{"subject_id":"3a3cc48d0099816892c2f59425c2abce","topico":"ML: pipeline, overfitting × underfitting, viés × variância, L1/L2, validação cruzada","stems":["CIÊNCIA DE DADOS E BANCO DE DADOS A respeito de aprendizagem de máquina, julgue os itens que se seguem.","Julgue os itens que se seguem, relativos a ciência de dados e inteligência artificial (IA).","Acerca de inteligência artificial, julgue os próximos itens.","Julgue os itens a seguir, relativos às tecnologias CSV e JSON, à Linguagem SQL e ao modelo CRISP-DM.","A respeito de overfitting e underfitting, de deep learning e de métodos de data mining, julgue os itens que se seguem.","A respeito de aprendizagem de máquina, deep learning e processamento de linguagem natural, julgue os itens seguintes.","No que se refere a data mining, julgue os próximos itens."],"questions":[{"id":"a0b27460dfa7","number":54,"stem":0,"statement":"A regularização L2 (ridge) reduz a magnitude dos coeficientes sem anulá-los completamente, o que pode mitigar o overfitting, mas não realiza seleção automática de variáveis.","answer":"C","source":{"slug":"SUSEP_25","ano":2025},"explanation":{"verdict_reason":"As três afirmações estão corretas e é a última que distingue as duas regularizações. A L2 acrescenta à função de custo a soma dos quadrados dos coeficientes, penalidade cuja derivada diminui à medida que o coeficiente encolhe: os coeficientes são contraídos para perto de zero, mas não chegam a zero. Por isso a ridge combate o superajuste sem descartar variável alguma. Quem zera coeficientes e, com isso, faz seleção automática de variáveis é a L1, a lasso, cuja penalidade é a soma dos valores absolutos.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"L2 encolhe coeficientes; L1 zera e seleciona variáveis","citation":null,"trap_note":"Guarde a regra por uma palavra: L1 zera, L2 encolhe. Seleção automática de variáveis é sempre da L1 (lasso); da L2 (ridge) espere apenas redução de magnitude e estabilização diante de multicolinearidade. A elastic net combina as duas penalidades. Item que dê seleção de variáveis à ridge, ou que negue à lasso a capacidade de anular coeficientes, trocou os lados."}},{"id":"88f15a926c72","number":56,"stem":0,"statement":"Em validação cruzada k-fold, cada instância do conjunto de dados é utilizada uma única vez para teste, o que garante avaliação equilibrada.","answer":"C","source":{"slug":"SUSEP_25","ano":2025},"explanation":{"verdict_reason":"É uma propriedade estrutural do k-fold. O conjunto é particionado em k dobras disjuntas e o procedimento roda k vezes, cada rodada usando uma dobra diferente como teste e as demais como treino. Como as dobras não se sobrepõem e todas são usadas exatamente uma vez na posição de teste, cada instância é testada uma única vez e treinada k menos uma vezes — nenhum registro fica de fora da avaliação e nenhum é avaliado duas vezes.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"k-fold: dobras disjuntas, cada instância testada uma vez","citation":null,"trap_note":"Não confunda k-fold com bootstrap nem com validação por retenção repetida. No k-fold as partições são disjuntas e a amostragem é sem reposição, e é daí que vem a garantia de uso único no teste; no bootstrap há reposição e o mesmo registro pode aparecer várias vezes. Item que afirme sobreposição entre dobras, ou registros de fora, descreveu outro procedimento."}},{"id":"b17d0d187a0e","number":110,"stem":1,"statement":"A técnica de validação cruzada k-fold contribui para a avaliação de modelos preditivos, reduzindo a variabilidade decorrente da segmentação do conjunto de dados em partes de treinamento e teste.","answer":"C","source":{"slug":"STM_25","ano":2025},"explanation":{"verdict_reason":"É a razão de existir da validação cruzada. Uma única divisão entre treino e teste produz uma estimativa que depende do sorteio: outra partição do mesmo conjunto daria outro número, e essa oscilação é a variabilidade decorrente da segmentação. O k-fold repete a avaliação em k partições diferentes e toma a média dos k resultados, o que reduz a dependência de um sorteio particular e dá uma estimativa de desempenho mais estável.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"k-fold reduz a variabilidade da divisão treino-teste","citation":null,"trap_note":"A variabilidade que a validação cruzada reduz é a da estimativa de desempenho, não a do modelo em produção. Item que faça a validação cruzada melhorar o modelo em si — e não a medida do modelo — confundiu medir com treinar."