
Este processo é fundamental para que a rede aprenda a realizar suas tarefas;

(d) Errado. Embora as redes neurais tenham se tornado mais acessíveis com o avanço da tecnologia
de hardware, elas ainda podem ser complexas e exigir um custo computacional significativo,
especialmente para redes profundas em tarefas de grande escala;

(e) Errado. Apesar de inspiradas no cérebro humano, as redes neurais artificiais funcionam de
maneira bastante diferente e simplificada em comparação. Elas não replicam a complexidade
completa do cérebro humano e, como qualquer modelo de aprendizado de máquina, estão sujeitas
a erros e limitações.

Gabarito: Letra B

199. (PROF. DIEGO / INÉDITA – 2024) O Processamento de Linguagem Natural é um campo que
combina ciência da computação com linguística.

Comentários:

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 255

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

O PLN é um campo interdisciplinar que une ciência da computação, inteligência artificial e

linguística para fazer com que os computadores entendam, interpretem e manipulem a linguagem
humana.

Gabarito: Correto

200. (PROF. DIEGO / INÉDITA – 2024) A análise pragmática no Processamento de Linguagem

Natural exclui o contexto da análise linguística.

Comentários:

A análise pragmática justamente procura incorporar o contexto na análise linguística para gerar um
significado mais preciso e adequado.

Gabarito: Errado

201. (PROF. DIEGO / INÉDITA – 2024) O PLN torna possível para os computadores gerar texto
em linguagem natural.

Comentários:

Uma das capacidades do PLN é permitir que os computadores gerem texto em linguagem natural,
facilitando a comunicação com humanos.

Gabarito: Correto

202. (PROF. DIEGO / INÉDITA – 2024) Chatbots modernos são exclusivamente baseados em
regras pré-programadas para responder a usuários.

Comentários:

Enquanto os primeiros chatbots dependiam fortemente de regras pré-programadas, chatbots

modernos frequentemente utilizam técnicas de machine learning para aprender a partir de
interações e melhorar suas respostas.

Gabarito: Errado

203. (PROF. DIEGO / INÉDITA – 2024) A tokenização é uma tarefa que só ocorre no estágio de
pré-processamento no PLN.

Comentários:

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 256

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Embora a tokenização seja uma parte crucial do pré-processamento no PLN, o conceito pode ser
aplicado em diferentes contextos e estágios, dependendo da tarefa específica de processamento
de linguagem.

Gabarito: Errado

204. (PROF. DIEGO / INÉDITA – 2024) Qual dos seguintes melhor descreve o objetivo do
Processamento de Linguagem Natural?

a) Permitir que computadores executem cálculos matemáticos usando linguagem humana.

b) Habilitar computadores para jogar jogos complexos contra humanos.
c) Facilitar a compreensão, interpretação e geração de linguagem humana por computadores.
d) Ensinar computadores a programar em linguagens de alto nível sem intervenção humana.
e) Transformar qualquer texto em código de programação.

Comentários:

(a) Errado. Embora o processamento de linguagem natural (PLN) possa ser usado para interpretar
comandos matemáticos expressos em linguagem natural, esse não é seu objetivo principal;

(b) Errado. Jogar jogos complexos contra humanos, embora possa envolver aspectos de PLN,
especialmente em jogos que requerem compreensão de linguagem, não é o objetivo central do
PLN;

(c) Correto. O principal objetivo do processamento de linguagem natural é facilitar a compreensão,

interpretação e geração de linguagem humana por computadores. Isso inclui uma ampla gama de
tarefas, como tradução automática, análise de sentimentos, reconhecimento de fala, e geração de
texto, permitindo que os computadores processem e interajam com textos e falas humanas de
maneira significativa;

(d) Errado. Ensinar computadores a programar em linguagens de alto nível sem intervenção
humana pode ser uma aplicação futura do PLN combinado com outras tecnologias, mas não é o
objetivo principal do PLN;

(e) Errado. Transformar texto em código de programação é uma tarefa específica que pode ser
abordada pelo PLN, mas não representa seu objetivo geral, que é mais amplo e relacionado à
interação natural entre humanos e máquinas através da linguagem.

Gabarito: Letra C

205. (PROF. DIEGO / INÉDITA – 2024) Qual das seguintes etapas NÃO é parte do processo de
análise em Processamento de Linguagem Natural?

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 257

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

a) Análise Lexical
b) Análise de Malware
c) Análise Sintática
d) Análise Semântica
e) Análise Pragmática

Comentários:

(a) Errado. A análise lexical é uma etapa fundamental no Processamento de Linguagem Natural
(PLN), onde o texto é dividido em tokens ou palavras, facilitando a compreensão estrutural da
linguagem;

(b) Correto. A análise de malware não faz parte do processo de análise em PLN. Esta etapa está
relacionada à segurança da informação e ao estudo de softwares maliciosos, não tendo relação
direta com a compreensão ou análise da linguagem natural;

(c) Errado. A análise sintática é outra etapa crucial no PLN, que envolve a análise da estrutura
gramatical das frases, determinando como as palavras se organizam para formar frases e sentenças
coerentes;

(d) Errado. A análise semântica trata do significado das palavras e frases, buscando compreender a
interpretação possível das sentenças além de sua estrutura gramatical;

(e) Errado. A análise pragmática vai além da análise semântica, considerando o contexto e o uso da
linguagem em situações de comunicação reais, focando em como o contexto influencia o
significado.

Gabarito: Letra B

206. (PROF. DIEGO / INÉDITA – 2024) O que é tokenização no contexto do Processamento de

Linguagem Natural?

a) A conversão de texto em sua representação binária.

b) A divisão de um texto em unidades menores, como palavras ou frases.
c) A criptografia de texto para garantir a segurança da informação.
d) A tradução automática de um idioma para outro.
e) A detecção de erros ortográficos no texto.

Comentários:

(a) Errado. Converter texto em representação binária é uma operação de codificação, não
diretamente relacionada ao processamento da linguagem em si, mas sim ao armazenamento ou
transmissão de dados;

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 258

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

(b) Correto. A tokenização é o processo de dividir um texto em unidades menores, chamadas

tokens, que podem ser palavras, frases ou qualquer outro conjunto significativo de caracteres. Esse
processo é fundamental para preparar os dados para etapas subsequentes de análise em
Processamento de Linguagem Natural

(c) Errado. A criptografia de texto é um processo utilizado para garantir a segurança da informação,
transformando o texto claro em um formato ininteligível sem uma chave de descriptografia. Isso
não está diretamente relacionado ao processamento da linguagem natural;

(d) Errado. A tradução automática é uma aplicação específica do Processamento de Linguagem

Natural, que envolve a tradução de texto ou fala de um idioma para outro. Embora a tokenização
possa ser uma etapa neste processo, ela não é sinônimo de tradução automática;

(e) Errado. A detecção de erros ortográficos é outra aplicação do Processamento de Linguagem

Natural focada em identificar e corrigir erros de escrita no texto. Embora possa envolver
tokenização como uma etapa preliminar, a tokenização por si só não envolve a detecção de erros.

Gabarito: Letra B

207. (PROF. DIEGO / INÉDITA – 2024) Qual é a função da análise semântica no Processamento
de Linguagem Natural?

a) Verificar a corretude gramatical das sentenças.

b) Identificar e corrigir erros de ortografia no texto.
c) Entender o significado das sentenças.
d) Estruturar o texto em um formato de dados específico.
e) Otimizar o texto para motores de busca.

Comentários:

(a) Errado. A verificação da corretude gramatical das sentenças é mais relacionada à análise
sintática, que examina como as palavras se combinam para formar frases e sentenças
estruturalmente válidas;

(b) Errado. A identificação e correção de erros de ortografia é uma tarefa de correção ortográfica,
não diretamente relacionada à análise semântica;

(c) Correto. A função da análise semântica no Processamento de Linguagem Natural é entender o

significado das sentenças. Isso envolve interpretar o significado das palavras no contexto das
sentenças e como esses significados se combinam para formar o significado global da sentença ou
texto;

(d) Errado. Estruturar o texto em um formato de dados específico é mais relacionado a tarefas de
formatação e organização de dados do que à análise semântica propriamente dita;

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 259

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

(e) Errado. Otimizar o texto para motores de busca é uma tarefa de SEO (Search Engine
Optimization), que, embora possa utilizar técnicas de PLN, não é o foco principal da análise
semântica.

Gabarito: Letra C

208. (PROF. DIEGO / INÉDITA – 2024) Qual das seguintes afirmações é VERDADEIRA sobre o
uso de Machine Learning em PLN?

a) Torna desnecessário o uso de grandes quantidades de dados para treinamento.

b) Permite que os computadores entendam a linguagem humana sem qualquer treinamento
prévio.
c) Elimina a necessidade de análise semântica e pragmática.
d) Restringe o PLN a tarefas simples de processamento de texto.
e) Capacita os chatbots a aprenderem a partir de interações e melhorarem suas respostas.

Comentários:

A (a) Errado. O uso de Machine Learning em PLN geralmente requer grandes quantidades de dados
para treinamento, a fim de que os modelos possam aprender eficazmente as complexidades da
linguagem humana.

(b) Errado. Ainda que o Machine Learning possibilite que os computadores processem e entendam
a linguagem humana, isso requer treinamento prévio com grandes conjuntos de dados para ensinar
aos modelos as nuances da linguagem.

(c) Errado. O Machine Learning não elimina a necessidade de análise semântica e pragmática; pelo
contrário, esses aspectos da linguagem são fundamentais para o desenvolvimento de sistemas de
PLN avançados. O Machine Learning pode ser utilizado para melhorar a capacidade de análise
semântica e pragmática dos modelos.

(d) Errado. O Machine Learning, especialmente com o advento do Deep Learning, tem expandido
a capacidade do PLN para além de tarefas simples de processamento de texto, permitindo
abordagens sofisticadas para tradução automática, sumarização de texto, geração de linguagem,
e muito mais.

(e) Correto. Uma das aplicações significativas do Machine Learning em PLN é na capacitação de
chatbots, permitindo-lhes aprender com interações passadas e melhorar suas respostas ao longo
do tempo. Isso é alcançado através do treinamento dos modelos com dados de conversação, que
lhes permite entender e gerar respostas mais naturais e relevantes.

Gabarito: Letra E

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 260

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

209. (PROF. DIEGO / INÉDITA – 2024) O aprendizado profundo (Deep Learning) não tem
aplicação no campo do Processamento de Linguagem Natural (PLN).

Comentários:

O aprendizado profundo é uma ferramenta crucial no PLN, permitindo avanços significativos em

tarefas como tradução automática, reconhecimento de fala e geração de texto.

Gabarito: Errado

210. (PROF. DIEGO / INÉDITA – 2024) Um desafio do Processamento de Linguagem Natural é a

capacidade de um sistema entender o contexto em que uma palavra é usada.

Comentários:

Entender o contexto em que uma palavra é usada, dado que muitas palavras podem ter múltiplos
significados, é um dos desafios fundamentais do PLN.

Gabarito: Correto

211. (PROF. DIEGO / INÉDITA – 2024) As regras gramaticais e de estrutura de frases são
irrelevantes para o processamento de linguagem natural.

Comentários:

As regras gramaticais e de estrutura de frases são componentes essenciais do PLN, ajudando a

determinar o significado e a intenção por trás do texto.

Gabarito: Errado

212. (PROF. DIEGO / INÉDITA – 2024) Chatbots modernos são capazes de aprender e melhorar
suas respostas apenas através de programação direta e não por meio de interações.

Comentários:

Chatbots modernos, especialmente aqueles baseados em técnicas de machine learning, aprendem

e melhoram suas respostas ao longo do tempo através de interações e não apenas por meio de
programação direta.

Gabarito: Errado

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 261

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

213. (PROF. DIEGO / INÉDITA – 2024) A tokenização é o processo de transformar som falado em
texto escrito.

Comentários:

A tokenização refere-se à divisão de texto em unidades menores, como palavras ou frases, e não ao
processo de conversão de som falado em texto.

Gabarito: Errado

214. (PROF. DIEGO / INÉDITA – 2024) No Processamento de Linguagem Natural, a análise

pragmática ajuda a entender como o uso de uma palavra pode mudar com base no contexto da
conversa.

Comentários:

A análise pragmática foca no uso e entendimento de linguagem no contexto, incluindo como o

significado das palavras pode mudar dependendo da situação ou do discurso.

Gabarito: Correto

215. (PROF. DIEGO / INÉDITA – 2024) A modelagem de conhecimento no PLN não contribui para
o desenvolvimento de sistemas capazes de responder perguntas.

Comentários:

A modelagem de conhecimento é fundamental para desenvolver sistemas que respondem a

perguntas, pois cria modelos semânticos que representam conhecimento específico necessário
para entender e responder a perguntas de maneira eficaz.

