{"subject_id":"3a3cc48d009981dba221c7345066a451","topico":"Tipos de aprendizado: supervisionado, não supervisionado, reforço, transferência","stems":["CIÊNCIA DE DADOS E BANCO DE DADOS A respeito de aprendizagem de máquina, julgue os itens que se seguem.","Julgue os itens seguintes, relativos à administração de banco de dados Oracle, à modelagem de dados relacional, à normalização de dados e ao data mining.","Julgue os seguintes itens, relativos a técnicas de visualização de dados em business intelligence, a data lakes e a regras de associação em mineração de dados.","Julgue os próximos itens, a respeito de Big Data, data mining e Oracle Data Integrator (ODI).","Acerca do processamento de linguagem natural e dos conceitos de modelos preditivos (supervisionados) e descritivos (não supervisionados), julgue os itens a seguir.","Em relação à ciência de dados, julgue os itens que se seguem.","A respeito de overfitting e underfitting, de deep learning e de métodos de data mining, julgue os itens que se seguem.","BIG DATA & ANALYTICS, BUSINESS INTELLIGENCE, INTELIGÊNCIA ARTIFICIAL, INTERNET DAS COISAS E NUVEM COMPUTACIONAL: I BIG DATA &ANALYTICS No que se refere a Big Data e analytics, julgue os itens a seguir.","A respeito dos tipos de aprendizado de máquina, julgue os itens a seguir.","No que se refere a técnicas, ferramentas e algoritmos de aprendizado não supervisionado, julgue os itens a seguir.","Acerca de Big Data, business intelligence e machine learning julgue os itens a seguir.","Julgue os próximos itens, relativos a aprendizado de máquina.","Acerca da mineração de dados, julgue o item seguinte.","Julgue os itens a seguir, a respeito de inteligência artificial (IA) e machine learning.","Com relação a inteligência artificial, análise de dados e Big Data, julgue os itens subsequentes.","CIÊNCIA DE DADOS, MINERAÇÃO DE DADOS, MODELAGEM DIMENSIONAL E BIG DATA Considerando o DMBOK, julgue os itens subsequentes, a respeito de técnicas em qualidade de dados.","No que se refere à mineração de dados, julgue os itens que se seguem.","A respeito de mineração de dados, julgue os itens que se seguem.","No que se refere a noções de algoritmos de aprendizado não supervisionado e Python aplicado a analytics, julgue os itens seguintes.","Julgue os itens que se seguem, a respeito de arquitetura e tecnologias de sistemas de informação."],"questions":[{"id":"16c5a5c8d184","number":51,"stem":0,"statement":"No algoritmo Apriori, utilizado para mineração de regras de associação, o princípio da monotonicidade estabelece que, se um itemset for frequente, então todos os seus superconjuntos também serão frequentes, o que permite uma poda eficiente do espaço de busca.","answer":"E","source":{"slug":"SUSEP_25","ano":2025},"explanation":{"verdict_reason":"O princípio que sustenta a poda do Apriori tem direção fixa: se um itemset é frequente, todos os seus subconjuntos também são; e, na forma usada na prática, se um itemset é infrequente, nenhum superconjunto dele pode ser frequente. A razão é que acrescentar itens só pode reduzir o suporte. O item inverte o sentido, e invertido o princípio não poda nada — todo superconjunto continuaria candidato.","distortion_type":"inversao","distorted_span":"então todos os seus superconjuntos também serão frequentes","corrected_statement":"No algoritmo Apriori, utilizado para mineração de regras de associação, o princípio da monotonicidade estabelece que, se um itemset for frequente, então todos os seus subconjuntos também serão frequentes, o que permite uma poda eficiente do espaço de busca.","concept":"Apriori: subconjunto de itemset frequente é frequente","citation":null,"trap_note":"O suporte só cai quando o conjunto cresce. Qualquer afirmação sobre Apriori que faça a frequência subir ao acrescentar item está invertida."}},{"id":"38977fb63e80","number":52,"stem":0,"statement":"O modelo de aprendizado supervisionado ajusta uma função de mapeamento a partir de exemplos rotulados para generalizar dados ainda não vistos.","answer":"C","source":{"slug":"SUSEP_25","ano":2025},"explanation":{"verdict_reason":"É a definição formal do aprendizado supervisionado: a partir de pares entrada e rótulo, o algoritmo estima uma função que mapeia entradas em saídas. O critério de qualidade não é acertar o conjunto de treino, e sim generalizar para exemplos ainda não vistos. As duas metades do item são corretas e complementares.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Supervisionado: função de mapeamento que generaliza","citation":null,"trap_note":"Duas palavras identificam supervisionado em qualquer enunciado: rotulado e generalizar. A ausência da primeira já muda a família."