Em relação a aprendizado não supervisionado, julgue o item que se seguem.

O modelo de mistura gaussiana (GMM) é um método que descreve um agrupamento de amostras para determinado espaço de características, em que o GMM é uma mistura de k distribuições gaussianas associadas à mudança de estado dos pixels.

Em relação a aprendizado não supervisionado, julgue o item que se seguem.

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.

Em relação a aprendizado não supervisionado, julgue o item que se seguem.

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.

Em relação a aprendizado não supervisionado, julgue o item que se seguem.

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.

Em relação a aprendizado não supervisionado, julgue o item que se seguem.

A validação cruzada pode ser utilizada para detectar quando uma rede neural está sendo treinada de maneira excessiva (overtraining) e assim interromper o treinamento antes que isso ocorra, como, por exemplo, por meio do princípio orientador atrativo para o ajuste dos pesos e bias durante o processo de treinamento da RNA.

Julgue o item a seguir, relativos a aprendizado supervisionado.

O trade off entre variância e viés é afetado pela utilização de polinômios, com graus que variam de zero a três, em que o emprego de polinômios de ordem ímpar produz sempre melhores resultados no que diz respeito à redução da variância e viés que os de ordem par, seja para estimativas com regressões locais constantes e lineares, seja para as estimativas de ordem quadrática e cúbica.

Julgue o item a seguir, relativos a aprendizado supervisionado.

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.

Julgue o item a seguir, relativos a aprendizado supervisionado.

A despeito do alto grau de aplicabilidade das técnicas de regularização na classificação e na regressão, no que se refere à sua acurácia, tais técnicas tendem a causar o sobreajuste (overfitting) devido à influência de coeficientes responsáveis por flutuações excessivas.

Julgue o item a seguir, relativos a aprendizado supervisionado.

As técnicas de regressão são utilizadas tanto para prever quando para entender como o sinal avaliado é afetado pela variação dos preditores, ou ainda, para identificar os preditores mais importantes na relação entre o sinal avaliado e cada um deles.

Julgue o item a seguir, relativos a aprendizado supervisionado.

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).