}},{"id":"6ea4a66209bc","number":48,"stem":2,"statement":"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.","answer":"C","source":{"slug":"MPO_24","ano":2024},"explanation":{"verdict_reason":"O item apenas afirma uma aplicação possível, com verbo permissivo, e a afirmação é verdadeira em suas duas partes. Aprendizado de máquina é justamente a subárea da inteligência artificial em que o sistema extrai padrões de experiência acumulada, em vez de seguir regras escritas uma a uma; e mecanismos de busca na Internet são um caso consolidado desse uso, do ordenamento de resultados à interpretação da consulta, aprendidos a partir do histórico de interações.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Aprendizado de máquina aprende padrões a partir de experiência","citation":null,"trap_note":"Item que apenas diz que se pode usar aprendizado de máquina em determinada aplicação real dificilmente é errado: não há o que exceder em uma afirmação permissiva sobre uma aplicação existente. O erro, neste tópico, mora nos itens que fecham alternativas ou que invertem o mecanismo, não nos que abrem possibilidades."}},{"id":"b470da5b62d8","number":109,"stem":3,"statement":"Durante a fase de data preparation (preparação dos dados) do modelo CRISP-DM, é necessário que todos os dados sejam normalizados e transformados em variáveis numéricas, independentemente de sua natureza original, para facilitar a análise posterior.","answer":"E","source":{"slug":"ANM_24","ano":2024},"explanation":{"verdict_reason":"A preparação dos dados no CRISP-DM não tem receita obrigatória: as transformações são escolhidas em função da técnica de modelagem que será aplicada depois. Normalização é exigida por métodos sensíveis à escala, como k-means, kNN, SVM e redes neurais, e é irrelevante para árvores de decisão e métodos de conjunto baseados em árvores. Do mesmo modo, nem todo atributo precisa virar número: há técnicas que lidam diretamente com variáveis categóricas. O erro está na obrigatoriedade universal, não nas operações citadas.","distortion_type":"generalizacao","distorted_span":"é necessário que todos os dados sejam normalizados e transformados em variáveis numéricas, independentemente de sua natureza original","corrected_statement":"Durante a fase de data preparation (preparação dos dados) do modelo CRISP-DM, os dados podem ser normalizados e transformados em variáveis numéricas conforme sua natureza original e a exigência da técnica de modelagem escolhida, para facilitar a análise posterior.","concept":"Preparação segue a técnica escolhida, não uma regra universal","citation":"CRISP-DM 1.0 — fase de preparação de dados: seleção, limpeza, construção, integração e formatação","trap_note":"Todos, sempre e independentemente de são as palavras que carregam o erro em itens de metodologia. O CRISP-DM é um modelo de referência iterativo e adaptável, e prescreve tarefas, não obrigações uniformes; item que transforme uma prática frequente em exigência para todo caso está errado pela forma, antes mesmo do conteúdo."}},{"id":"a4b5f69dab87","number":112,"stem":3,"statement":"No modelo CRISP-DM, durante a fase de evaluation (avaliação), os resultados do modelo são comparados com os objetivos do negócio para determinar sua eficácia e adequação.","answer":"C","source":{"slug":"ANM_24","ano":2024},"explanation":{"verdict_reason":"É exatamente o que distingue a avaliação das fases vizinhas. O desempenho técnico do modelo já foi medido dentro da modelagem, com as métricas escolhidas ali; a fase de avaliação sobe um nível e confronta o resultado com os objetivos de negócio fixados na primeira fase, revisando o processo inteiro para decidir se o modelo atende ao que se queria e se pode seguir para a implantação.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Avaliação do CRISP-DM confronta resultado com objetivos de negócio","citation":"CRISP-DM 1.0 — fase de avaliação: avaliar resultados, revisar o processo e determinar os próximos passos","trap_note":"Duas avaliações convivem no CRISP-DM e a banca as troca: a técnica, dentro da modelagem, mede acurácia e erro; a de negócio, na fase de avaliação, pergunta se o objetivo do negócio foi atendido. Quem decide entre implantar, iterar ou abandonar é a segunda."