}},{"id":"65fe13d24fcb","number":55,"stem":0,"statement":"A aplicação de PCA (análise de componentes principais) em contexto não supervisionado independe de rótulos para extrair componentes de maior variância.","answer":"C","source":{"slug":"SUSEP_25","ano":2025},"explanation":{"verdict_reason":"O PCA é calculado a partir da matriz de covariância dos atributos de entrada: ele procura as direções de maior variância dos dados, sem consultar variável resposta alguma. Por isso é método não supervisionado, aplicável a bases inteiramente sem rótulo. O item afirma exatamente essa independência.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"PCA é não supervisionado: maximiza variância, ignora rótulo","citation":null,"trap_note":"Existe redução de dimensionalidade que olha o rótulo — a análise discriminante linear — e ela não é o PCA. Item que faça o PCA escolher componentes pela classe trocou um método pelo outro."}},{"id":"786e5a5545fe","number":62,"stem":1,"statement":"Em data mining, a técnica de regras de associação é usada para prever valores contínuos com base em atributos independentes, utilizando-se árvores de regressão.","answer":"E","source":{"slug":"STM_25","ano":2025},"explanation":{"verdict_reason":"Prever valores contínuos a partir de atributos independentes, inclusive por árvores de regressão, é a tarefa de regressão. Regras de associação não predizem valor: medem co-ocorrência entre itens e são avaliadas por suporte, confiança e lift. O item descreve corretamente uma técnica e a batiza com o nome de outra.","distortion_type":"atribuicao_errada","distorted_span":"a técnica de regras de associação","corrected_statement":"Em data mining, a técnica de regressão é usada para prever valores contínuos com base em atributos independentes, utilizando-se árvores de regressão.","concept":"Associação mede co-ocorrência; regressão prevê valor contínuo","citation":null,"trap_note":"Saída contínua aponta sempre para regressão. Associação e agrupamento não produzem valor previsto, e classificação produz classe, não número."}},{"id":"b2bb704f49a2","number":76,"stem":2,"statement":"Em mineração de dados, as regras de associação podem ser utilizadas para identificar combinações recorrentes entre argumentos jurídicos e decisões judiciais, revelar padrões entre tipos de ação e desfechos processuais, e auxiliar na recomendação de precedentes com base em casos semelhantes.","answer":"C","source":{"slug":"MP_CE_25_SERVIDOR","ano":2025},"explanation":{"verdict_reason":"Regra de associação procura co-ocorrências frequentes entre itens de uma mesma transação, sem exigir classe definida previamente. Trocando transação por processo e itens por argumentos, tipos de ação e desfechos, a técnica se aplica sem nenhuma adaptação conceitual. A recomendação de precedentes por casos semelhantes é uso direto das regras extraídas.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Regras de associação: co-ocorrência em qualquer domínio","citation":null,"trap_note":"Item que apenas transporta uma técnica para um domínio novo costuma ser Certo. O que derruba é a troca da tarefa da técnica — associação descrita como predição de classe, de valor ou de grupo."}},{"id":"e4eb77d5e877","number":103,"stem":3,"statement":"As técnicas de data mining operam exclusivamente com dados rotulados, utilizando apenas algoritmos supervisionados, uma vez que a descoberta de padrões requer o conhecimento prévio das classes dos dados.","answer":"E","source":{"slug":"TJ_PA_25_SERVIDOR","ano":2025},"explanation":{"verdict_reason":"Mineração de dados não é sinônimo de aprendizado supervisionado: agrupamento, regras de associação, detecção de anomalias e redução de dimensionalidade operam sobre dados sem rótulo algum. A justificativa oferecida — que descobrir padrões exige conhecer as classes de antemão — inverte o próprio propósito da descoberta de conhecimento. Basta o agrupamento como contraexemplo para derrubar a exclusividade afirmada.","distortion_type":"generalizacao","distorted_span":"exclusivamente com dados rotulados, utilizando apenas algoritmos supervisionados","corrected_statement":"As técnicas de data mining operam tanto com dados rotulados quanto com dados não rotulados, utilizando algoritmos supervisionados e não supervisionados, uma vez que a descoberta de padrões nem sempre requer o conhecimento prévio das classes dos dados.","concept":"Mineração de dados abrange tarefas não supervisionadas","citation":null,"trap_note":"Exclusivamente, apenas, somente e invariavelmente em item de mineração quase sempre marcam o erro: um único contraexemplo, e o agrupamento serve para quase todos, já encerra a questão."