Uma equipe de Ciência de Dados construiu uma rede neural profunda para prever a taxa de cancelamento de clientes em uma grande plataforma. Durante a fase de validação, os engenheiros notaram que o modelo apresentava uma acurácia próxima de 99% no conjunto de dados de treino, mas o desempenho despencava para 62% no conjunto de testes. Para combater esse problema de sobreajuste, a liderança técnica solicitou a aplicação de técnicas de regularização baseadas na penalização da função de perda por meio de normas (L1 e L2), visando melhorar a capacidade de generalização do modelo e limitar o crescimento excessivo dos pesos.
Considerando o comportamento e o impacto teórico das penalizações pela norma L1 (Lasso) e pela norma L2 (Decaimento de Pesos) nas redes neurais artificiais, assinale a afirmativa correta.

A equipe de IA de uma FinTech foi encarregada de refatorar o pipeline de treinamento da rede neural responsável pela detecção de fraudes em transações de cartão de crédito. Atualmente, o sistema processa cerca de 50 milhões de transações diárias. No relatório técnico entregue à diretoria, os engenheiros precisam justificar a escolha da arquitetura de treinamento, detalhando as vantagens e o papel de cada algoritmo envolvido na otimização da rede.
Considerando o funcionamento, a eficiência computacional e as vantagens comparativas dos algoritmos de otimização, assinale a afirmativa correta.

No contexto do Aprendizado de Máquina não supervisionado, os Modelos de Mistura Gaussiana (Gaussian Mixture Models) representam uma abordagem probabilística para a tarefa de agrupamento (clustering).
Acerca das características e do funcionamento dessa técnica, analise os itens a seguir. I. De acordo com a técnica, cada gaussiana no modelo de mistura possui três parâmetros principais: média, peso e matriz de covariância. II. O modelo calcula para cada instância a probabilidade de ela ter sido gerada por cada um dos componentes da mistura. III. Os agrupamentos gerados por essa técnica são matematicamente limitados a formatos esféricos, impossibilitando a modelagem de distribuições elípticas ou com volumes distintos no espaço de dados. Está correto o que se afirma em

O algoritmo K-Means (K-Médias, em português), usado em Aprendizado de Máquina, pode ser descrito como um método

O problema da alta dimensionalidade, comum em modelos de Aprendizado de Máquina, pode ser tratado com técnicas de redução de dimensionalidade. Sobre esse assunto, analise as afirmativas a seguir e assinale (V) para a verdadeira e (F) para a falsa.
( ) A redução de dimensionalidade tem como principal objetivo escolher dados apenas do espaço bidimensional.
( ) As técnicas de agregação são aplicadas para descartar parte dos atributos originais por meio da criação de grupos de atributos.
( ) A técnica de Análise de Componentes Principais (Principal Component Analysis) permite eliminar redundâncias geradas pela alta correlação entre as variáveis originais.
As afirmativas são, respectivamente,

Uma das métricas utilizadas no algoritmo K-NN (K-Nearest Neighbors), no desenvolvimento de modelos de Aprendizado de Máquina, é a distância de Minkowski, definida pela norma-p, onde p é a ordem.
Nesse contexto, analise os itens a seguir.
I. Quando p = 1, a distância de Minkowski calcula o número de atributos diferentes entre dois vetores no espaço.
II. Quando p = 2, a distância de Minkowski calcula a distância euclidiana entre dois vetores no espaço.
III. Quando p = K, a distância de Minkowski calcula a distância média para os K vizinhos mais próximos.
Está correto o que se afirma em

Um cientista de dados possui um conjunto de dados com exatamente 1.500 amostras e decide avaliar seu modelo de aprendizado de máquina utilizando a técnica de k-Fold CrossValidation (validação cruzada com k-repetições).
Considerando o funcionamento padrão dessa técnica, o número total de vezes em que o modelo será treinado e a quantidade exata de amostras utilizadas para treinamento em cada uma das rodadas (folds) de validação são, para k = 5, respectivamente,

No desenvolvimento de modelos de Aprendizado de Máquina, a análise do espaço de hipóteses é importante para compreender a capacidade de generalização de um modelo.
Acerca dos conceitos de viés (bias), variância (variance) e dos fenômenos de subajuste (underfitting) e sobreajuste (overfitting), analise os itens a seguir:
I. Um viés alto pode ser provocado por restrições estruturais no próprio espaço de hipóteses, induzindo ao subajuste do modelo.
II. Uma das causas de sobreajuste do modelo é uma variância alta, prejudicando seu desempenho em novos dados mesmo quando o desempenho no treinamento é satisfatório.
III. O compromisso viés-variância (bias-variance trade-off) estabelece um dilema entre optar por hipóteses mais complexas com baixo viés ou hipóteses mais simples com baixa variância.
Está correto o que se afirma em

Maria, que trabalha no departamento de TI de um órgão público, faz parte de uma equipe que foi designada para adquirir novos equipamentos de rede para serem integrados àqueles já existentes no datacenter do órgão.
Com base em conceitos básicos de gestão de riscos em TI, analise as afirmativas a seguir.
I. As estratégias de gestão dos riscos que por ventura possam surgir em uma contratação/aquisição isolada não precisam estar integrados à Política de Gestão de Riscos da organização.
II. Identificação, análise e planejamento de respostas aos riscos são etapas do gerenciamento de riscos.
III. Os riscos identificados em uma contratação/aquisição devem estar registrados no Mapa de Gerenciamento de Riscos, todavia, as estratégias de mitigação não devem estar no Mapa.
Está correto o que se afirma em

Analise o código Java a seguir:

public class ExemploDataprev {
    public static void main(String[] args) {
        int limite = 10;
        Runnable r = () -> System.out.println(limite);
        limite = 20;
        r.run();
    }
}

Considerando as regras da linguagem Java para expressões lambda, assinale a afirmativa correta.