Gabarito: Errado

216. (PROF. DIEGO / INÉDITA – 2024) Análise semântica e análise gramatical são processos
idênticos no processamento de linguagem natural.

Comentários:

Enquanto a análise gramatical foca na estrutura das frases e seus componentes gramaticais, a
análise semântica busca compreender o significado das frases, considerando contexto e relações
entre palavras.

Gabarito: Errado

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 262

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

217. (PROF. DIEGO / INÉDITA – 2024) Identificação de idioma é uma aplicação do

Processamento de Linguagem Natural que facilita a tradução automática de textos.

Comentários:

A identificação do idioma de um texto é um passo essencial para facilitar a sua tradução automática,
permitindo ao sistema reconhecer o idioma fonte antes de aplicar o processo de tradução.

Gabarito: Correto

218. (PROF. DIEGO / INÉDITA – 2024) Análise de sentimentos pode ser aplicada para determinar
a opinião pública sobre tópicos políticos em redes sociais.

Comentários:

A análise de sentimentos é uma ferramenta útil para identificar tendências e opiniões em discussões
nas redes sociais, incluindo tópicos políticos.

Gabarito: Correto

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 263

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

LISTA DE QUESTÕES – CESPE

1. (CESPE / LNA – 2024) Atualmente, uma nova vertente na área de inteligência artificial (IA) tem
entusiasmado a comunidade científica e acadêmica e a sociedade em geral, conhecida como
modelos de difusão estável — SD (stable diffusion). Assinale a opção que apresenta uma tarefa
que não pode ser realizada com o uso de modelos do tipo SD.

a) pintura de imagem (image inpainting) guiada por texto

b) geração de linguagem
c) geração de imagens incondicionais
d) geração de imagens guiadas por texto
e) tradução de imagem para imagem guiada por texto.

2. (CESPE / ANTT – 2024) No modelo a seguir, que contém regras que incluem os itens A, B, C, D,
E, F, G e H, as regras 1 e 2 pertencem a um mesmo grupo de regras.

3. (CESPE / CTI – 2024) A utilização da lógica nebulosa é adequada quando há necessidade de uma
variável fazer parte da solução de um problema.

4. (CESPE / CTI – 2024) Na ciência de dados, as cadeias de Markov podem ser aplicadas a
ferramentas de previsão do clima e de espalhamento de doenças, por exemplo.

5. (CESPE / ANTT – 2024) A regressão logística é usada para fazer uma previsão sobre uma variável
categórica comparada a uma contínua; assim como a regressão linear, a regressão logística
também pode ser usada para estimar o relacionamento entre uma variável dependente e uma
ou mais variáveis independentes.

6. (CESPE / ANTT – 2024) Os sistemas de recomendação utilizam vários algoritmos, entre os quais
estão os embasados em conteúdo, cuja abordagem consiste em analisar as interações passadas
dos usuários com os produtos.

7. (CESPE / ANTT – 2024) A regressão linear é o método mais utilizado de análise preditiva; nela,
são usadas relações lineares entre uma variável dependente (destino) e uma ou mais variáveis
independentes (preditores) para prever o futuro do destino.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 264

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

8. (CESPE / LNA – 2024) Considere que, durante o processo de treinamento de um modelo de

aprendizagem de máquina, tenha ocorrido sobreajuste (overfitting) dos dados. Acerca dessa
situação hipotética, julgue os itens a seguir.

I Os dados utilizados durante o treinamento possuem grande quantidade de informações

irrelevantes.
II O modelo utilizado é de baixa complexidade e aprendeu o ruído nos dados de treinamento.
III A validação cruzada K-fold é um dos métodos que podem ser utilizados na detecção da
ocorrência de sobreajuste.

Assinale a opção correta.

a) Apenas o item I está certo.

b) Apenas o item II está certo.
c) Apenas os itens I e III estão certos.
d) Apenas os itens II e III estão certos.
e) Todos os itens estão certos.

9. (CESPE / MPO – 2024) Pode-se utilizar machine learning, capaz de reconhecer e reproduzir
padrões de inteligência artificial com base em experiência prévia, para um mecanismo de busca
na Internet que funcione de forma automatizada.

10. (CESPE / MPO – 2024) A redução de dimensionalidade acrescenta variáveis nos modelos de
inteligência artificial para torná-los mais específicos e objetivos.

11. (CESPE / CTI – 2024) O dispositivo computacional da inteligência artificial engloba, entre outros
elementos, a percepção, que é a capacidade de provocar mudanças no ambiente.

12. (CESPE / CTI – 2024) Os processos heurísticos buscam, primeiramente, estabelecer soluções
teóricas para, depois, avançar para uma única tentativa de solução.

13. (CESPE / CTI – 2024) Na inteligência artificial, a representação completa de determinado

assunto constitui uma ontologia.

14. (CESPE / CTI – 2024) A utilização de inteligência artificial conversacional possibilita o uso de
dispositivos IoT em ambiente doméstico.

15. (CESPE / CAU-BR – 2024) O denominado motor de inferência é o núcleo dos sistemas de IA que
oferece soluções possíveis para um problema apresentado.

16. (CESPE / CTI – 2024) A regressão é um tipo de aprendizado não supervisionado cujo objetivo é
entender a relação entre variáveis dependentes.

17. (CESPE / CTI – 2024) No aprendizado de máquinas, o aprendizado supervisionado compreende

um conjunto de dados de treinamento para ensinar modelos a mostrar a saída desejada.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 265

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

18. (CESPE / CTI – 2024) As tarefas de aprendizado de máquina podem ser divididas em três
grandes grupos: classificação, agrupamento e associação, devendo o primeiro grupo possuir
uma classe que se pretenda prever.

19. (CESPE / CTI – 2024) Overfitting é um comportamento esperado e desejável de aprendizado de

máquina, uma vez que descreve assertividade e acurácia altas quando o modelo de aprendizado
de máquina fornece previsões precisas para novos dados com base nos dados de treinamento.

20. (CESPE / CTI – 2024) Ocorre sobreajuste quando o modelo não pode determinar uma relação
significativa entre os dados de entrada e saída, ou seja, quando o modelo não é treinado pelo
período apropriado em relação à quantidade de dados.

21. (CESPE / CTI – 2024) Em aprendizado de máquina, um modelo de bom desempenho com dados
já treinados, mas que não lide muito bem com novos dados é denominado subajuste, ou seja,
no subajuste se aprende com base no ruído dos dados.

22. (CESPE / CTI – 2024) No contexto do aprendizado de máquina, um algoritmo é definido como a
especificação de uma relação probabilística existente entre variáveis diferentes.

23. (CESPE / CAU-BR – 2024) Em machine learning, os sistemas podem usar aprendizado do tipo
supervisionado, não supervisionado, autônomo ou gerenciado.

24. (CESPE / CTI – 2024) As aplicações de IoT utilizam algoritmos de aprendizado de máquina para
analisar grandes quantidades de dados de sensores conectados em nuvem.

25. (CESPE / CTI – 2024) Na inteligência artificial, o agente inteligente deve ser capaz de ter
autonomia, isto é, deve ter a capacidade de acumular conhecimento que seja útil em suas ações.

26. (CESPE / CTI – 2024) A capacidade de classificação é uma tarefa importante no aprendizado de
máquina, por ser utilizada no estabelecimento de padrões.

27. (CESPE / ANTT – 2024) Ocorre sobreajuste quando um modelo de dados é incapaz de capturar
o relacionamento entre as variáveis de entrada e saída com precisão, o que gera uma alta taxa
de erro tanto no conjunto de treinamento quanto nos dados não exibidos.

28. (CESPE / ANTT – 2024) No aprendizado supervisionado, os algoritmos de Naive Bayes e o de

máquinas de vetores de suporte são utilizados tanto na classificação quanto na regressão.

29. (CESPE / ANTT – 2024) Modelos de aprendizado não supervisionado são utilizados em três
tarefas principais, entre as quais está a redução de dimensionalidade, que é uma técnica usada
para se reduzir o número de entradas de dados a um tamanho gerenciável, não havendo, nesse
caso, preservação da integridade do conjunto de dados.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 266

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

30. (CESPE / LNA – 2024) O algoritmo de otimização Adam (Adaptive Moment Estimation) é um
dos mais utilizados atualmente na área de aprendizado de máquina. A respeito das
características e da utilização desse algoritmo, é correto afirmar que ele:

a) não utiliza taxa de aprendizado adaptativa.

b) converge facilmente para a solução ótima, em qualquer condição.
c) é ineficiente por requerer muita memória.
d) não é capaz de lidar com gradientes esparso
e) utiliza a média móvel quadrática dos gradientes para normalizá-los para atualização dos
pesos.

31. (CESPE / MPO – 2024) O aprendizado supervisionado é definido pelo uso de conjuntos de dados
rotulados para treinar algoritmos que classificam dados ou preveem resultados com precisão.

32. (CESPE / ANA – 2024) O aprendizado supervisionado utiliza a regressão para entender a relação
entre variáveis dependentes e independentes.

33. (CESPE / CTI – 2024) Aprendizado de máquina pode ser definido como a criação e o uso de
modelos que são aprendidos a partir dos dados.

34. (CESPE / CTI – 2024) Aprendizado de máquina e mineração de dados são termos idênticos em
relação aos seus objetivos e funções, pois ambos lidam com algoritmos de inteligência artificial
para padrões em grandes conjuntos de dados em busca de conhecimento.

35. (CESPE / CTI – 2024) O aprendizado de máquina computacional tem como objetivo aplicar
técnicas computacionais na tentativa de validar padrões em dados e ratificar padrões que
podem ser observados explicitamente nos dados.

36. (CESPE / CNPq – 2024) Deep learning é um algoritmo que simula o cérebro humano por meio
de algoritmos probabilísticos de aprendizado do comportamento em que uma população de
representações abstratas de solução é selecionada em busca de soluções melhores.

37. (CESPE / CAU-BR – 2024) O reconhecimento facial por imagens nas redes sociais é embasado
no aprendizado de máquina chamado deep learning, que simula a rede neural do cérebro
humano.

38. (CESPE / CAU-BR – 2024) Em uma rede neural artificial, o valor de entrada de cada neurônio é
calculado pelo produto matemático das saídas dos neurônios da camada inferior.

39. (CESPE / CTI – 2024) Os modelos de aprendizagem das redes neurais incluem o aprendizado
por memória e o aprendizado competitivo.

40. (CESPE / CTI – 2024) As redes neurais permitem construir modelos que sejam padronizados de
acordo com o funcionamento do cérebro humano.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 267

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

41. (CESPE / ANTT – 2024) Umas das principais diferenças entre o backpropagation e o SGD
(Stochastic Gradient Descent) é a forma como os pesos são atualizados, visto que o SGD utiliza
o gradiente calculado para todos os dados de treinamento, ao passo que o backpropagation usa
o gradiente calculado apenas para um mini-batch de dados de treinamento.

42. (CESPE / ANTT – 2024) As redes neurais artificiais são um subconjunto de machine learning,
estão no cerne dos algoritmos de deep learning e são compostas por camadas de um nó,
contendo uma camada de entrada, uma ou mais camadas ocultas e uma camada de saída.

43. (CESPE / ANTT – 2024) No treinamento, as redes neurais convolucionais recebem imagens e
aplicam filtros, que possibilitam a extração de características; após essa extração, a camada de
rede neural é utilizada para classificar a imagem.

44.(CESPE / ANTT – 2024) As redes neurais convolucionais distinguem-se das demais redes neurais
==3b91f9==

por seu desempenho superior, tendo suas entradas três tipos principais de camadas:
convolucional, de agrupamento e totalmente conectada.

45. (CESPE / MPO – 2024) A inteligência artificial generativa é capaz de criar novos conteúdos e
áudios.

46.(CESPE / MPO – 2024) A geração de imagens por meio de descrição de textos, sem a
necessidade de inserir outras figuras ou ilustrações, é um dos recursos da inteligência artificial
generativa.

47. (CESPE / LNA – 2024) As redes neurais artificiais (RNA) são técnicas computacionais que, a
partir de um modelo matemático inspirado na estrutura neural de seres inteligentes, adquirem
conhecimento por meio da experiência. Em relação às RNA, assinale a opção correta:

a) No processo de aprendizado das RNA, pode ser utilizado o paradigma de aprendizado por
reforço.

b) O algoritmo de backpropagation é empregado nas RNA no processo de redução do espaço

de variáveis de saída.

c) O modelo proposto por McCullock e Pitts na primeira metade do século XX não faz uso de
uma função de ativação.

d) As RNA não possuem camada de saída.

e) Minsky e Papert analisaram matematicamente o perceptron e demostraram que redes de

uma camada são capazes de solucionar problemas que não sejam linearmente separáveis.