}},{"id":"c1271d2384f6","number":109,"stem":4,"statement":"Em análise preditiva, algoritmos de classificação podem ser treinados a partir de conjuntos de dados sem rótulos; sendo o processo de ajuste dos parâmetros pelo algoritmo com base nesses dados denominado aprendizado supervisionado.","answer":"E","source":{"slug":"TJ_PA_25_SERVIDOR","ano":2025},"explanation":{"verdict_reason":"O que torna um aprendizado supervisionado é a presença do rótulo: o algoritmo ajusta seus parâmetros comparando a saída prevista com a resposta conhecida de cada exemplo. Sem rótulo não há erro a minimizar nem classe a aprender, e nenhum classificador pode ser treinado. O item chama de supervisionado justamente o cenário que exclui a supervisão.","distortion_type":"troca_de_termo","distorted_span":"conjuntos de dados sem rótulos","corrected_statement":"Em análise preditiva, algoritmos de classificação podem ser treinados a partir de conjuntos de dados rotulados; sendo o processo de ajuste dos parâmetros pelo algoritmo com base nesses dados denominado aprendizado supervisionado.","concept":"Supervisão é o rótulo; sem rótulo não há classificador treinado","citation":null,"trap_note":"Dois pedaços do item têm de concordar: o nome da família e a presença do rótulo. Quando um diz supervisionado e o outro diz sem rótulo, a contradição resolve o item sem mais análise."}},{"id":"b53448d4ca87","number":105,"stem":5,"statement":"Data mining é o processo de descobrir padrões e informações valiosas em grandes conjuntos de dados, a partir da utilização de técnicas estatísticas, de aprendizado de máquina e de inteligência artificial.","answer":"C","source":{"slug":"STJ_24","ano":2024},"explanation":{"verdict_reason":"É a definição corrente de mineração de dados: extrair padrões e conhecimento útil, antes desconhecido, de grandes volumes de dados. A disciplina é explicitamente multidisciplinar, apoiada em estatística, aprendizado de máquina, banco de dados e inteligência artificial. O item soma fundamentos verdadeiros e não exclui nenhum.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Mineração de dados: definição e bases multidisciplinares","citation":null,"trap_note":"Item que apenas soma fundamentos à mineração tende a ser Certo. O que restringe a uma base só, ou a um tipo de dado só, tende a ser Errado."}},{"id":"4b556cbcee28","number":115,"stem":6,"statement":"Para reconhecer padrões de ocorrência que se repetem em determinados conjuntos de dados, como, por exemplo, padrões de consumo, é usado o método de data mining denominado associação.","answer":"C","source":{"slug":"ANM_24","ano":2024},"explanation":{"verdict_reason":"Padrões que se repetem juntos — itens comprados na mesma cesta, serviços acionados na mesma visita — são exatamente o objeto da tarefa de associação, que extrai regras do tipo se A então B medidas por suporte e confiança. Padrão de consumo é o exemplo didático da técnica. Tarefa e exemplo estão corretamente emparelhados.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Associação: padrões de co-ocorrência recorrente","citation":null,"trap_note":"Quatro tarefas de mineração, quatro perguntas: classificação pergunta a que classe pertence, regressão pergunta que valor, agrupamento pergunta quem se parece com quem, associação pergunta o que ocorre junto."}},{"id":"b1bac9b1dca5","number":126,"stem":7,"statement":"Nas técnicas de classificação e clusterização de dados, as classes, ou categorias, devem existir previamente à sua aplicação.","answer":"E","source":{"slug":"SEPLAG_CE_24","ano":2024},"explanation":{"verdict_reason":"Classificação de fato exige classes definidas antes do treinamento, porque o rótulo é o que o modelo aprende a reproduzir. Clusterização é o oposto: os grupos são resultado do algoritmo e não existem antes dele — se existissem, não haveria o que descobrir. O item estende à clusterização uma exigência que só vale para a classificação.","distortion_type":"escopo_ampliado","distorted_span":"classificação e clusterização de dados, as classes, ou categorias, devem existir previamente","corrected_statement":"Na técnica de classificação de dados, as classes, ou categorias, devem existir previamente à sua aplicação.","concept":"Classes prévias: exigência da classificação, não do agrupamento","citation":null,"trap_note":"Quando o item põe classificação e agrupamento no mesmo sujeito e afirma uma propriedade das duas, teste a propriedade separadamente em cada uma. Em geral ela vale só para uma."}},{"id":"04b535b934b1","number":57,"stem":8,"statement":"O agrupamento é um método de aprendizado não supervisionado que busca a similaridade entre os dados e, uma vez identificada tal similaridade, organiza os itens em clusters específicos.","answer":"C","source":{"slug":"BCB_24","ano":2023},"explanation":{"verdict_reason":"Agrupamento é a tarefa canônica do aprendizado não supervisionado: sem classes definidas de antemão, o algoritmo mede similaridade entre os objetos e separa os grupos a partir dela. Os clusters são resultado do processo, não insumo dele. O item enuncia a ordem correta: primeiro a similaridade, depois o grupo.