}},{"id":"f39f134726bc","number":116,"stem":4,"statement":"O overfitting ocorre quando um modelo de machine learning tem alta precisão nos dados de treinamento, mas apresenta desempenho significativamente pior em novos dados.","answer":"C","source":{"slug":"ANM_24","ano":2024},"explanation":{"verdict_reason":"Overfitting é o modelo que decorou o conjunto de treinamento, inclusive o ruído, em vez de aprender o padrão que generaliza. A assinatura é justamente a distância entre os dois desempenhos: erro baixo no treino e erro alto em dados novos. O item descreve essa lacuna, que é a definição.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Overfitting: alto desempenho no treino, baixo fora dele","citation":null,"trap_note":"Overfitting e underfitting se decidem comparando dois números, nunca um só. Alto no treino e baixo no teste é overfitting; baixo nos dois é underfitting; alto nos dois é o modelo bem ajustado. Item que cita um desempenho só, ou que usa os dois no mesmo sentido, está mal montado de propósito."}},{"id":"40c1dafc431d","number":117,"stem":4,"statement":"A única maneira de se evitar o underfitting em um modelo de machine learning é reduzir a quantidade de dados de entrada, pois isso impede que o modelo fique sobrecarregado de informações irrelevantes.","answer":"E","source":{"slug":"ANM_24","ano":2024},"explanation":{"verdict_reason":"Underfitting é o modelo simples demais para o padrão dos dados, e se combate aumentando a capacidade: mais parâmetros ou camadas, atributos mais informativos, menos regularização, mais tempo de treinamento. Reduzir a quantidade de dados de entrada não corrige underfitting — se algo, agrava. E nenhuma dessas medidas é a única maneira: são várias, combináveis.","distortion_type":"generalizacao","distorted_span":"A única maneira de se evitar o underfitting em um modelo de machine learning é reduzir a quantidade de dados de entrada","corrected_statement":"Uma das maneiras de se evitar o underfitting em um modelo de machine learning é aumentar a capacidade do modelo, pois isso permite que ele represente padrões mais complexos dos dados.","concept":"Underfitting se corrige aumentando capacidade, não reduzindo dados","citation":null,"trap_note":"Neste tópico, todo item que promete a única maneira, a eliminação completa ou a independência total de algum fator é errado. Aprendizado de máquina é campo de compromissos: quando a banca apresenta uma receita exclusiva, o erro está na exclusividade antes de estar no conteúdo."}},{"id":"cb8a3dabedfa","number":118,"stem":4,"statement":"O uso de GPUs e TPUs acelera os cálculos necessários para operações matriciais e retropropagação em modelos de deep learning.","answer":"C","source":{"slug":"ANM_24","ano":2024},"explanation":{"verdict_reason":"O treinamento de uma rede profunda se resume a multiplicações de matrizes na passagem para a frente e ao cálculo de gradientes pela regra da cadeia na retropropagação — operações idênticas repetidas sobre milhares de elementos. É precisamente a carga que GPUs e TPUs executam em paralelo, com milhares de núcleos e unidades dedicadas a produto matricial, ao contrário da CPU, otimizada para poucas linhas de execução complexas.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"GPU e TPU aceleram operações matriciais e gradientes","citation":null,"trap_note":"Hardware acelerador é assunto de paralelismo: o que se ganha é em operação regular e repetida sobre matrizes. Item que atribua a GPU ganho em tarefa sequencial, em lógica de controle ou em acesso a disco trocou o motivo do ganho."}},{"id":"79b5d74e5b48","number":119,"stem":4,"statement":"A regressão é o método de data mining usado para prever valores contínuos como, por exemplo, previsão de vendas, preços de ações, identificação de transações fraudulentas, entre outros.","answer":"C","source":{"slug":"ANM_24","ano":2024},"explanation":{"verdict_reason":"O que decide o item é a definição de regressão: prever uma saída numérica contínua, em oposição à classificação, que prevê rótulo. Os exemplos citados são ilustrativos — inclusive a fraude, que na prática é modelada como escore contínuo de risco antes de virar decisão. O núcleo da afirmação, regressão prevê valor contínuo, está correto.