48.(CESPE / LNA – 2024) O modelo transformer tem revolucionado a área de inteligência artificial
(IA), permitindo uma mudança de paradigma em como a IA pode ser utilizada pela humanidade.
Recentemente, a comunidade científica considerou o modelo transformer, seja para textos ou

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 268

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

imagens, como um modelo de fundação (foundation model). Em relação ao modelo em

questão, assinale a opção correta:

a) Modelos transformers não são capazes de realizar reconhecimento de entidades nomeadas

em textos.

b) Modelos transformers não são capazes de realizar a tarefa de resposta a perguntas feitas por
texto.

c) O modelo transformer consiste em uma rede neural residual.

d) A principal característica do modelo transformer é a ausência da camada de atenção.

e) No processamento de linguagem natural, modelos transformers são utilizados para realizar

tarefas tipo sequence-to-sequence (seq2seq) em textos.

49.(CESPE / ANTT – 2024) As redes neurais de deep learning, ou redes neurais artificiais, tentam
imitar o cérebro humano por meio de uma combinação de entradas de dados, pesos e viés; esses
elementos trabalham juntos para reconhecer, classificar e descrever com precisão os objetos
dentro dos dados.

50. (CESPE / DATAPREV – 2023) De acordo com os conceitos de inteligência artificial, as máquinas
reativas têm a capacidade compreender os seres humanos, entendendo seus estados mentais.

51. (CESPE / DATAPREV – 2023) A inteligência artificial é um sistema com capacidade de ponderar,
aprender e agir para resolver um problema complexo.

52. (CESPE / SEFIN de Fortaleza-CE – 2023) A matriz de confusão permite avaliar o desempenho
de um modelo de classificação a partir da frequência de erros e acertos.

53. (CESPE / DATAPREV – 2023) A redução de dimensionalidade é uma técnica que reduz a
quantidade de atributos que descrevem um objeto, mantendo a integridade dos dados originais.

54. (CESPE / DATAPREV – 2023) A compressão de atributos é uma técnica de redução de

dimensionalidade na qual atributos irrelevantes ou redundantes são identificados e
desconsiderados.

55. (CESPE / DATAPREV – 2023) O PCA é um procedimento estatístico que converte um conjunto
de objetos com atributos possivelmente correlacionados em um conjunto de objetos com
atributos linearmente descorrelacionados.

56. (CESPE / TC-DF – 2023) O algoritmo Naive Bayes é utilizado para categorizar palavras com base
na frequência; um exemplo do uso desse algoritmo é a classificação de e-mails como spam.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 269

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

57. (CESPE / DATAPREV – 2023) O machine learning é um subconjunto da inteligência artificial, o

qual é utilizado para analisar, por meio de algoritmos, grandes volumes de dados e permite que
uma máquina ou um sistema aprenda e melhore com base na experiência.

58. (CESPE / DATAPREV – 2023) O aprendizado por reforço é um tipo de aprendizagem de máquina
que tem por objetivo prever o resultado de um atributo alvo exclusivamente por meio de reforço
no treinamento do modelo.

59. (CESPE / DATAPREV – 2023) A técnica de agrupamento é um tipo de aprendizado não

supervisionado em que o algoritmo identifica padrões em um conjunto de dados de entrada sem
ter recebido qualquer feedback prévio.

60.(CESPE / TC-DF – 2023) Uma das consequências da utilização da técnica de redução da

dimensionalidade é a complexidade da análise.

61. (CESPE / DATAPREV – 2023) Apesar das CNN serem redes neurais profundas, com várias
camadas ocultas, elas são dispensadas nos algoritmos de reconhecimento de imagens.

62. (CESPE / DATAPREV – 2023) Backpropagation propaga o erro da camada de saída para as
camadas intermediárias de uma rede neural a fim de que estas possam modificar seus pesos de
forma a minimizar o erro médio.

63. (CESPE / DATAPREV – 2023) As redes neurais têm a capacidade de adaptar seus pesos
sinápticos considerando as mudanças de padrão dos dados de entrada.

64.(CESPE / DATAPREV – 2023) Nas redes neurais completamente conectadas, todos os neurônios
de uma camada estão conectados aos neurônios da camada seguinte, no entanto, não é possível
que as saídas das camadas posteriores alimentem a entrada de camadas anteriores.

65. (CESPE / DATAPREV – 2023) As conexões entre as camadas de uma rede neural do tipo MLP
são de natureza feedfoward.

66. (CESPE / Petrobrás – 2022) A tabela abaixo apresenta parte de um conjunto de dados
referentes a uma variável categórica chamada opinião que possui quatro categorias de resposta:
muito satisfeito, satisfeito, insatisfeito e muito insatisfeito.

Com base nessas informações, julgue o próximo item.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 270

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Para lidar numericamente com os dados categóricos, uma codificação binária proporciona uma
conversão de cada categoria de resposta para uma sequência de dígitos binários, em que cada
dígito binário representa uma variável numérica que assume valores 0 ou 1. Na situação em tela,
uma possível codificação binária é exemplificada na tabela abaixo.

67. (CESPE / Petrobrás – 2022) Em um processo em que se utiliza a ciência de dados, o número de
variáveis necessárias para a realização da investigação de um fenômeno é direta e simplesmente
igual ao número de variáveis utilizadas para mensurar as respectivas características desejadas;
entretanto, é diferente o procedimento para determinar o número de variáveis explicativas,
cujos dados estejam em escalas qualitativas.

Considerando esse aspecto dos modelos de regressão, julgue o item a seguir.

Para evitar um erro de ponderação arbitrária, deve-se recorrer ao artifício de uso de variáveis
dummy, o que permitirá a estratificação da amostra da maneira que for definido um
determinado critério, evento ou atributo, para então serem inseridas no modelo em análise; isso
permitirá o estudo da relação entre o comportamento de determinada variável explicativa
qualitativa e o fenômeno em questão, representado pela variável dependente.

68. (CESPE / Petrobrás – 2022) As métricas de avaliação de desempenho de um modelo de

aprendizado de máquina, que é um componente integrante de qualquer projeto de ciência de
dados, destinam-se a estimar a precisão da generalização de um modelo sobre os dados futuros
(não vistos ou fora da amostra). Dentre as métricas mais conhecidas, estão a matriz de confusão,
precisão, recall, pontuação, especificidade e a curva de características operacionais do receptor
(ROC).

Acerca das características específicas dessas métricas, julgue o próximo item.

As curvas ROC a seguir mostram a taxa de especificidade (verdadeiros positivos) versus a taxa
de sensibilidade (falsos positivos) do modelo adotado; a linha tracejada é a linha de base da
métrica de avaliação e define uma adivinhação aleatória.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 271

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

69. (CESPE / Petrobrás – 2022) O algoritmo de backpropagation consiste das fases de

propagação e de retro propagação: na primeira, as entradas são passadas através da rede e as
previsões de saída são obtidas; na segunda, se calcula o termo de correção dos pesos e, por
conseguinte, a atualização dos pesos.

70. (CESPE / ANP – 2022) A ação de realizar agrupamento hierárquico tem como premissa básica
encontrar elementos em um conjunto de dados que impliquem a presença de outros elementos
na mesma transação, com um grau de certeza definido pelos índices de fator de suporte e o fator
de confiança, que pode ser realizado, por exemplo, por meio do algoritmo a priori.

71. (CESPE / ANP – 2022) O algoritmo random forest é um algoritmo de aprendizado de máquina
supervisionado em que se agrupam os resultados de várias árvores de decisão de cada nó para
se obter uma conclusão própria e aumentar a precisão do modelo, não sendo o referido
algoritmo adequado para grandes conjuntos de dados.

72. (CESPE / ANP – 2022) A técnica de redução de dimensionalidade (PCA) permite transformar
dados que inicialmente pertencem a um espaço de dimensão n em um espaço de dimensão m,
em que m < n, sendo utilizada, por exemplo, para reduzir a dimensionalidade de certo conjunto
de dados através do descarte de características não úteis e que ainda permita realizar o
reconhecimento de padrões.

73. (CESPE / ANP – 2022) As aplicações em inteligência artificial são definidas como uma subárea
da área de aprendizagem de máquina (machine learning).

74. (CESPE / ANP – 2022) Em se tratando de modelos de regressão linear, indica-se a utilização dos
seguintes métodos não paramétricos para a estimação dos resultados: Mínimos Quadrados
(MQ) e de Support Vector Machines (SVM).

75. (CESPE / ANP – 2022) Considerando-se, nos gráficos a seguir, que o resultado #2 corresponda
ao melhor desempenho do algoritmo, é correto afirmar que o resultado #1 indica que houve
underfitting.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 272

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

76. (CESPE / SERPRO – 2021) Em cada iteração na estimação do parâmetro β, o método do

gradiente descendente requer n observações da base de treinamento, ao passo que o método
do gradiente descendente estocástico utiliza uma observação selecionada aleatoriamente
dessa base de treinamento.

77. (CESPE / SERPRO – 2021) Entre as condições ideais relativas à função objetivo g(β) para a
aplicação do método do gradiente descendente incluem-se convexidade, continuidade e
diferenciabilidade.

78. (CESPE / SERPRO – 2021) O método do gradiente descendente é equivalente ao método de

Newton-Raphson, no qual o incremento, para a estimação do parâmetro β, depende da primeira
e da segunda derivada da função objetivo g(β).

79. (CESPE / SERPRO – 2021) O gradiente descendente em lote é um método probabilístico de

otimização no qual, para cada iteração, encontram-se L × n observações geradas mediante
amostragem (com reposição) da base de dados de treinamento (em que L representa o número
de lotes, com L > 1).

80.(CESPE / SEFAZ-AL - 2021) A regressão logística é um modelo de regressão no qual a relação

entre as variáveis independentes e a variável dependente é representada por uma função
degrau, a qual, por sua vez, pode ser representada por uma spline.

81. (CESPE / SEFAZ-CE – 2021) Cada unidade de uma rede neural artificial possui um valor e um
peso, no seu nível mais básico, para indicar sua importância relativa.

82. (CESPE / SEFAZ-CE – 2021) Redes neurais do tipo LSTM (long short-term memory) mantêm o
nível de precisão independentemente do tamanho do modelo utilizado.

83. (CESPE / TJ-AM – 2019) A técnica machine learning pode ser utilizada para apoiar um processo
de data mining.

84.(CESPE / TCE-MG – 2018) Em machine learning, a categoria de aprendizagem por reforço

identifica as tarefas em que:

a) um software interage com um ambiente dinâmico, como, por exemplo, veículos autônomos.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 273

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

b) as etiquetas de classificação não sejam fornecidas ao algoritmo, de modo a deixá-lo livre para
entender as entradas recebidas.
c) o aprendizado pode ser um objetivo em si mesmo ou um meio para se atingir um fim.
d) o objetivo seja aprender um conjunto de regras generalistas para converter as entradas em
saídas predefinidas.
e) são apresentados ao computador exemplos de entradas e saídas desejadas, fornecidas por
um orientador.

85. (CESPE / TRE/PE – 2017 – Item A) Em uma curva ROC, o ponto que aperfeiçoa a sensibilidade
em função da especificidade é aquele que se encontra mais próximo do canto superior esquerdo
do gráfico.

86. (CESPE / INPI – 2013) Em um banco de dados, foram armazenadas informações relativas a
diversas pesquisas realizadas por pesquisadores de institutos renomados. Entre as variáveis
constantes desse banco destacam-se: nome, gênero e titulação do pesquisador; valor
financiado da pesquisa; instituto ao qual o pesquisador pertence; número de componentes da
equipe; e número de artigos publicados pelo pesquisador.

Com base nessas informações, julgue os itens a seguir.

Se, na análise de componentes principais, fossem utilizadas 5 variáveis quantitativas, então, a

técnica geraria, no máximo, 3 componentes, se essas correspondessem a, pelo menos, 95% da
variância explicada.

87. (CESPE / MPE-PI – 2012) Em datamining, o uso de holdout induz o modelo de classificação a
partir do conjunto de treinamento, e seu desempenho é avaliado no conjunto de teste. Quanto
menor o conjunto de treinamento, maior a variância do modelo; no entanto, se o conjunto de
treinamento for grande demais, a precisão estimada calculada a partir do conjunto menor é
menos confiável.

88. (CESPE / CORREIOS – 2011) Para criar um ranking das universidades brasileiras, um
pesquisador dispõe das seguintes variáveis: X1 = número de professores doutores; X2 =
quantidade de pesquisas publicadas em periódicos nacionais; X3 = quantidade de pesquisas
publicadas em periódicos internacionais; X4 = área total do campus; X5 = quantidade de cursos
de pós-graduação.

Considerando essas informações e os conceitos de análise multivariada, julgue os itens

seguintes.