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Agrupamento: cluster é saída, não entrada","citation":null,"trap_note":"Ordem importa: na classificação as classes existem antes do treinamento; no agrupamento elas nascem do processo. Item que exija classes prévias para agrupar inverteu essa ordem."}},{"id":"d49bf0abab55","number":58,"stem":8,"statement":"O aprendizado por transferência transdutiva ocorre quando os domínios de origem e alvo são os mesmos, mas as tarefas que o modelo deve concluir são diferentes.","answer":"E","source":{"slug":"BCB_24","ano":2023},"explanation":{"verdict_reason":"A taxonomia clássica da aprendizagem por transferência separa os casos pelo que muda. Quando o domínio de origem e o de destino são os mesmos e a tarefa é que muda, o caso é indutivo. Transdutivo é o inverso: a tarefa é a mesma e o domínio é que muda, com rótulos disponíveis apenas na origem. O item aplica ao transdutivo a definição do indutivo.","distortion_type":"troca_de_termo","distorted_span":"transdutiva ocorre quando os domínios de origem e alvo são os mesmos","corrected_statement":"O aprendizado por transferência indutiva ocorre quando os domínios de origem e alvo são os mesmos, mas as tarefas que o modelo deve concluir são diferentes.","concept":"Transferência indutiva × transdutiva: muda a tarefa ou o domínio","citation":"Pan e Yang, A Survey on Transfer Learning (2010) — transferência indutiva, transdutiva e não supervisionada","trap_note":"Guarde pelo nome: indutivo induz uma tarefa nova, então o que muda é a tarefa; transdutivo transfere para outro domínio, então o que muda é o domínio. A banca troca os dois rótulos mantendo as definições intactas."}},{"id":"fb0e2aa6abed","number":77,"stem":9,"statement":"A regra de associação é uma técnica que busca relações de co-ocorrência entre objetos de uma base de dados.","answer":"C","source":{"slug":"DATAPREV_23","ano":2023},"explanation":{"verdict_reason":"A regra de associação busca justamente conjuntos de itens que aparecem juntos com frequência acima de um limiar, e co-ocorrência é o nome exato da relação que ela mede. Não há classe a prever nem grupo a formar: há frequência conjunta e força da implicação. O item enuncia a definição sem acréscimo.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Regra de associação mede co-ocorrência","citation":null,"trap_note":"Regra de associação diz o que ocorre junto, não o que causa o quê. Item que converta suporte e confiança em relação de causa está errado."}},{"id":"e72eedc74b96","number":78,"stem":9,"statement":"A compressão de atributos é uma técnica de redução de dimensionalidade na qual atributos irrelevantes ou redundantes são identificados e desconsiderados.","answer":"E","source":{"slug":"DATAPREV_23","ano":2023},"explanation":{"verdict_reason":"A redução de dimensionalidade tem dois caminhos distintos. Identificar atributos irrelevantes ou redundantes e descartá-los, preservando os originais que sobram, é seleção de atributos. Compressão, ou extração, não descarta: transforma os atributos originais em novos atributos combinados, como faz o PCA. O item dá à compressão a descrição da seleção.","distortion_type":"troca_de_termo","distorted_span":"A compressão de atributos","corrected_statement":"A seleção de atributos é uma técnica de redução de dimensionalidade na qual atributos irrelevantes ou redundantes são identificados e desconsiderados.","concept":"Seleção descarta atributos; compressão os transforma","citation":null,"trap_note":"Pergunte se os atributos finais ainda têm o nome dos originais. Se têm, é seleção; se viraram combinações novas, como componentes principais, é extração ou compressão."}},{"id":"16e77a33adf6","number":79,"stem":9,"statement":"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.","answer":"C","source":{"slug":"DATAPREV_23","ano":2023},"explanation":{"verdict_reason":"O PCA faz uma mudança de base: projeta os dados em direções ortogonais entre si, as componentes principais, ordenadas pela variância que explicam. Como as componentes são ortogonais, os novos atributos são linearmente descorrelacionados, ainda que os originais fossem correlacionados. O item descreve com precisão essa transformação.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"PCA: componentes ortogonais, atributos descorrelacionados","citation":null,"trap_note":"O PCA remove correlação linear, não dependência de qualquer natureza. Item que prometa independência estatística total foi além do que o método garante."