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Regressão prevê valor contínuo; classificação prevê rótulo","citation":null,"trap_note":"Em item de método de mineração de dados, julgue primeiro a definição e só depois a lista de exemplos, que costuma vir aberta por como, por exemplo ou entre outros. Lista ilustrativa não é lista exaustiva e raramente é o que decide o item."}},{"id":"e6731e17d560","number":120,"stem":4,"statement":"O deep learning elimina completamente a necessidade de pré-processamento de dados, pois as redes neurais são capazes de aprender todas as características automaticamente.","answer":"E","source":{"slug":"ANM_24","ano":2024},"explanation":{"verdict_reason":"O que o deep learning reduz é a engenharia manual de atributos: a rede aprende as representações em vez de recebê-las prontas. Isso não elimina o pré-processamento, que continua indispensável — limpeza, tratamento de faltantes, normalização ou padronização das escalas, redimensionamento de imagens, tokenização de texto, separação em treino, validação e teste, aumento de dados. O verbo absoluto derruba o item.","distortion_type":"generalizacao","distorted_span":"elimina completamente a necessidade de pré-processamento de dados","corrected_statement":"O deep learning reduz a necessidade de engenharia manual de atributos, pois as redes neurais são capazes de aprender grande parte das características automaticamente.","concept":"Deep learning dispensa engenharia de atributos, não pré-processamento","citation":null,"trap_note":"Separe aprender representações de preparar dados. A rede aprende os atributos; ela não limpa, não normaliza e não divide o conjunto por você. Sempre que o item usar eliminar completamente, dispensar totalmente ou automaticamente todas, procure o que sobrou de trabalho humano."}},{"id":"d5d49d11b4ba","number":52,"stem":5,"statement":"A validação cruzada é uma técnica utilizada para prover a generalização de um modelo treinado, aprimorando seu desempenho e identificando problemas potenciais, como overfitting e underfitting.","answer":"C","source":{"slug":"BCB_24","ano":2023},"explanation":{"verdict_reason":"É a função da validação cruzada. Ao repartir os dados em dobras e treinar e testar alternadamente, ela estima o desempenho do modelo sobre dados que ele não viu no treinamento, que é precisamente a medida de generalização. A comparação entre o desempenho no treinamento e o desempenho nas dobras de teste é o que expõe o superajuste; um desempenho fraco em ambos, o subajuste.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Validação cruzada estima generalização e revela over e underfitting","citation":null,"trap_note":"Validação cruzada não corrige o modelo, ela o mede — e é medindo em dado não visto que expõe o superajuste. Guarde a leitura do par de resultados: bom no treino e ruim na validação é overfitting; ruim nos dois é underfitting."}},{"id":"d085bd3caa58","number":55,"stem":6,"statement":"Na etapa de preparação de dados do modelo CRISP-DM, ocorre a identificação dos dados existentes, com suas respectivas características.","answer":"E","source":{"slug":"FUB_19","ano":2019},"explanation":{"verdict_reason":"A atividade descrita é real, mas pertence à fase anterior. Identificar os dados existentes e levantar suas características — coletar os dados iniciais, descrevê-los, explorá-los e verificar sua qualidade — é o entendimento dos dados, segunda fase do CRISP-DM. A preparação de dados é a terceira e trabalha sobre o que já foi identificado: seleciona, limpa, constrói novos atributos, integra fontes e formata os dados para a modelagem.","distortion_type":"atribuicao_errada","distorted_span":"Na etapa de preparação de dados do modelo CRISP-DM","corrected_statement":"Na etapa de entendimento dos dados do modelo CRISP-DM, ocorre a identificação dos dados existentes, com suas respectivas características.","concept":"CRISP-DM: entendimento identifica o dado; preparação o transforma","citation":"CRISP-DM 1.0 — fases: entendimento do negócio, entendimento dos dados, preparação dos dados, modelagem, avaliação e implantação","trap_note":"Decore as seis fases do CRISP-DM na ordem e o verbo de cada uma. O movimento padrão da banca neste tópico é descrever corretamente a atividade e deslocá-la uma casa, para a fase vizinha, mantendo todo o resto da frase certo. Leia o nome da fase por último, depois de já ter classificado a atividade."}}]}