Se o pesquisador utilizar a técnica de análise de componentes principais, serão geradas 5

componentes.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 274

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

89. (CESPE / EMBRAPA – 2006) Em modelos de classificação, ocorre overfitting quando o

número de erros cometidos no grupo de dados usado para treinar (ajustar) o modelo é muito
pequeno e o número de erros de generalização é grande.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 275

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

LISTA DE QUESTÕES – FCC

90.(FCC / TRT-RS – 2022) O Gráfico ROC de uma Análise ROC:

I. é bidimensional, onde o eixos Y e X do gráfico representam as medidas TVP (Taxa de

Verdadeiros Positivos) e TFP (Taxa de Falsos Positivos), respectivamente.

II. tem sete regiões importantes que representam: Céu ROC, Inferno ROC, Quase Nunca
Positivo, Quase Sempre Positivo, Quase Nunca Negativo, Quase Sempre Negativo e Variáveis
Fora da Curva.

III. tem uma linha diagonal que representa Classificadores Aleatórios.

Está correto o que se afirma APENAS em:

a) I.
b) I e II.
c) I e III.
d) II e III.
e) III.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 276

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

LISTA DE QUESTÕES – FGV

91. (FGV / Prefeitura São José dos Campos-SP– 2024) A Visão Computacional (CV) é um
subdomínio da inteligência artificial (IA) que treina o sistema para identificar e interpretar o
mundo visual. CV envolve várias tarefas importantes, como modelagem de cena tridimensional,
geometria de câmera multimodelo, correspondência estéreo baseada em movimento,
processamento de nuvem de pontos, estimativa de movimento e muito mais.

Avalie se as três etapas básicas envolvidas nesse processo são as seguintes:

I. Aquisição da imagem.
II. Processamento da imagem.
III. Segmentação da imagem.

Está correto o que se apresenta em:

a) I e III, apenas.
b) II e III, apenas.
c) I e II, apenas.
d) I, apenas.
e) I, II e III.

92. (FGV / CGM-BH – 2024) Relacione os termos de Inteligência Artificial (IA) às suas respectivas
definições.

1. IA fraca
2. IA forte
3. IA generativa
4. Teste de Turing

( ) É capaz de resolver uma única tarefa, pode automatizar tarefas demoradas e analisar dadosde
maneiras que os humanos às vezes não podem.
( ) É uma categoria de algoritmos de IA que gera novos resultados com base nos dados em que
foram treinados.
( ) É capaz de resolver uma gama extensa e arbitrária de tarefas, incluindo aquelas que são novas,
e executá-las com eficácia comparável à de um ser humano.
( ) É uma medida de inteligência de uma máquina, onde se a máquina pode se passar por um
humano em uma conversa de texto, ela passa no teste.

Assinale a opção que indica a relação correta, segundo a ordem apresentada.

a) 1 – 3 – 2 – 4.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 277

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

b) 1 – 2 – 4 – 3.
c) 4 – 3 – 2 – 1.
d) 3 – 2 – 1 – 4.

93. (FGV / CGE-PB – 2024) O auditor de contas públicas João está desenvolvendo um modelo de
aprendizado de máquina para identificar transações financeiras suspeitas em uma auditoria de
contas. Após treinar o modelo, João observa que esse tem um desempenho excelente nos dados
de treinamento, mas apresenta um desempenho ruim nos dados de teste, com uma alta taxa de
erro. Nesse contexto, o problema observado por João, do modelo ajustar-se excessivamente
aos dados de treinamento, é denominado:

a) bias (viés);
b) overfitting;
c) underfitting;
d) oversampling;
e) undersampling.

94.(FGV / CGM-BH – 2024) Sobre o Aprendizado de Máquina, analise as afirmativas a seguir e

assinale (V) para a verdadeira e (F) para a falsa.

( ) Aprendizado supervisionado é um tipo de aprendizado de máquina em que o modelo é

treinado em um dataset rotulado.
( ) Aprendizado não supervisionado é um tipo de aprendizado de máquina em que o modelo é
treinado em um dataset não rotulado e a estrutura subjacente dos dados é descoberta pelo
algoritmo.
( ) Aprendizado por reforço é um tipo de aprendizado de máquina em que o modelo é treinado
para prever o resultado de uma variável dependente com base em variáveis independentes.

As afirmativas são, respectivamente,

a) V – V – V.
b) F – V – F.
c) V – F – F.
d) V – V – F.

95. (FGV / CGE-PB – 2024) O cientista de dados João deverá criar um modelo de aprendizado de
máquina com o objetivo de classificar transações de cartão de crédito como "fraudulentas" ou
"não fraudulentas". Dentre as métricas de avaliação da qualidade geral do modelo criado, João
deverá utilizar a que avalia o equilíbrio entre precisão e sensibilidade (recall):

a) acurácia;
b) F1-score;
c) especificidade;
d) índice Jaccard (J);

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 278

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

e) área sob a curva ROC (AUC-ROC).

96. (FGV / TCE-SP – 2023) No contexto da IA geracional, representada pelo ChatGPT e modelos
similares, surge um desafio crítico relacionado ao viés. Em relação ao significado do termo
“biased AI” (IA enviesada) na IA geracional, assinale a afirmativa correta:

a) Trata da incapacidade dos modelos de IA de aprender com exemplos de texto humano.

b) Refere-se à tendência de modelos de IA geracional em gerar respostas tendenciosas ou

discriminatórias com base em dados de treinamento enviesados.

c) Descreve a capacidade da IA geracional de entender e aplicar princípios éticos em suas

respostas.

d) Significa que a IA geracional não é capaz de reconhecer ou interpretar o contexto em que uma
pergunta é feita.

e) Refere-se à tendência da IA geracional de gerar respostas excessivamente longas e

detalhadas.

97. (FGV / Câmara dos Deputados – 2023) Joselito é um desenvolvedor especializado em

inteligência artificial e trabalha para uma renomada indústria. Recentemente, ele finalizou o
treinamento de um modelo de visão computacional, cujo objetivo é identificar se os
colaboradores estão utilizando capacetes enquanto circulam pelo chão de fábrica, visando a
assegurar o cumprimento das normas de segurança. Durante a apresentação do projeto para a
equipe de liderança, o modelo demonstrou alta acurácia na maioria das situações.

Entretanto, houve um padrão atípico de erro: o chefe de Joselito, que é calvo, foi
consistentemente identificado pelo modelo como estando de capacete, ainda que estivesse
sem capacete. Com base nessas informações, assinale a opção que indica a causa mais provável
do comportamento anômalo observado no modelo de Joselito.

a) O modelo foi treinado com um conjunto de dados desbalanceado tendo muito mais exemplos
de pessoas usando capacetes do que sem.

b) O chefe de Joselito tem características faciais únicas que o modelo não conseguiu aprender
corretamente durante o treinamento.

c) O modelo está superajustado (overfitting), capturando detalhes muito específicos do

conjunto de treinamento que não generalizam bem para dados não vistos.

d) O conjunto de dados de treinamento não tinha uma quantidade balanceada de pessoas calvas
sem utilizar o capacete, fazendo o modelo associar erroneamente a calvície com o uso de
capacete.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 279

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

e) A resolução da câmera utilizada durante a demonstração era significativamente inferior à

usada para coletar imagens do conjunto de dados de treinamento, levando o modelo a
interpretar incorretamente características faciais.

98. (FGV / TCE-ES – 2023) João e Júlio fazem parte da equipe de Ciência de Dados do TCE/ES e
estão realizando um estudo para o desenvolvimento de um classificador binário (classes positiva
e negativa) usando Naive Bayes. Com o intuito de dividirem suas tarefas, João ficou responsável
por treinar o modelo de classificação, e Júlio, por avaliar o desempenho do modelo. Após o
treinamento do modelo, João aplicou-o ao conjunto de teste e enviou um e-mail a Júlio com a
matriz de confusão resultante. Dessa forma, Júlio poderá calcular:

a) a acurácia do modelo, mas não o seu recall;

b) o recall do modelo, mas não a sua precisão;
c) a precisão do modelo, mas não o seu F1-score;
d) o F1-score do modelo, mas não a sua AUC;
e) a AUC do modelo, mas não a sua acurácia.

99. (FGV / TCE-SP – 2023) João está trabalhando em um projeto de reconhecimento de animais
por imagens, em que o conjunto de dados possui um atributo como rótulo, o qual indica o nome
do animal retratado, como "cachorro", "gato", "pássaro" e "peixe". Para treinar o modelo de
reconhecimento de imagens de animais, a tarefa de aprendizado supervisionado que João
deverá utilizar é:

a) regressão;
b) associação;
c) classificação;
d) agrupamento;
e) redução de dimensionalidade.

100. (FGV / CGE-SC – 2023) Sobre as redes neurais convolucionais (CNNs) é correto afirmar que:

a) ao treinar CNNs utilizando transferência de aprendizado, começamos com um modelo pré-

treinado e executamos numa nova tarefa qualquer, sem precisar se preocupar com o formato e
o tipo de dados.

b) ao treinar CNNs utilizando transferência de aprendizado para ajuste fino, começamos com
um modelo pré-treinado e atualizamos todos os parâmetros do modelo para nossa nova tarefa,
basicamente retreinando todo o modelo.

c) uma rede neural convolucional pode ser utilizada para reconhecer os mais variados tipos de
dados. Por exemplo, textos, imagens e dados de clientes. Para isso, basta que os dados de
entrada sejam transformados por alguma técnica de extração de características em simples
vetores de características.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 280

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

d) as últimas camadas convolucionais de uma rede neural CNN são capazes de extrair
características mais baixo nível dos dados, como linhas, círculos e pontos, enquanto as primeiras
camadas extraem características mais alto nível, detalhes mais específicos dos objetos
reconhecidos.

e) as camadas de pooling das CNNS são capazes de extrair características de médio nível,
reconhecendo características que são mais detalhadas que as primeiras camadas
convolucionais.

101. (FGV / CGE-SC – 2023) Sobre modelos de otimização de redes neurais, assinale a afirmativa
incorreta.

a) O gradiente descendente é um algoritmo de otimização de redes neurais em que a derivada

da função de otimização leva a direção mais baixa do gráfico da função de custo.

b) A ideia da Regularização é adicionar um termo extra à função de custo. Intuitivamente, o

efeito da regularização é fazer com que a rede prefira aprender pesos pequenos, minimizando a
função de custo.

c) O momento acumula pesos anteriores para estabilizar a convergência da rede; o objetivo é

ajudar a desviar de mínimos locais e pode acelerar treinamento em regiões muito planas da
superfície de erro.

d) O algoritmo de otimização ADAM guarda, além dos valores dos pesos passados, o
decaimento exponencial da média de gradientes passados e possui o mesmo objetivo do
momento.

e) A regularização L1 transforma valores pequenos em zeros e, consequentemente, permite

reduzir o número de pesos, enquanto a regularização L2 procura manter todos os pesos
pequenos de forma que maximiza a função de custo.

102. (FGV / CGE-SC - 2023) Suponha que, dado um problema em que os dados são
bidimensionais e executamos o algoritmo PCA (Principal Component Analysis – Análise de
Componentes Principais) nesses dados para redução de dimensionalidade, o resultado do PCA
produza dois autovalores de valores iguais. A respeito desse resultado, assinale a afirmativa
correta.

a) As dimensões dos dados não são igualmente importantes; o uso do PCA para a redução de
dimensionalidade vai produzir um excelente resultado pois as dimensões possuem 100% da
informação.

b) As dimensões dos dados são igualmente importantes; o uso do PCA para a redução de
dimensionalidade vai produzir um resultado ruim, pois as dimensões são iguais.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 281

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

c) As dimensões dos dados são igualmente importantes; o uso do PCA para redução de
dimensionalidade vai produzir um resultado ruim, pois perdemos 100% da explicação dos dados.

d) As dimensões dos dados são igualmente importantes; o uso do PCA para redução de
dimensionalidade vai produzir um resultado ruim, pois perdemos 50% da explicação dos dados.

e) As dimensões dos dados não são igualmente importantes; o uso do PCA para redução de
dimensionalidade vai produzir um excelente resultado pois as dimensões possuem 50% da
informação.

103. (FGV / Receita Federal - 2023) Luiz, médico dermatologista, criou um modelo de IA para
auxiliar na detecção de câncer de pele com visão computacional. Como um modelo de
classificação binária, ele terá 4 possíveis saídas: verdadeiro positivo (paciente com câncer,
detectado corretamente), verdadeiro negativo (paciente sem câncer, detectado corretamente),
falso positivo (paciente sem câncer, detectado incorretamente) e falso negativo (paciente com
câncer, não detectado pelo modelo).

Levando em consideração que um modelo de IA seria utilizado como uma ferramenta de auxílio
ao diagnóstico de câncer de pele, os erros de “tipo 1” (falso positivo) seriam tolerados, já que
haveria uma análise posterior realizada por um médico especialista. No entanto, os erros “tipo
2” (falso negativo) seriam os mais críticos, uma vez que podem resultar em um diagnóstico
tardio ou falho, comprometendo a saúde do paciente.