}},{"id":"acd92a857e75","number":80,"stem":9,"statement":"O algoritmo k-means seleciona objetos reais de uma base de dados como centroide do grupo para realizar o agrupamento de objetos semelhantes.","answer":"E","source":{"slug":"DATAPREV_23","ano":2023},"explanation":{"verdict_reason":"No k-means o centroide é um ponto calculado, a média dos objetos do grupo, e em geral não coincide com nenhum objeto existente na base. Eleger objetos reais da base como representantes do grupo é o que faz o k-medoids, justamente para ganhar robustez diante de valores extremos. O item descreve o k-medoids sob o nome do k-means.","distortion_type":"troca_de_termo","distorted_span":"seleciona objetos reais de uma base de dados como centroide do grupo","corrected_statement":"O algoritmo k-medoids seleciona objetos reais de uma base de dados como medoide do grupo para realizar o agrupamento de objetos semelhantes.","concept":"k-means usa a média; k-medoids usa objeto real","citation":null,"trap_note":"Means é média calculada, medoids é objeto existente. É a troca mais barata que a banca faz em agrupamento particional, e vale também para a robustez: a média é sensível a outlier, o medoide não."}},{"id":"e2d35f064c9b","number":81,"stem":10,"statement":"Os métodos de aprendizado supervisionado são capazes de identificar padrões em um conjunto de dados sem a necessidade de receberem dados de treinamento rotulados.","answer":"E","source":{"slug":"DATAPREV_23","ano":2023},"explanation":{"verdict_reason":"O rótulo é o que caracteriza o aprendizado supervisionado: é dele que sai o erro que o algoritmo minimiza. Identificar padrões sem dados de treinamento rotulados é a descrição do aprendizado não supervisionado. O item mantém a descrição correta e troca o nome da família.","distortion_type":"troca_de_termo","distorted_span":"sem a necessidade de receberem dados de treinamento rotulados","corrected_statement":"Os métodos de aprendizado não supervisionado são capazes de identificar padrões em um conjunto de dados sem a necessidade de receberem dados de treinamento rotulados.","concept":"Supervisionado exige rótulo no treinamento","citation":null,"trap_note":"Esta é a montagem mais repetida do tópico: o nome de uma família com a definição da outra. Leia o nome da família e o requisito de rótulo como um par e verifique se combinam antes de olhar o resto."}},{"id":"47d5ff368f8a","number":84,"stem":11,"statement":"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.","answer":"C","source":{"slug":"DATAPREV_23","ano":2023},"explanation":{"verdict_reason":"Agrupamento é não supervisionado porque nenhum retorno externo chega ao algoritmo: não há rótulo, não há resposta correta e não há recompensa. A estrutura sai da própria distribuição dos dados de entrada. Feedback prévio, no item, é precisamente o rótulo ausente.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Agrupamento: padrões sem feedback externo","citation":null,"trap_note":"O feedback é o eixo das três famílias: o supervisionado recebe a resposta certa, o reforço recebe recompensa, o não supervisionado não recebe nenhum dos dois."}},{"id":"7ddf86f5da82","number":85,"stem":11,"statement":"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.","answer":"E","source":{"slug":"DATAPREV_23","ano":2023},"explanation":{"verdict_reason":"O aprendizado por reforço não prevê o valor de um atributo alvo: o agente interage com um ambiente, escolhe ações e ajusta sua política para maximizar a recompensa acumulada. Prever o resultado de um atributo alvo a partir de exemplos é o objetivo do aprendizado supervisionado. O item importa o vocabulário de uma família para descrever a outra.","distortion_type":"troca_de_termo","distorted_span":"prever o resultado de um atributo alvo","corrected_statement":"O aprendizado por reforço é um tipo de aprendizagem de máquina que tem por objetivo maximizar a recompensa acumulada pelo agente, exclusivamente por meio de reforço no treinamento do modelo.","concept":"Reforço maximiza recompensa; não prevê atributo alvo","citation":null,"trap_note":"Atributo alvo é vocabulário do supervisionado. Quando ele aparece descrevendo reforço ou agrupamento, o item mudou de família sem trocar o nome."}},{"id":"b63d5577820c","number":85,"stem":12,"statement":"A mineração de dados é um processo cujos alicerces são aprendizado de máquina, análises estatísticas e volumes de dados.","answer":"C","source":{"slug":"DATAPREV_23","ano":2023},"explanation":{"verdict_reason":"A mineração de dados é apresentada como o cruzamento de três apoios: os algoritmos de aprendizado de máquina, os métodos estatísticos e a massa de dados sobre a qual ambos operam. Falta qualquer um dos três e não há mineração — sem volume os padrões não se sustentam, sem estatística não há como medir significância. O item reproduz esse tripé sem acréscimo indevido.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Tripé da mineração: aprendizado, estatística e volume de dados","citation":null,"trap_note":"Definições amplas de mineração quase sempre são Certo. Elas deixam de ser quando aparece uma exclusão: apenas estatística, somente dados estruturados, exclusivamente supervisionado."