Julgue os itens subsequentes, relativos à visualização de dados.

A escolha das cores em um gráfico tem pouca influência na interpretação dos dados.

Em relação a manipulação e limpeza de dados, julgue os itens a seguir.

A transformação de dados categóricos utilizando codificação one-hot sempre reduz a dimensionalidade do conjunto de dados.

Em relação a manipulação e limpeza de dados, julgue os itens a seguir.

A normalização dos dados é importante na preparação de dados para modelos de aprendizado de máquina, pois garante que todas as variáveis estejam na mesma escala, independentemente de sua importância no modelo.

Em relação a manipulação e limpeza de dados, julgue os itens a seguir.

Local outlier factor é uma técnica de detecção de outliers que mede a anomalia de um dado com base na densidade local dos seus vizinhos.

Acerca de análise quantitativa, julgue os itens que se seguem.

No que se refere à compreensão de conceitos subjetivos, a análise quantitativa é mais adequada que a qualitativa.

Acerca de análise quantitativa, julgue os itens que se seguem.

Amostras maiores tendem a fornecer estimativas mais precisas dos parâmetros de determinada população.

Julgue os próximos itens, a respeito de machine leaning.

A biblioteca Scikit-learn é amplamente utilizada para aprendizado de máquina em Python, mas não é especializada em processamento de linguagem natural nem oferece suporte robusto para redes neurais profundas.

Julgue os próximos itens, a respeito de machine leaning.

Árvores de decisão são técnicas de modelagem preditiva que particionam iterativamente os dados em subconjuntos homogêneos baseados em variáveis explicativas.

Julgue os itens a seguir, no que se refere à modelagem de banco de dados.

A forma normal de Boyce-Codd assegura que qualquer atributo ou conjunto de atributos que determina outro em uma tabela (determinante) seja uma chave candidata, eliminando possíveis anomalias causadas por dependências funcionais inadequadas.

Julgue os itens a seguir, no que se refere à modelagem de banco de dados.

Na criação de esquemas de banco de dados eficientes, a normalização excessiva pode levar a um desempenho ruim em consultas complexas, e, por isso, deve ser sempre evitada.