Tomando o cenário como base, julgue os itens a seguir:

I. A métrica mais importante nesse caso seria a Sensibilidade (Recall ou Revocação);

II. A métrica mais importante nesse caso seria a Precisão (Precision);

III. Ao ajustar o modelo para minimizar erros de "tipo 2", geralmente os erros de "tipo 1" tendem
a aumentar;

IV. Luiz deveria submeter seu modelo a um treinamento mais longo, independentemente do
overfitting.

Estão corretas as afirmativas:

a) I e III, apenas.
b) II e III, apenas.
c) I e IV, apenas.
d) II e IV, apenas.
e) III e IV, apenas.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 282

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

104. (FGV / Receita Federal - 2023) Suponha que um modelo de classificação binária foi
treinado para distinguir e-mails de spam de e-mails legítimos. O modelo foi testado em um
conjunto de dados de teste com 200 e-mails, sendo 100 e-mails de spam e 100 e-mails legítimos.

A matriz de confusão é dada por 80 verdadeiros positivos, 85 verdadeiros negativos, 15 falsos

positivos (erro tipo 1) e 20 falsos negativos (erro tipo 2). Nessas condições, o F1-Score do modelo
deve ser aproximadamente igual a:

a) 0,74.
b) 0,78.
c) 0,82.
d) 0,86.
e) 0,90.

105. (FGV / Receita Federal - 2023) Com base nos princípios de Responsible AI (IA Responsável),
a seguinte característica não é considerada importante para o desenvolvimento de soluções de
inteligência artificial:

a) transparência.
b) privacidade.
c) explicabilidade.
d) segurança.
e) performance.

106. (FGV / Receita Federal – 2023) Responsible AI (IA Responsável) e Explainable AI (IA
Explicável) são conceitos importantes no desenvolvimento de sistemas de inteligência artificial.
A IA Explicável refere-se à capacidade de explicar como uma decisão foi tomada pelo modelo de
IA, permitindo que os usuários entendam o processo de tomada de decisão. Já a IA Responsável
envolve garantir que a IA seja desenvolvida e implementada de forma ética e legalmente
responsável.

Nesse contexto, sobre Responsible AI, assinale a afirmativa incorreta.

a) A Responsible AI envolve garantir que a IA seja desenvolvida e implementada de forma ética

e legalmente responsável.

b) A Responsible AI considera as implicações sociais e os potenciais efeitos negativos que o

sistema pode ter sobre as pessoas.

c) A Responsible AI é sinônimo de IA Explicável, pois ambas se referem à tomada de decisões

éticas e transparentes.

d) Uma IA pode ser responsável, mas ainda ser opaca e não explicável, tornando difícil para os
usuários entenderem como as decisões são tomadas.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 283

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

e) A Responsible AI leva em consideração o ciclo de vida da IA, desde a concepção até a

desativação, e sua responsabilidade ética em cada fase.

107. (FGV / SEFAZ-MG - 2023) Machine Learning é um subconjunto da Inteligência Artificial que
utiliza dados e algoritmos para imitar o raciocínio humano. Em relação aos algoritmos de
machine learning, assinale a afirmativa incorreta.

a) Algoritmo de regressão: prevê valores de saída usando recursos de entrada dos dados
fornecidos ao sistema. Os algoritmos mais populares são Linear Regression, Logistic Regression
Multivariate Adaptive Regression Splines (MARS) e Locally Estimated Scatter plot Smoothing
(LOESS).

b) Algoritmo de agrupamento: agrupamento de pontos de dados com base em recursos

semelhantes. Alguns algoritmos são KMeans, K-Medians e Hierárquical Clustering.

c) Algoritmo de regularização: é um processo de diminuir informações adicionais para evitar o

overfitting ou resolver um problema mal definido. Os algoritmos mais comuns são Least
Absolute Shrinkage and Selection Operator (LASSO), Least-Angle Regression (LARS) e Elastic Net
and Ridge Regression.

d) Algoritmos de redução de dimensionalidade: reduzem o número de características obtendo

um conjunto de variáveis principais. Alguns algoritmos são Principal Component Analysis (PCA)
e Principal Component Regression (PCR).

e) Algoritmos de regras de associação: é usado para descobrir a relação entre os pontos de

dados. Alguns algoritmos comuns são o algoritmo Apriori e o algoritmo Eclat.

108. (FGV / SEFAZ-MT – 2023) Maria treinou um classificador que distingue fotos de maças e
laranjas. Após testar o classificador com uma amostra de 160 fotos, obteve a matriz de confusão
a seguir.

Com base neste resultado, é correto afirmar que a acurácia deste classificador é

a) 0,075.
b) 0,325.
c) 0,675.
d) 0,925.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 284

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

e) 0,982.

109. (FGV/ TCU – 2022) Em um problema de classificação é entregue ao cientista de dados um

par de covariáveis, (x1, x2), para cada uma das quatro observações a seguir: (6,4), (2,8), (10,6) e
(5,2). A variável resposta observada nessa amostra foi “Sim”, “Não”, “Sim”, “Não”,
respectivamente.

A partição que apresenta o menor erro de classificação quando feita na raiz (primeiro nível) de
uma árvore de decisão é:

a) x1 > 2 (“Sim”) e x1 ≤ 2 (“Não”);

b) x1 > 5 (“Sim”) e x1 ≤ 5 (“Não”);
c) x2 > 3 (“Sim”) e x2 ≤ 3 (“Não”);
d) x2 > 6 (“Sim”) e x2 ≤ 6 (“Não”);
e) x1 > 1 (“Sim”) e x1 ≤ 1 (“Não”).

110. (FGV/ TCU – 2022) Durante o treinamento de uma rede neural artificial para classificação de
imagens, foi observado o comportamento descrito pelo gráfico abaixo, que mostra a evolução
do erro conforme o número de iterações.

O classificador em questão foi treinado em um conjunto de dados particionado (holdout) em

60%/30%/10% (treinamento/validação/teste). Entretanto, os especialistas envolvidos
consideraram o modelo obtido insatisfatório após analisarem o gráfico. Considerando essas
informações, duas técnicas que poderiam ser utilizadas para contornar o problema encontrado
são:

a) Parada precoce, Minimização de Entropia Cruzada;

b) Validação cruzada, Dropout;
c) Sobreamostragem, Gradiente Descendente Estocástico;
d) Dropout, Parada em convergência;

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 285

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

e) Minimização de Entropia Cruzada, Validação cruzada.

111. (FGV / SEFAZ-AM – 2022) Certo conjunto de dados contém 10000 observações, em que cada
observação possui 10 variáveis. A análise de componentes principais (PCA) sobre estes dados
apontou que a primeira componente principal é dada pelo vetor w. A esse respeito, assinale a
afirmativa correta.

a) A variância dos dados é a mesma nas direções dadas por w ou pelas demais componentes
principais.

b) A variância dos dados é a menor na direção de w e aumenta na direção das demais

componentes principais.

c) A variância ao longo da direção dada por w é igual a 1.

d) A variância ao longo da direção dada por w é menor do que 1.

e) A variância dos dados é máxima na direção dada por w.

112. (FGV / TRT-MA – 2022) Com relação aos conceitos de aprendizado de máquina, assinale V
para a afirmativa verdadeira e F para a falsa.

I. Os três principais paradigmas de aprendizado de máquina são os de aprendizado

supervisionado, não supervisionado e por inteligência profunda.
II. Os algoritmos de classificação e clusterização estão correlacionados com paradigma de
aprendizado supervisionado.
III. Os algoritmos de Support Vector Machines e Random Forest são paradigmas do aprendizado
de inteligência profunda.

As afirmativas são, respectivamente,

a) V, V e V.
b) V, V e F.
c) V, F e V.
d) F, V e V.
e) F, F e F.

113. (FGV / TJDFT – 2022) Após alguns resultados insatisfatórios usando funções de ativação
linear em um projeto de rede neural artificial, um cientista de dados resolve tentar outras
funções e recebe algumas sugestões de um colega.

Dadas as alternativas abaixo, cada uma representando uma sugestão de função recebida,
aquela que apresenta uma função apropriada ao uso como ativação em uma rede neural é:

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 286

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

a)

b)

c)

d)

e)

114. (FGV / TCU – 2022) Seja uma rede neural com camada de entrada com dimensão dois que
recebe dados (x1, x2). Essa rede aplica pesos w1 em x1, w2 em x2 e adiciona um viés w0. A função
de ativação é dada pela função sinal s(z) = +1, se z ≥ 0, e s(z) = -1, se z < 0. Essa rede não tem
nenhuma camada oculta e será utilizada para classificar observações em y=+1 ou y=-1.

Para pesos w1 = 2, w2 = 3 e viés w0 = 1, a região de classificação é uma reta que passa nos pontos:

a) (x1 = -1/2, x2 = 0) e (x1 = 0, x2 = -1/3) e classifica como -1 os pontos acima da reta;

b) (x1 = 1/2, x2 = 0) e (x1 = 0, x2 = 1/3) e classifica como +1 os pontos acima da reta;
c) (x1 = -1/2, x2 = 0) e (x1 = 0, x2 = -1/3) e classifica como +1 os pontos acima da reta;
d) (x1 = -1/2, x2 = 0) e (x1 = 0, x2 = 1/3) e classifica como +1 os pontos acima da reta;
e) (x1 = 1/2, x2 = 0) e (x1 = 0, x2 = -1/3) e classifica como -1 os pontos acima da reta.

115. (FGV / TJDFT – 2022) Durante o processo de treinamento e validação de uma rede neural,
foi observado o fenômeno de underfitting do modelo, necessitando de ajustes ao
procedimento. A arquitetura utilizada foi a Multilayer Perceptron (MLP) e o conjunto de dados
foi separado em regime de holdout (50%, 30% e 20% para treinamento, validação e teste,
respectivamente). Dois fatores que podem ter condicionado o fenômeno observado são:

São elas:

a) iterações insuficientes; amostragem dos dados;

b) excesso de parâmetros; excesso de iterações;
c) insuficiência de parâmetros; excesso de camadas;
d) excesso de iterações; entrada não normalizada;
e) insuficiência de camadas; saída normalizada.

116. (FGV / TJDFT – 2022) Considerando a seguinte matriz de confusão obtida de um

experimento de classificação:

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 287

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Os valores corretos das métricas de precisão e recall (revocação/sensibilidade), para a classe

rato, são, respectivamente:

a) 0,62 e 0,67;
b) 0,64 e 0,77;
c) 0,67 e 0,62;
d) 0,78 e 0,7;
e) 0,8 e 0,85.

117. (FGV / Prefeitura de Niterói – 2018) No contexto das redes neurais, é comum o uso da
função sigmoid no papel de função de ativação. Assinale a definição correta dessa função na
referida aplicação.

a)

b)

c)

d)

e)

118. (FGV / Prefeitura de Niterói – 2018) Analise a rede neural exibida a seguir.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 288

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Sobre essa rede, analise as afirmativas a seguir.

I. Não possui camadas intermediárias (hidden layers).

II. Admite três sinais de entrada (input units) além do intercept term.
III. É apropriada para aplicações de deep learning.

Está correto o que se afirma em:

a) I, apenas.
b) II, apenas.
c) III, apenas.
d) I e II, apenas.
e) I, II e III.

119. (FGV / Fiocruz – 2010) Assinale a alternativa que indique o problema mais apropriado para
aplicação da regressão logística.

a) Para obter o risco relativo de se desenvolver a diabetes tipo 2, em um período de 10 anos,

associado com o peso do indivíduo e outros fatores de risco.

b) Para descrever o tamanho esperado de crianças com menos de um ano, de acordo com sua
idade em meses.

c) Para predizer o tempo de sobrevivência de pacientes de câncer de pulmão, de acordo com

características clínicas do paciente.

d) Para descrever a distribuição de pesos de indivíduos do sexo feminino em uma certa

comunidade.

e) Para predizer o número de casos de uma doença em diferentes municípios de acordo com
algumas variáveis populacionais e epidemiológicas.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 289

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

LISTA DE QUESTÕES – DIVERSAS BANCAS

120. (CESGRANRIO / IPEA – 2024) Outliers são pontos ou observações em um conjunto de dados
que diferem significativamente da maioria dos demais outros pontos. Eles podem ser resultados
de variações na medição, erros de entrada de dados ou, ainda, podem indicar uma variação
genuína da fonte de coleta. Em preparação para análise de um conjunto de dados, o tratamento
de outliers:

a) é sempre necessário, independentemente do tamanho do conjunto de dados ou do objetivo

da análise.

b) é sempre uma tarefa simples que pode ser realizada por qualquer analista de dados, sem risco
de perder informações valiosas.

c) é sempre uma tarefa complexa que requer um conhecimento profundo de estatística e que
independe do conjunto de dados e do objetivo da análise.

d) deve ser realizado antes de realizar agregações, pois os outliers podem afetar os resultados
da análise que inclua uma agregação.

e) deve ser realizado após realizar agregações, pois os outliers podem obscurecer os resultados
da agregação.