}},{"id":"ecb13bf0a316","number":100,"stem":13,"statement":"K-means é um algoritmo de aprendizado não supervisionado, em que se calcula a distância entre os objetos da base e cada um dos centroides; em que se atribui cada objeto ao centroide mais próximo; e em que se classifica cada item para sua média mais próxima.","answer":"C","source":{"slug":"SEFIN_FORTALEZA_CE_23","ano":2023},"explanation":{"verdict_reason":"O k-means é não supervisionado porque nenhum rótulo entra no processo: os grupos emergem das distâncias entre objetos e centroides. O ciclo descrito é o do algoritmo — medir a distância a cada centroide, atribuir o objeto ao mais próximo e recalcular o centroide como média dos objetos do grupo. Chamar o centroide de média é correto, pois é exatamente isso que ele é.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"k-means: centroide é a média do grupo","citation":null,"trap_note":"No k-means o centroide é um ponto calculado, não um objeto da base. Quem elege objetos reais como representantes é o k-medoids."}},{"id":"418512159b47","number":101,"stem":13,"statement":"Nos algoritmos de aprendizado por reforço, o agente recebe uma recompensa atrasada na próxima etapa de tempo para avaliar sua ação anterior; seu objetivo, então, é maximizar a recompensa.","answer":"C","source":{"slug":"SEFIN_FORTALEZA_CE_23","ano":2023},"explanation":{"verdict_reason":"No aprendizado por reforço não existe resposta correta fornecida: existe um sinal de recompensa que chega depois da ação, com frequência apenas no passo de tempo seguinte ou mais adiante. O agente usa esse retorno para avaliar a ação já tomada, e sua função objetivo é maximizar a recompensa. O item descreve exatamente o par ação e recompensa atrasada.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Reforço: recompensa atrasada e maximização","citation":null,"trap_note":"Reforço se reconhece por três palavras: agente, ambiente e recompensa. Se o enunciado falar em atributo alvo ou em exemplos rotulados, mudou de família sem avisar."}},{"id":"58e9a58271ae","number":120,"stem":14,"statement":"Um sistema de aprendizado não supervisionado, dotado de um conjunto de dados de treinamento que foram classificados manualmente, tenta aprender, a partir desses dados de treinamento, uma forma de classificá-los, bem como de classificar novos dados, ainda não observados.","answer":"E","source":{"slug":"DATAPREV_23","ano":2023},"explanation":{"verdict_reason":"Dados de treinamento classificados manualmente são dados rotulados, e aprender com eles a classificar casos novos é a definição do aprendizado supervisionado. Todo o processo descrito depende do rótulo fornecido por uma pessoa. O item acerta a descrição e erra apenas o nome da família.","distortion_type":"troca_de_termo","distorted_span":"Um sistema de aprendizado não supervisionado","corrected_statement":"Um sistema de aprendizado supervisionado, dotado de um conjunto de dados de treinamento que foram classificados manualmente, tenta aprender, a partir desses dados de treinamento, uma forma de classificá-los, bem como de classificar novos dados, ainda não observados.","concept":"Rótulo atribuído manualmente implica supervisionado","citation":null,"trap_note":"Classificados manualmente, anotados, etiquetados e com gabarito são sinônimos de rotulado. Qualquer um deles ao lado de não supervisionado fecha o item como errado."}},{"id":"81b7bdcb2903","number":71,"stem":15,"statement":"Entre as dimensões da qualidade de dados, a consistência refere-se ao grau em que os dados representam corretamente as entidades do mundo real.","answer":"E","source":{"slug":"SECONT_ES_22","ano":2022},"explanation":{"verdict_reason":"Representar corretamente as entidades do mundo real é a definição de acurácia. Consistência é a ausência de contradição entre representações do mesmo dado — o mesmo valor mantido igual entre sistemas, registros e momentos no tempo. O item entrega uma definição correta sob o nome da dimensão errada.","distortion_type":"troca_de_termo","distorted_span":"a consistência","corrected_statement":"Entre as dimensões da qualidade de dados, a acurácia refere-se ao grau em que os dados representam corretamente as entidades do mundo real.","concept":"Acurácia × consistência nas dimensões de qualidade","citation":"DAMA-DMBOK2, cap. 13 — Qualidade de Dados (dimensões)","trap_note":"As dimensões de qualidade caem sempre como troca de nome: acurácia é fidelidade ao mundo real, consistência é não contradição entre cópias, completude é ausência de vazios, atualidade é o dado a tempo, unicidade é não duplicar."}},{"id":"510eae5e8fcb","number":72,"stem":15,"statement":"Profiling data ajuda a identificar problemas, mas não identifica a sua origem nem determina o seu impacto nos processos de negócios.