Prova final e projeto de Machine Learning

1. Prova final

0 de 12 questões respondidas

1. 1. Qual a diferença entre aprendizado supervisionado e não supervisionado?

   NenhumaO supervisionado usa rótulos conhecidos; o não supervisionado busca estrutura sem rótuloO supervisionado é sempre melhorO não supervisionado exige mais dados rotulados

2. 2. Para que serve o conjunto de validação?

   Treinar o modeloAjustar hiperparâmetros sem contaminar o teste finalSubstituir o testeAumentar os dados

3. 3. Acurácia é uma métrica ruim quando:

   Há muitos atributosAs classes são muito desbalanceadasO modelo é linearOs dados são numéricos

4. 4. O que é underfitting?

   O modelo decora o treinoO modelo é simples demais e vai mal até no treinoO modelo tem dados demaisUm erro de código

5. 5. Normalizar ou padronizar features importa principalmente para:

   Árvores de decisãoModelos sensíveis a escala, como regressão e KNNTodos igualmenteNenhum modelo

6. 6. Precisão e recall se diferenciam porque:

   São sinônimosPrecisão olha os acertos entre os positivos previstos; recall olha quantos positivos reais foram capturadosRecall só vale para regressãoPrecisão inclui os negativos

7. 7. Validação cruzada (k-fold) serve para:

   Aumentar o datasetEstimar o desempenho de forma mais estável em dados limitadosReduzir o tempo de treinoEscolher a linguagem

8. 8. Vazamento de dados (data leakage) acontece quando:

   O dataset é grandeInformação do futuro ou do teste entra no treinoFaltam dadosO modelo é complexo

9. 9. Regularização (L1/L2) atua:

   Aumentando a complexidadePenalizando pesos grandes para reduzir overfittingLimpando os dadosEscolhendo o otimizador

10. 10. Antes de escolher o modelo, o passo com maior impacto costuma ser:

    Trocar de frameworkEntender e preparar bem os dados e as featuresAumentar as épocasComprar GPU

11. 11. Qual é o primeiro passo ao trabalhar com Aprendizado supervisionado?

    Copiar uma solução inteiraDefinir o objetivo e a evidência esperadaIgnorar a entradaAlterar tudo de uma vez

12. 12. Qual é o primeiro passo ao trabalhar com KNN e SVM?

    Copiar uma solução inteiraDefinir o objetivo e a evidência esperadaIgnorar a entradaAlterar tudo de uma vez

2. Projeto final