121. (CESGRANRIO / IPEA – 2024) Algoritmos fuzzy matching em processamento de linguagem

natural são métodos que permitem encontrar correspondências aproximadas entre strings, ou
seja, sequências de caracteres, como palavras ou frases. Esses algoritmos são úteis para lidar
com situações, tais como erros de digitação, variações ortográficas, sinônimos, abreviações.
Eles também podem ser aplicados para comparar textos, extrair informações, classificar
sentimentos, entre outras finalidades. Existem diferentes tipos de algoritmos fuzzy matching,
como a Similaridade de Jaccard, que mede a proporção de elementos comuns entre dois
conjuntos de strings.

Qual das palavras a seguir apresenta o maior valor da similaridade de Jaccard, quando
comparada com a palavra “computador”?

a) amputar
b) amplificador
c) calcular
d) deputado
e) senador

122. (CESGRANRIO / IPEA – 2024) Admita que a área de desenvolvimento de softwares do Ipea
está confeccionando um aplicativo responsivo de Machine Learning (ML) usando o Bootstrap,

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 290

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

de modo a melhorar a apresentação das planilhas que mostram os vínculos de trabalho das
pessoas do setor público. Qual algoritmo de conjunto deve ser utilizado para incrementar a
estabilidade desse aplicativo de ML?

a) Protocol
b) Collection
c) Bootstrap Kurbenete
d) Bootstrap Initialization
e) Bootstrap Aggregating

123. (CESGRANRIO / IPEA – 2024) Em um projeto de ciência de dados para análise preditiva no
setor bancário, um cientista de dados precisa escolher tecnologias de aprendizado de máquina
adequadas para classificar clientes com base no risco de inadimplência. Considerando-se a
intenção de lidar com dados não linearmente separáveis por meio do uso de um kernel, qual é o
algoritmo mais adequado para essa tarefa?

a) Análise de Componentes Principais

b) Árvore de Decisão
c) K-Means
d) Máquina de Vetores de Suporte
e) Regressão Logística

124. (CESGRANRIO / IPEA – 2024) O aprendizado supervisionado envolve treinar um modelo em

um conjunto de dados rotulado, em que o algoritmo aprende a mapear características de
entrada para rótulos de saída correspondentes. Esse processo permite que o modelo faça
previsões sobre novos dados não vistos. Uma tarefa típica de aprendizado supervisionado é a
regressão. É um exemplo de tarefa de regressão em aprendizado de máquina a:

a) classificação de e-mails como spam ou não spam, com base em várias características, como
conteúdo, informações do remetente e estrutura do e-mail.

b) classificação de sentimento em positivo, negativo ou neutro a partir de um texto, como

avaliação de clientes, postagem em mídias sociais ou comentários.

c) detecção de atividades fraudulentas em transações financeiras, classificando-as como

legítimas ou suspeitas com base em padrões de transação e comportamento do usuário.

d) rotulação de um paciente como portador ou não de câncer, com base em características como
marcadores genéticos, histórico do paciente e resultados de testes diagnósticos.

e) estimativa do consumo futuro de energia para uma região ou setor específico, com base em
padrões de uso históricos, indicadores econômicos e fatores ambientais.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 291

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

125. (CESGRANRIO / IPEA – 2024) Um pesquisador iniciante em aprendizado de máquina

trabalhava com um modelo de classificação binário com as duas classes equilibradas.
Inicialmente, ele fez a avaliação de seu modelo, separando 20% dos dados disponíveis para a
avaliação, e o treinou com 80% dos dados, fazendo o processo apenas uma vez. Depois, a pedido
de seu chefe, ele trocou a forma de avaliação, separando o conjunto de dados em 10 partes e
escolhendo, em 10 rodadas, uma parte diferente para avaliação e as outras para treinamento.
Essas duas formas de avaliar um modelo são conhecidas, respectivamente, como

a) estratificação e hold-out
b) hold-out e k-fold
c) leave-one-out e estratificação
d) leave-one-out e k-fold
e) Monte Carlo e leave-p-out

126. (CESGRANRIO / IPEA – 2024) Na avaliação de um modelo criado por aprendizado de

máquina em um experimento que buscava identificar textos de opinião sobre o desempenho da
economia, separando-os dos que não forneciam opinião alguma, só fatos e dados, foi
encontrada a seguinte matriz de confusão:

Considerando-se que, nessa matriz, as linhas indicam a resposta correta e as colunas indicam a
previsão, a acurácia é de:

a) 8%
b) 44%
c) 48%
d) 88%
e) 92%

127. (CESGRANRIO / IPEA – 2024) No aprendizado não supervisionado, os dados de treinamento

não têm rótulos. O objetivo é agrupar instâncias semelhantes em clusters. Nesse contexto,
suponha que se deseja executar um algoritmo de agrupamento para tentar detectar grupos de
visitantes semelhantes em um blog. Em nenhum momento é informado ao algoritmo a que
grupo um visitante pertence, mas ele encontra essas conexões sem ajuda. Por exemplo, o
algoritmo pode notar que 40% dos visitantes são homens que adoram histórias em quadrinhos
e, geralmente, leem o blog à noite, enquanto 20% são jovens amantes de ficção científica que
visitam o blog durante os fins de semana, e assim por diante. Deseja-se, nesse caso, usar um
algoritmo de agrupamento hierárquico para subdividir cada grupo em grupos menores, o que
pode ajudar a direcionar as postagens do blog para cada grupo específico.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 292

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

Nesse cenário, qual é o algoritmo mais apropriado para fazer o agrupamento desejado?

a) Agglomerative Hierarchical Clustering

b) Principal Component Analysis (PCA)
c) Linear Regression Clustering
d) k-DBSCAN Clustering
e) L-Means Clustering.

128. (CESGRANRIO / IPEA – 2024) Em um projeto de classificação de textos, um modelo de

machine learning foi aplicado em um conjunto de teste e apresentou os seguintes resultados:
uma precisão de 80% e uma revocação de 70%. Com base nessas informações e considerando-
se apenas a parte inteira da porcentagem, qual é o F1 Score desse modelo?

a) 2%
b) 18%
c) 37%
d) 74%
e) 98%

129. (CESGRANRIO / Caixa – 2024) Em 2014, a arquitetura de redes neurais denominada Redes
Adversárias Generativas (GAN) revolucionou o aprendizado de máquina. As GAN caracterizam-
se por:

a) serem usadas, exclusivamente, para classificação de imagens.

b) consistirem, apenas, em um gerador de ruídos e em uma rede neural classificatória.
c) serem compostas por duas redes neurais: uma discriminadora e outra geradora.
d) serem incapazes de aprender a partir de conjuntos de dados não supervisionados.
e) não poderem ser aplicadas para gerar conteúdo linguístico.

130. (QUADRIX / CRQ – 12ª Região – 2024) O aprendizado não supervisionado é uma área da
inteligência artificial que envolve o uso de algoritmos para encontrar padrões ocultos em
conjuntos de dados rotulados.

131. (QUADRIX / CRQ – 12ª Região – 2024) O aprendizado de máquina pode ser definido como
uma técnica de ciência de dados que permite que os computadores usem os dados existentes
para prever futuros comportamentos, resultados e tendências.

132. (CS-UFG / Câmara de Anápolis-GO – 2024) A Inteligência Artificial (IA) é uma ferramenta
computacional que permitiu o avanço em diferentes áreas, entre elas: a saúde, finanças,
marketing, entre outras. A principal ajuda, veio no apoio à tomada de decisões. As caraterísticas
que descrevem o aprendizado de máquina (machine learning) são

a) compostas de algoritmos e modelos estatísticos que permitem que os sistemas aprendam a

partir dos dados, usando identificação de padrões e fazendo previsões.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 293

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

b) baseadas em regras e conhecimentos para tomar decisões e fornecer soluções em um

domínio específico, com total eficácia simulando o raciocínio humano.

c) baseadas na autonomia, sem intervenção humana e demandam alto processamento

computacional.

d) baseadas em símbolos, regras que representam, manipulam e aprendem com interferências

lógicas, usada na solução de problemas complexos.

133. (CS-UFG / Câmara de Anápolis-GO – 2024) O conceito que representa a capacidade de um

computador/dispositivo eletrônico de se comportar assemelhando-se à forma de pensar de um
ser humano, em que pode, usando variáveis do ambiente, tomar decisões e resolver problemas
é:

a) a realidade aumentada.
b) o metaverso.
c) a internet das coisas.
d) a inteligência artificial.

134. (QUADRIX / CRA-PR – 2022) Entre as técnicas de machine learning, a random forest é capaz
de solucionar problemas de classificação e de regressão, por meio da construção e dos
treinamentos de árvores de decisão.

135. (QUADRIX / CRA-PR – 2022) Os sistemas de machine learning podem ser empregados em
situações em que os softwares tradicionais não conseguem resolver os problemas ou que suas
soluções não são consideradas como satisfatórias.

136. (QUADRIX / CRA-PR – 2022) Um dos tipos de sistema machine learning é a aprendizagem
supervisionada, que é caracterizada pela aprendizagem de padrões com base na entrada (dados
de treinamento) e que não apresenta um feedback explícito quanto a esse aprendizado.

137. (QUADRIX / CRA-PR – 2022) Para que os algoritmos de deep learning sejam capazes de
analisar dados não estruturados, é imprescindível que haja algum tipo de pré-processamento do
conjunto de dados a ser analisado.

138. (QUADRIX / CRA-PR – 2022) O deep learning pode ser definido como sendo a aplicação de
uma quantidade massiva de camadas de processamento em um algoritmo de rede neural.

139. (CESGRANRIO / BB – 2021) Ao tentar resolver um problema de aprendizado de máquina

que separava um evento entre duas classes, um desenvolvedor encontrou uma acurácia de
exatamente 90%. Analisando a matriz de confusão, o desenvolvedor constatou que os
verdadeiros positivos eram 14169, que os verdadeiros negativos eram 15360, os falsos positivos
eram 1501, e os falsos negativos eram:

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 294

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

a) 1778
b) 1779
c) 1780
d) 1781
e) 1782

140. (AOCP / MJSP – 2020) Um cientista de dados necessita estimar a precisão preditiva de um
classificador medindo essa precisão para uma amostra de dados ainda não utilizada. Quais são
as três estratégias principais, comumente usadas para isso, que o cientista de dados pode
utilizar?

a) Divisão de dados em conjunto de treino e conjunto de teste, validação cruzada k-fold e

validação cruzada N-fold.

b) Erro padrão, divisão de dados em conjunto de treino e conjunto de teste, re-execução de

testes.

c) Conjunto de dados permanentes, conjunto de teste e re-execução de testes.

d) Troca de valores mais frequentes, validação cruzada e conjunto de treino e teste.

e) Conjunto de dados ausente, conjunto de treino e conjunto de teste.

141. (FUNDATEC / GHC-RS – 2020 – Letra B) A curva ROC (Receiver Operator Characteristic) é
uma forma de expressar graficamente a relação entre a sensibilidade e a especificidade. Para
construí-la, deve-se plotar a taxa de verdadeiros positivos (sensibilidade) contra a taxa de
verdadeiros negativos (especificidade).

142. (FUNDATEC / Prefeitura de Porto Mauá/RS – 2019) A curva ROC (Característica Operatória
do Receptor) é uma técnica gráfica para quantificar a acurácia de um teste diagnóstico e ilustrar
o contrabalanço entre:

a) A prevalência e a incidência.
b) A sensibilidade e a especificidade.
c) O valor preditivo positivo e a incidência.
d) O valor preditivo negativo e a prevalência.
e) A variável preditora e a variável antecedente.

143. (FUNDEP / CODEMIG – 2018) O objetivo principal da Análise de Componentes Principais é:

a) obtenção de um pequeno número de combinações lineares, de um conjunto de variáveis, que

retenham o máximo possível da informação contida nas variáveis originais;

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 295

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

b) calcular, para cada indivíduo da amostra, a probabilidade associada a um determinado

fenômeno;

c) testar, por meio de sub-amostras, a distribuição de probabilidades do conjunto de dados

estudados;

d) explicar a correlação ou covariância, entre um conjunto de variáveis, em termos de um

número limitado de variáveis não-observáveis;

e) identificar se há multicolinearidade nos resíduos, após a estimação de uma curva de

regressão.

144. (QUADRIX / CFO-DF – 2017) Inteligência computacional é um conjunto de métodos e(ou)

técnicas que procura desenvolver sistemas dotados de comportamento semelhante a certos
aspectos do comportamento inteligente.