\n\ncreate table produto (\n    id integer,\n    descricao varchar(50),\n    unidade varchar(10),\n    constraint produto_pk primary key (id)\n);\ncreate table composto_de (\n    produto_id integer,\n    produto_ingrediente integer,\n    quantidade integer,\n    constraint composto_de_pk primary\nkey(produto_id, produto_ingrediente),\n    constraint composto_de_ingredientte_fk\nforeign key (produto_ingrediente) references\nproduto(id),\n    constraint composto_de_produto_fk foreign\nkey (produto_id) references produto(id)\n);\ninsert into produto (id, descricao, unidade)\nvalues (1,'Pão','unidade');\ninsert into produto (id, descricao, unidade)\nvalues (2,'Hamburguer de Carne','unidade');\ninsert into produto (id, descricao, unidade)\nvalues (3,'Queijo', 'fatia');\ninsert into produto (id, descricao, unidade)\nvalues (4, 'Alface','folha');\ninsert into produto (id, descricao, unidade)\nvalues (5, 'Tomate','fatia');\ninsert into produto (id, descricao, unidade)\nvalues (6,'Batata palha','50 g');\ninsert into produto (id, descricao, unidade)\nvalues (7,'Molho especial','pacote');\ninsert into produto (id, descricao, unidade)\nvalues (8,'Big X','unidade');\ninsert into produto (id, descricao, unidade)\nvalues (9,'X Burguer','unidade');\ninsert into produto (id, descricao, unidade)\nvalues (10,'Refrigerante','lata');\ninsert into produto (id, descricao, unidade)\nvalues (11,'Batata frita','100 g');\ninsert into produto (id, descricao, unidade)\nvalues (12,'Combo X Burguer','combo');\nFimDoTexto\ninsert into composto_de (produto_id,\nproduto_ingrediente, quantidade) values (8, 1, 1 );\ninsert into composto_de (produto_id,\nproduto_ingrediente, quantidade) values (8, 2, 2 );\ninsert into composto_de (produto_id,\nproduto_ingrediente, quantidade) values (8, 3, 2 );\ninsert into composto_de (produto_id,\nproduto_ingrediente, quantidade) values (9, 1, 1 );\ninsert into composto_de (produto_id,\nproduto_ingrediente, quantidade) values (9, 2, 1 );\ninsert into composto_de (produto_id,\nproduto_ingrediente, quantidade) values (9, 3, 1 );\ninsert into composto_de (produto_id,\nproduto_ingrediente, quantidade) values (9, 4, 2 );\ninsert into composto_de (produto_id,\nproduto_ingrediente, quantidade) values (9, 5, 3 );\ninsert into composto_de (produto_id,\nproduto_ingrediente, quantidade) values (9, 6, 1 );\ninsert into composto_de (produto_id,\nproduto_ingrediente, quantidade) values (12, 9, 1 );\ninsert into composto_de (produto_id,\nproduto_ingrediente, quantidade) values (12, 10, 1 );\ninsert into composto_de (produto_id,\nproduto_ingrediente, quantidade) values (12, 11, 2 );\nselect p.descricao, pd.descricao, pd.unidade,\nc.quantidade\nfrom produto p, composto_de c, produto pd\nwhere p.id=c.produto_id\nand pd.id=c.produto_ingrediente\nand p.id=12;","answer":"C","source":{"slug":"SECONT_ES_22","ano":2022},"explanation":{"verdict_reason":"A análise de perfil trabalha sobre o próprio dado: mede formatos, domínios, nulos, cardinalidade e padrões, e com isso expõe anomalias. Descobrir por que a anomalia existe exige investigar o processo ou o sistema que a produziu, e medir o impacto exige conhecer as regras de negócio afetadas — nenhuma das duas coisas está no dado perfilado. Por isso o profiling é apresentado como ponto de partida do diagnóstico, não como diagnóstico completo.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Profiling aponta o problema, não a causa nem o impacto","citation":"DAMA-DMBOK2, cap. 13 — Qualidade de Dados","trap_note":"Ferramenta de diagnóstico que promete também causa raiz e impacto de negócio é exagero típico da banca. Aqui o item foi honesto sobre o limite da técnica, e é justamente por isso que está certo."}},{"id":"c5784b6c8175","number":108,"stem":16,"statement":"A mineração de dados tem como objetivos identificar padrões nos dados, classificar dados de partição em classes e otimizar o uso de recursos limitados, como tempo, espaço e materiais.","answer":"C","source":{"slug":"DPDF_20_ANALISTA","ano":2020},"explanation":{"verdict_reason":"Os três objetivos listados constam das apresentações clássicas da mineração de dados: descobrir padrões, atribuir registros a classes, o que particiona a base, e apoiar decisões que otimizem o uso de recursos escassos. Nenhum é estranho à disciplina e o item não usa palavra de exclusão. Somar objetivos verdadeiros não torna a afirmação falsa.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Objetivos da mineração: padrão, classe e otimização","citation":null,"trap_note":"Enumeração larga e sem apenas ou somente raramente é o ponto de ataque. Quando o item enumera, procure a palavra restritiva ou o nome trocado, não a lista em si."