145. (FUNDATEC / Prefeitura de Vacaria/RS – 2016 – Item III) A Curva ROC é construída
levando-se em consideração a taxa de verdadeiro-positivos contra a taxa de falso-positivos. Os
valores nos eixos representam medidas de probabilidade, variando de 0 a 1.

146. (ESAF / ANAC – 2016) A redução da dimensionalidade de uma base de dados altamente
correlacionados é objetivo da Análise:

a) de Componentes Principais.
b) de Campos de Prioridades.
c) de Componentes de Regressão.
d) Dimensional de Covariância.
e) Interativa de Componentes.

147. (ESAF / Receita Federal – 2014) Em Datamining, redução da dimensionalidade é:

a) A expressão de um conjunto de dados por um conjunto menor de características do que em

sua forma original.

b) A redução dos espaços de variação dos dados em relação a seus espaços originais.

c) A supressão de características consideradas de menor prioridade pelo gestor.

d) A expressão de um conjunto de dados por um conjunto de características de

dimensionalidade conhecida.

e) A expressão de um conjunto de características por um outro conjunto de características de

dimensionalidade invariante em relação à sua forma original.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 296

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

148. (COSEAC / DATAPREV – 2009) O objetivo principal da Análise de Componentes Principais

é:

a) obtenção de um pequeno número de combinações lineares, de um conjunto de variáveis, que

retenham o máximo possível da informação contida nas variáveis originais;

b) calcular, para cada indivíduo da amostra, a probabilidade associada a um determinado

fenômeno;

c) testar, por meio de sub-amostras, a distribuição de probabilidades do conjunto de dados

estudados;

d) explicar a correlação ou covariância, entre um conjunto de variáveis, em termos de um

número limitado de variáveis não-observáveis;

e) identificar se há multicolinearidade nos resíduos, após a estimação de uma curva de

regressão.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 297

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

LISTA DE QUESTÕES – INÉDITAS

149. (PROF. DIEGO / INÉDITA – 2024) A inteligência artificial (IA) é um campo da ciência da
computação que se concentra exclusivamente no desenvolvimento de sistemas capazes de
realizar tarefas que requerem força física humana.

150. (PROF. DIEGO / INÉDITA – 2024) O termo "inteligência artificial" foi cunhado por John
McCarthy em 1956, com o objetivo de descrever máquinas que podem imitar comportamentos
considerados inteligentes.

151. (PROF. DIEGO / INÉDITA – 2024) Machine learning é um subcampo da inteligência artificial
que permite a máquinas aprenderem com dados sem serem explicitamente programadas para
cada tarefa específica.

152. (PROF. DIEGO / INÉDITA – 2024) As redes neurais e deep learning representam técnicas
obsoletas na inteligência artificial que foram substituídas por métodos mais modernos e
eficientes.

153. (PROF. DIEGO / INÉDITA – 2024) Qual dos seguintes subcampos da IA tem a função
principal de desenvolver sistemas capazes de entender e gerar linguagem humana?

a) Robótica
b) Visão computacional
c) Machine learning
d) Processamento de linguagem natural (PLN)
e) Inteligência artificial generativa

154. (PROF. DIEGO / INÉDITA – 2024) Qual técnica de IA é utilizada para criar conteúdo novo e
original, como texto, imagens, música e vídeo?

a) Machine learning
b) Redes neurais
c) Inteligência artificial generativa
d) Visão computacional
e) Robótica

155. (PROF. DIEGO / INÉDITA – 2024) Qual das seguintes afirmações descreve melhor a robótica
dentro do contexto da inteligência artificial?

a) A robótica é um campo obsoleto que foi completamente substituído pela inteligência

artificial.
b) Ela envolve apenas o estudo de sistemas mecânicos sem qualquer tipo de inteligência.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 298

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

c) É a aplicação de algoritmos de IA para controlar comportamentos físicos em robôs.

d) Foca exclusivamente no desenvolvimento de software para jogos de computador.
e) Trata-se da criação de malwares do tipo bot para ataques de negação de serviço.

156. (PROF. DIEGO / INÉDITA – 2024) Em que consiste o deep learning dentro do contexto da
inteligência artificial?

a) Na criação de algoritmos que requerem intervenção humana constante para aprender e

adaptar-se.

b) Na utilização de redes neurais superficiais com poucas camadas para tarefas simples de
classificação.

c) No emprego de redes neurais profundas para aprender representações de dados complexas

automaticamente.

d) Na programação de robôs para realizar tarefas físicas sem a necessidade de aprendizado ou

adaptação.

e) No desenvolvimento de sistemas capazes de executar cálculos matemáticos complexos a

uma velocidade superior à humana.

157. (PROF. DIEGO / INÉDITA – 2024) A inteligência artificial se limita à criação de programas
que executam tarefas físicas semelhantes às humanas.

158. (PROF. DIEGO / INÉDITA – 2024) O aprendizado de máquina é um subconjunto do

aprendizado profundo.

159. (PROF. DIEGO / INÉDITA – 2024) A programação tradicional requer que um programador
escreva manualmente as regras que o computador deve seguir para processar dados e produzir
resultados.

160. (PROF. DIEGO / INÉDITA – 2024) No aprendizado de máquina, o algoritmo é capaz de

identificar padrões e aprender regras a partir de grandes conjuntos de dados sem intervenção
direta do programador.

161. (PROF. DIEGO / INÉDITA – 2024) A etapa de treinamento no aprendizado de máquina é

menos custosa e requer menos dados do que a etapa de inferência.

162. (PROF. DIEGO / INÉDITA – 2024) A inferência em aprendizado de máquina é um processo

determinístico que sempre produz a mesma saída para uma dada entrada.

163. (PROF. DIEGO / INÉDITA – 2024) O que caracteriza a programação tradicional em

comparação com o aprendizado de máquina?

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 299

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

a) A capacidade de aprender sem ser explicitamente programado.

b) A necessidade de grandes conjuntos de dados para funcionar.
c) A execução de tarefas físicas complexas.
d) A escrita manual de regras por programadores.
e) O uso de redes neurais para processamento de dados.

164. (PROF. DIEGO / INÉDITA – 2024) Qual dos seguintes melhor descreve o aprendizado de
máquina?

a) Um processo que depende exclusivamente da programação manual para definir todas as

regras de decisão.
b) Uma técnica que permite ao software aplicar regras pré-existentes a novos conjuntos de
dados sem aprender.
c) Uma abordagem em que o software é capaz de treinar a si mesmo usando dados de
treinamento para descobrir regras.
d) O estudo de como fazer computadores realizar tarefas físicas como humanos.
e) A criação de algoritmos que melhoram o desempenho do hardware.

165. (PROF. DIEGO / INÉDITA – 2024) O que é deep learning dentro do contexto do aprendizado
de máquina?

a) Uma técnica baseada em regras programadas manualmente para processamento de dados.

b) A prática de usar grandes conjuntos de dados para melhorar o desempenho do hardware.
c) Um subconjunto que utiliza redes neurais profundas para aprender a partir de grandes
volumes de dados.
d) Um método que ensina computadores a realizar tarefas físicas semelhantes às humanas.
e) Uma abordagem obsoleta que foi substituída por tecnologias mais avançadas.

166. (PROF. DIEGO / INÉDITA – 2024) Durante qual etapa do aprendizado de máquina o modelo
é ajustado para melhor representar os dados fornecidos?

a) Inferência
b) Programação manual
c) Treinamento
d) Validação
e) Execução

167. (PROF. DIEGO / INÉDITA – 2024) Qual dos seguintes NÃO é uma característica do
aprendizado de máquina?

a) A capacidade de aprender com exemplos passados.

b) A necessidade de ser explicitamente programado para cada tarefa específica.
c) A utilização de modelos matemáticos para identificar padrões.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 300

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

d) A melhoria de desempenho à medida que mais dados são fornecidos.

e) A capacidade de realizar inferências probabilísticas sobre novos dados.

168. (PROF. DIEGO / INÉDITA – 2024) No aprendizado supervisionado, os dados utilizados no

treinamento do modelo não precisam ser previamente rotulados.

169. (PROF. DIEGO / INÉDITA – 2024) Uma das aplicações do aprendizado supervisionado é a
classificação de e-mails como spam ou não spam.

170. (PROF. DIEGO / INÉDITA – 2024) O aprendizado supervisionado é apenas aplicável para
tarefas de classificação, não sendo adequado para problemas de regressão.

171. (PROF. DIEGO / INÉDITA – 2024) No contexto do aprendizado supervisionado, o supervisor

ou professor não desempenha um papel ativo no processo de aprendizagem do algoritmo.

172. (PROF. DIEGO / INÉDITA – 2024) Qual dos seguintes é um exemplo de problema que pode
ser resolvido com aprendizado supervisionado?

a) Agrupamento de usuários com interesses semelhantes em redes sociais.

b) Previsão do preço de ações na bolsa de valores.
c) Descoberta de padrões em sequências genéticas sem anotações.
d) Construção de um robô autônomo que aprende a navegar sozinho.
e) Organização de livros em uma biblioteca sem categorias definidas.

173. (PROF. DIEGO / INÉDITA – 2024) No aprendizado supervisionado, o que significa o termo
"rótulo"?

a) Uma marcação ou categoria que um algoritmo atribui automaticamente aos dados de

entrada.
b) Um valor ou classe específica que é atribuída a cada exemplo de dado de entrada por um
supervisor.
c) Uma descrição detalhada do conjunto de dados fornecida pelo modelo após o treinamento.
d) O conjunto de instruções programadas manualmente que o modelo deve seguir.
e) A saída gerada pelo modelo antes de qualquer treinamento.

174. (PROF. DIEGO / INÉDITA – 2024) Qual das seguintes tarefas é um exemplo típico de
regressão no contexto do aprendizado supervisionado?

a) Determinar se uma imagem contém um gato ou um cachorro.

b) Prever a temperatura média de uma cidade no próximo mês.
c) Identificar a linguagem em que um texto está escrito.
d) Classificar filmes com base no gênero.
e) Segmentar clientes em diferentes grupos de marketing.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 301

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

175. (PROF. DIEGO / INÉDITA – 2024) Quais são os dois principais tipos de problemas abordados
pelo aprendizado supervisionado?

a) Agrupamento e classificação.
b) Regressão e detecção de anomalias.
c) Classificação e regressão.
d) Detecção de anomalias e agrupamento.
e) Reforço e supervisão.

176. (PROF. DIEGO / INÉDITA – 2024) Qual das seguintes afirmações melhor descreve o
aprendizado supervisionado?

a) Um modelo é treinado sem qualquer conhecimento prévio dos rótulos de saída.

b) O modelo aprende padrões nos dados sem a necessidade de dados rotulados.
c) O modelo é treinado com dados rotulados para prever a saída de novos dados.
d) O modelo é capaz de rotular novos dados sem qualquer treinamento prévio.
e) Um supervisor humano intervém ativamente para corrigir o modelo em tempo real.

177. (PROF. DIEGO / INÉDITA – 2024) No aprendizado não-supervisionado, o algoritmo precisa

de dados rotulados para realizar o treinamento.

178. (PROF. DIEGO / INÉDITA – 2024) A principal tarefa do aprendizado não-supervisionado é

prever a saída para novos dados.

179. (PROF. DIEGO / INÉDITA – 2024) Um exemplo de aplicação do aprendizado não-

supervisionado é a segmentação de clientes em diferentes grupos com base em seus hábitos de
compra.

180. (PROF. DIEGO / INÉDITA – 2024) No aprendizado não-supervisionado, o algoritmo sempre

produz categorias que são intuitivamente compreensíveis e úteis para o ser humano.

181. (PROF. DIEGO / INÉDITA – 2024) O aprendizado não-supervisionado é mais adequado que
o aprendizado supervisionado para explorar dados quando não se tem uma ideia clara de quais
padrões os dados podem conter.

182. (PROF. DIEGO / INÉDITA – 2024) Qual das seguintes é uma característica do aprendizado
não-supervisionado?

a) Necessidade de rótulos pré-definidos para cada amostra de treinamento.

b) Foco na previsão de saídas específicas para novos conjuntos de dados.
c) Identificação autônoma de padrões e estruturas em conjuntos de dados não rotulados.
d) Uso exclusivo para análise de texto.
e) Dependência de um supervisor para corrigir as saídas do modelo.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 302

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

183. (PROF. DIEGO / INÉDITA – 2024) O que é agrupamento no contexto do aprendizado não-
supervisionado?

a) Um método para prever valores contínuos com base em dados históricos.

b) A classificação de dados com base em rótulos fornecidos por um supervisor.
c) A divisão de dados em subconjuntos homogêneos com base na similaridade.
d) A determinação de regras para associar elementos frequentemente comprados juntos.
e) O treinamento de modelos para realizar tarefas sem qualquer intervenção humana.

184. (PROF. DIEGO / INÉDITA – 2024) Qual é uma possível limitação do aprendizado não-
supervisionado?

a) Incapacidade de processar grandes volumes de dados.

b) Necessidade de grandes equipes de supervisores para rotular dados.
c) Geração de categorias que podem não ser relevantes ou intuitivas para humanos.
d) Requerimento de dados rotulados para iniciar o processo de treinamento.
e) Uso restrito a tarefas de classificação.

185. (PROF. DIEGO / INÉDITA – 2024) Em que situação o aprendizado não-supervisionado seria
preferível ao aprendizado supervisionado?

a) Quando se tem um conjunto de dados extensamente rotulado e uma tarefa de previsão clara.
b) Quando se deseja explorar os dados para identificar padrões sem saber de antemão o que
procurar.
c) Quando o objetivo é classificar novos exemplos com base em rótulos conhecidos.
d) Para tarefas que requerem a previsão exata de valores contínuos.
e) Quando há uma necessidade de supervisão constante para ajustar os parâmetros do modelo.

186. (PROF. DIEGO / INÉDITA – 2024) O aprendizado semi-supervisionado requer

exclusivamente dados rotulados para treinamento.

187. (PROF. DIEGO / INÉDITA – 2024) No aprendizado por reforço, ações que levam a resultados
positivos são recompensadas para encorajar a repetição dessas ações.

188. (PROF. DIEGO / INÉDITA – 2024) Algoritmos de aprendizado semi-supervisionado não

podem ser aplicados para tarefas de classificação ou regressão.

189. (PROF. DIEGO / INÉDITA – 2024) Qual é o principal benefício do aprendizado semi-
supervisionado em comparação com o aprendizado supervisionado?

a) Elimina a necessidade de dados rotulados.

b) Requer uma grande equipe de especialistas para rotular os dados.
c) Permite o uso de dados não rotulados, que são mais fáceis e baratos de obter.
d) Oferece resultados significativamente inferiores devido à falta de rótulos.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 303

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

e) É mais simples e menos custoso de implementar em todos os cenários.

190. (PROF. DIEGO / INÉDITA – 2024) O que caracteriza o aprendizado por reforço?

a) A dependência de dados rotulados para todas as ações.

b) A ausência de qualquer tipo de recompensa ou punição durante o treinamento.
c) O uso de tentativa e erro para descobrir ações ótimas.
d) A necessidade de supervisão constante por parte de um humano.
e) A aplicação exclusiva em tarefas de classificação.

191. (PROF. DIEGO / INÉDITA – 2024) Redes Neurais Artificiais necessitam obrigatoriamente de
estruturas e funções idênticas às dos neurônios biológicos para funcionar.

192. (PROF. DIEGO / INÉDITA – 2024) As Redes Neurais Artificiais são incapazes de realizar
tarefas de reconhecimento de voz.

193. (PROF. DIEGO / INÉDITA – 2024) Deep Learning refere-se especificamente a redes neurais
que contêm apenas uma camada oculta.

194. (PROF. DIEGO / INÉDITA – 2024) A capacidade de uma rede neural de processar
informações complexas deriva da interação de um grande número de neurônios simples.

195. (PROF. DIEGO / INÉDITA – 2024) Qual das seguintes afirmações melhor descreve a função
de um neurônio artificial?

a) Processar exclusivamente sinais elétricos de alta tensão.

b) Simular o comportamento de um neurônio biológico por meio de operações matemáticas
simples.
c) Realizar cálculos avançados de física quântica.
d) Operar sem entrada, baseando-se unicamente em sua programação inicial.
e) Funcionar independentemente, sem necessidade de conexão com outros neurônios
artificiais.

196. (PROF. DIEGO / INÉDITA – 2024) O que caracteriza o Deep Learning dentro do contexto das
Redes Neurais Artificiais?

a) A ausência de camadas ocultas.

b) A presença de uma única camada oculta de alto desempenho.
c) A utilização de múltiplas camadas ocultas para processar informações.
d) O uso exclusivo para tarefas de baixa complexidade.
e) A incapacidade de ajustar seus próprios parâmetros durante o treinamento.

197. (PROF. DIEGO / INÉDITA – 2024) O que é necessário para treinar uma Rede Neural Artificial?

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 304

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

a) Um conjunto de dados de exemplo sem nenhum tipo de erro ou ruído.

b) Uma única iteração de ajustes baseada em um conjunto de dados pequeno.
c) Dados de entrada, ajustes nos pesos das conexões e minimização do erro entre a saída
prevista e desejada.
d) Uma conexão direta com o cérebro humano para transferência de conhecimento.
e) Programação detalhada de cada possível resposta para todas as entradas.

198. (PROF. DIEGO / INÉDITA – 2024) Por que as Redes Neurais Artificiais são consideradas
poderosas ferramentas de aprendizado de máquina?

a) Porque requerem uma quantidade mínima de dados para treinamento.

b) Devido à sua capacidade de aprender e modelar relações complexas e não lineares nos dados.
c) Porque podem ser facilmente programadas sem necessidade de treinamento.
d) Devido à sua simplicidade e ao baixo custo computacional.
e) Porque funcionam exatamente como o cérebro humano, sem erros ou limitações.

199. (PROF. DIEGO / INÉDITA – 2024) O Processamento de Linguagem Natural é um campo que
combina ciência da computação com linguística.

200. (PROF. DIEGO / INÉDITA – 2024) A análise pragmática no Processamento de Linguagem

Natural exclui o contexto da análise linguística.

201. (PROF. DIEGO / INÉDITA – 2024) O PLN torna possível para os computadores gerar texto
em linguagem natural.

202. (PROF. DIEGO / INÉDITA – 2024) Chatbots modernos são exclusivamente baseados em
regras pré-programadas para responder a usuários.

203. (PROF. DIEGO / INÉDITA – 2024) A tokenização é uma tarefa que só ocorre no estágio de
pré-processamento no PLN.

204. (PROF. DIEGO / INÉDITA – 2024) Qual dos seguintes melhor descreve o objetivo do
Processamento de Linguagem Natural?

a) Permitir que computadores executem cálculos matemáticos usando linguagem humana.

b) Habilitar computadores para jogar jogos complexos contra humanos.
c) Facilitar a compreensão, interpretação e geração de linguagem humana por computadores.
d) Ensinar computadores a programar em linguagens de alto nível sem intervenção humana.
e) Transformar qualquer texto em código de programação.

205. (PROF. DIEGO / INÉDITA – 2024) Qual das seguintes etapas NÃO é parte do processo de
análise em Processamento de Linguagem Natural?

a) Análise Lexical

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 305

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

b) Análise de Malware
c) Análise Sintática
d) Análise Semântica
e) Análise Pragmática

206. (PROF. DIEGO / INÉDITA – 2024) O que é tokenização no contexto do Processamento de

Linguagem Natural?

a) A conversão de texto em sua representação binária.

b) A divisão de um texto em unidades menores, como palavras ou frases.
c) A criptografia de texto para garantir a segurança da informação.
d) A tradução automática de um idioma para outro.
e) A detecção de erros ortográficos no texto.

207. (PROF. DIEGO / INÉDITA – 2024) Qual é a função da análise semântica no Processamento
de Linguagem Natural?

a) Verificar a corretude gramatical das sentenças.

b) Identificar e corrigir erros de ortografia no texto.
c) Entender o significado das sentenças.
d) Estruturar o texto em um formato de dados específico.
e) Otimizar o texto para motores de busca.

208. (PROF. DIEGO / INÉDITA – 2024) Qual das seguintes afirmações é VERDADEIRA sobre o
uso de Machine Learning em PLN?

a) Torna desnecessário o uso de grandes quantidades de dados para treinamento.

b) Permite que os computadores entendam a linguagem humana sem qualquer treinamento
prévio.
c) Elimina a necessidade de análise semântica e pragmática.
d) Restringe o PLN a tarefas simples de processamento de texto.
e) Capacita os chatbots a aprenderem a partir de interações e melhorarem suas respostas.

209. (PROF. DIEGO / INÉDITA – 2024) O aprendizado profundo (Deep Learning) não tem
aplicação no campo do Processamento de Linguagem Natural (PLN).

210. (PROF. DIEGO / INÉDITA – 2024) Um desafio do Processamento de Linguagem Natural é a

capacidade de um sistema entender o contexto em que uma palavra é usada.

211. (PROF. DIEGO / INÉDITA – 2024) As regras gramaticais e de estrutura de frases são
irrelevantes para o processamento de linguagem natural.

212. (PROF. DIEGO / INÉDITA – 2024) Chatbots modernos são capazes de aprender e melhorar
suas respostas apenas através de programação direta e não por meio de interações.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 306

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

213. (PROF. DIEGO / INÉDITA – 2024) A tokenização é o processo de transformar som falado em
texto escrito.

214. (PROF. DIEGO / INÉDITA – 2024) No Processamento de Linguagem Natural, a análise

pragmática ajuda a entender como o uso de uma palavra pode mudar com base no contexto da
conversa.

215. (PROF. DIEGO / INÉDITA – 2024) A modelagem de conhecimento no PLN não contribui para
o desenvolvimento de sistemas capazes de responder perguntas.

216. (PROF. DIEGO / INÉDITA – 2024) Análise semântica e análise gramatical são processos
idênticos no processamento de linguagem natural.

217. (PROF. DIEGO / INÉDITA – 2024) Identificação de idioma é uma aplicação do

Processamento de Linguagem Natural que facilita a tradução automática de textos.

218. (PROF. DIEGO / INÉDITA – 2024) Análise de sentimentos pode ser aplicada para determinar
a opinião pública sobre tópicos políticos em redes sociais.

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 307

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

GABARITO
1. LETRA B 42. CORRETO 83. CORRETO
2. CORRETO 43. CORRETO [Link] A
3. ERRADO [Link] 85. CORRETO
4. CORRETO 45. CORRETO 86. ERRADO
5. CORRETO [Link] 87. CORRETO
6. ERRADO 47. LETRA A 88. CORRETO
7. CORRETO [Link] E 89. CORRETO
8. LETRA C [Link] [Link] C
9. CORRETO 50. ERRADO 91. LETRA C
10. ERRADO 51. ERRADO 92. LETRA A
11. ERRADO 52. CORRETO 93. LETRA B
12. ERRADO 53. ANULADO [Link] D
13. CORRETO 54. ERRADO 95. LETRA B
14. CORRETO 55. CORRETO 96. LETRA B
15. CORRETO 56. CORRETO 97. LETRA D
16. ERRADO 57. CORRETO 98. LETRA D
17. CORRETO 58. ERRADO 99. LETRA C
18. CORRETO 59. CORRETO 100. LETRA B
19. ERRADO [Link] 101. LETRA E
20. ERRADO 61. ERRADO 102. LETRA D
21. ERRADO 62. CORRETO 103. LETRA A
22. ERRADO 63. CORRETO 104. LETRA C
23. ERRADO [Link] 105. ANULADO
24. CORRETO 65. CORRETO 106. LETRA C
25. ERRADO 66. CORRETO 107. LETRA C
26. CORRETO 67. CORRETO 108. LETRA D
27. ERRADO 68. ERRADO 109. LETRA B
28. ERRADO 69. CORRETO 110. LETRA B
29. ERRADO 70. ERRADO 111. LETRA E
30. LETRA E 71. ERRADO 112. LETRA E
31. CORRETO 72. CORRETO 113. LETRA C
32. CORRETO 73. ERRADO 114. LETRA C
33. CORRETO 74. ERRADO 115. LETRA A
34. ERRADO 75. CORRETO 116. LETRA D
35. ERRADO 76. CORRETO 117. LETRA E
36. ERRADO 77. CORRETO 118. LETRA B
37. CORRETO 78. ERRADO 119. LETRA A
38. ERRADO 79. ERRADO 120. LETRA D
39. CORRETO [Link] 121. LETRA A
40. CORRETO 81. CORRETO 122. LETRA E
41. ERRADO 82. ERRADO 123. LETRA D

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 308

[Link] 310

61542958393 - Victor Brunos Soares de Souza

 Diego Carvalho, Equipe Informática e TI, Paolla Ramos
Aula 13 - Prof. Diego Carvalho e Emannuelle Gouveia

124. LETRA E
125. LETRA B
126. LETRA E
127. LETRA A
128. LETRA D
129. LETRA C
130. ERRADO
131. CORRETO
132. LETRA A
133. LETRA D
134. CORRETO
135. CORRETO
136. ERRADO
137. ERRADO
138. CORRETO
139. LETRA C
140. LETRA A
141. ERRADO
142. LETRA B
143. LETRA A
144. CORRETO
145. CORRETO
146. LETRA A
147. LETRA A
148. LETRA A

Concursos da Área Fiscal - Curso Completo de Tecnologia da Informação 309

[Link] 310

61542958393 - Victor Brunos Soares de Souza