}},{"id":"8d51813c467f","number":114,"stem":17,"statement":"No método de classificação para mineração de dados, a filiação dos objetos é obtida por meio de um processo não supervisionado de aprendizado, em que somente as variáveis de entrada são apresentadas para o algoritmo.","answer":"E","source":{"slug":"TCE_RJ_20","ano":2020},"explanation":{"verdict_reason":"Classificação é tarefa supervisionada: a filiação dos objetos a classes é aprendida a partir de exemplos em que a classe já é conhecida. Apresentar somente as variáveis de entrada, sem o atributo alvo, é o cenário do agrupamento. O item descreve o agrupamento e o batiza de classificação.","distortion_type":"troca_de_termo","distorted_span":"um processo não supervisionado de aprendizado","corrected_statement":"No método de classificação para mineração de dados, a filiação dos objetos é obtida por meio de um processo supervisionado de aprendizado, em que as variáveis de entrada e o atributo alvo são apresentados para o algoritmo.","concept":"Classificação é supervisionada; só o agrupamento usa apenas entradas","citation":null,"trap_note":"Somente as variáveis de entrada é a assinatura do não supervisionado. Se essa frase aparecer ao lado de classificação ou de predição de alvo, o item já está errado."}},{"id":"609e3d112700","number":86,"stem":18,"statement":"Nos algoritmos de aprendizagem de máquina não supervisionados, os dados de treinamento são fornecidos sem rótulos e, nesse caso, o algoritmo deverá agrupar os dados de treinamento pelas similaridades de seus atributos.","answer":"C","source":{"slug":"FUB_19","ano":2019},"explanation":{"verdict_reason":"A ausência de rótulo é exatamente o que define o aprendizado não supervisionado: não há atributo alvo indicando a resposta correta, de modo que o algoritmo só pode se orientar pela estrutura interna dos próprios dados. Daí decorre o agrupamento por similaridade de atributos, que é a tarefa típica dessa família. O item enuncia a definição e a consequência na ordem certa.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Não supervisionado: sem rótulo, agrupa por similaridade","citation":null,"trap_note":"Toda a família se decide por uma pergunta: existe atributo alvo conhecido no treinamento? Se existe, é supervisionado; se não existe, é não supervisionado. O verbo agrupar quase sempre acompanha o segundo."}},{"id":"17c27e8e508f","number":87,"stem":18,"statement":"Considere-se que o arquivo CSV (comma separated values) cliente.csv tenha o seguinte conteúdo.\n\nClienteId,Sexo,Idade,UFNascimento\n1,M,49,ES\n2,F,38,RS\n3,F,8,AC\n4,F,11,RN\n5,M,53,MG\n\nConsidere-se, também, que se queira mostrar em tela apenas as colunas Idade e Sexo de cada cliente, que o seguinte script em Python tenha sido executado e que o arquivo cliente.csv esteja na mesma pasta que o script em Python.\n\nimport pandas as pd\ncliente = pd.read_csv(“cliente.csv”)\nsexo_idade = cliente [(“Sexo”, “Idade”)]\nprint(sexo_idade.list())\n\nCom base nessa situação hipotética, é correto afirmar que a execução do referido script resultará no seguinte.\n\n  Sexo Idade\n0 M 49\n1 F 38\n2 F 8\n3 F 11\n4 M 53","answer":"E","source":{"slug":"FUB_19","ano":2019},"explanation":{"verdict_reason":"Para exibir mais de uma coluna, o pandas exige uma lista de nomes dentro dos colchetes: cliente[[\"Sexo\", \"Idade\"]]. O script passa uma tupla, que o pandas trata como um único rótulo de coluna inexistente, e a execução termina em erro de chave, não na tabela apresentada. Some-se a isso que DataFrame não possui método list(), de modo que nem a linha de impressão executaria.","distortion_type":"troca_de_termo","distorted_span":"sexo_idade = cliente [(“Sexo”, “Idade”)]","corrected_statement":"Com sexo_idade = cliente[[\"Sexo\", \"Idade\"]] e print(sexo_idade), a execução do script resultaria na saída apresentada.","concept":"Seleção de várias colunas em pandas exige lista","citation":null,"trap_note":"Em item de pandas, confira primeiro os colchetes: um par seleciona uma coluna (Series), dois pares selecionam um subconjunto de colunas (DataFrame). Parênteses nessa posição formam tupla e geram erro, não seleção."}},{"id":"6ca1a1c4a770","number":70,"stem":19,"statement":"A descoberta de novas regras e padrões em conjuntos de dados fornecidos, ou aquisição de conhecimento indutivo, é um dos objetivos de data mining.","answer":"C","source":{"slug":"EBSERH_18_ADMINISTRATIVO","ano":2018},"explanation":{"verdict_reason":"Mineração de dados é indução: de casos particulares presentes na base generalizam-se regras e padrões que não estavam declarados em lugar nenhum. Chamar isso de aquisição de conhecimento indutivo é descrever a descoberta de conhecimento em bases de dados. O item nomeia um objetivo legítimo e não o apresenta como exclusivo.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Mineração induz regras a partir de casos","citation":null,"trap_note":"Indutivo vai do particular para a regra e é mineração; dedutivo vai da regra para o caso e é consulta ou sistema baseado em regras. A troca dedução por indução reaparece com frequência."}}]}