Com relação aos bancos de dados NoSQL orientados a documentos, avalie se as afirmativas a seguir são verdadeiras (V) ou falsas (F).

( ) Utilizam um modelo de dados flexível e permitem o armazenado de dados em formatos como JSON e BSON.

( ) São comumente mais escaláveis verticalmente do que bancos de dados relacionais, permitindo dessa forma a distribuição de dados entre múltiplos servidores.

( ) Nesse tipo de banco de dados, a normalização dos dados é frequentemente utilizada para melhorar a consistência dos dados e evitar redundância.

As afirmativas são, respectivamente,

O programa Power BI Desktop disponibiliza diversos visuais para representação de variáveis. A figura abaixo ilustra a quantidade de focos de incêndio registrados em 2020, em vários estados do Brasil.

Assinale a opção que corresponde ao visual utilizado para representar essa variável.

Com relação aos tipos estruturados da linguagem de programação Python 3, avalie as afirmativas a seguir:

I. A tentativa de utilizar conjunto (set) como chave de um dicionário (dict) retorna erro.

II. O conjunto (set) não permite elementos repetidos.

III. O construtor do tipo list retorna erro ao receber uma string como argumento (entrada).

Está correto o que se afirma em

Considere a biblioteca Pandas e o trecho de código a seguir:

import pandas as pd

data = {'Cidade': ['Parauapebas', 'Marabá',

'Altamira'], 'Região': ['I', 'II', 'II'], 'Jan': [150,

395, 300], 'Fev': [275, 195, 250], 'Mar': [250, 280,

200] }

df = pd.DataFrame(data,

columns=['Cidade','Região','Jan', 'Fev','Mar'])

print(df.groupby('Região')[['Jan', 'Fev',

'Mar']].mean().iloc[1,2])

Assinale a opção que apresenta o valor numérico exibido como saída ao comando print.

Em processamento de linguagem natural (Natural Language Processing - NLP), é fundamental que sejam utilizadas técnicas para representar palavras numericamente como vetores. As representações numéricas são importantes para capturar relações semânticas entre as palavras, permitindo, por exemplo, processamentos para a detecção de similaridades entre palavras e o desenvolvimento de chatbots.

Entre as técnicas de NLP para a representação numérica de palavras destacam-se as seguintes:

Alguns dos primeiros modelos de linguagem de larga escala desenvolvidos tendiam a gerar resultados incorretos com excesso de confiança, caracterizando o que se convencionou chamar de alucinações dos modelos. Uma estratégia de mitigação das alucinações é o uso da técnica de Geração Aumentada por Recuperação, ou Retrieval-Augmented Generation (RAG).

A respeito da RAG, avalie as afirmativas a seguir.

I. Baseia-se na combinação de sistemas de recuperação de informações e de modelos generativos capazes de produzir novos textos.

II. Permite aos modelos buscarem informações relevantes em bases de dados mais confiáveis durante o processamento das consultas dos usuários (user queries), viabilizando melhor adequação a contextos e melhor qualidade das respostas.

III. Não altera os parâmetros dos modelos generativos, e, portanto, não influencia o treinamento das redes neurais com informações recuperadas de bases de dados externas.

Está correto o que se afirma em

As arquiteturas de modelos de linguagem de larga escala (Large Language Models – LLM) surgiram recentemente, revolucionando a área de inteligência artificial nas áreas de processamento e geração de texto. A arquitetura desses modelos baseia-se, majoritariamente, nas redes neurais do tipo transformers.

Relacione as arquiteturas a seguir as suas características principais.

1. BERT

2. GPT

3. T5

( ) Utiliza decoders das redes transformer para prever novos tokens a partir de uma sequência, tornando-se ideal para a geração de textos.

( ) Utiliza encoders das redes transformer para "entender" o contexto de frases, tornando-se ideal para classificação de textos.

( ) Utiliza encoders e decoders das redes transformer, sendo adaptável a situações em que seja necessário gerar novos textos ou processar textos para "entender" o contexto das frases.

( ) Em comparação com as outras arquiteturas, tem menor necessidade de fine-tuning para melhora de performance.

A relação correta, na ordem apresentada, é

Alguns algoritmos de aprendizado de máquina servem para agrupar instâncias de dados em clusters, podendo ser utilizados para tarefas como segmentação de imagens, ou segmentação social (por exemplo, para agrupamento de clientes em uma mesma categoria.

Dois dos mais populares algoritmos são o K-means e o DBSCAN. A respeito desses algoritmos, relacione-os com suas principais características:

1. K-means

2. DBSCAN

( ) Precisa da definição de um número inicial de agrupamentos.

( ) Mais robusto à ocorrência de outliers, por sua provável localização em regiões de baixa densidade de dados.

( ) Precisa da definição do número mínimo de vizinhos e do raio da vizinhança para determinar limites dos agrupamentos.

( ) Determina centróides dos agrupamentos e agrupa as instâncias de dados em função de uma métrica de distância entre as instâncias e os centróides.

Das opções a seguir, aquela que indica a relação correta na sequência apresentada é

Modelos de previsão podem ser obtidos a partir do uso de técnicas de regressão. Dentre essas técnicas, pode-se citar a técnica de regressão polinomial.

Considere o conjunto de dados e a informação a seguir:

Informação: \( \begin{bmatrix} 4 & 6 & 14 \\ 6 & 14 & 36 \\ 14 & 36 & 98 \\ \end{bmatrix}^{-1} \) \( =\dfrac{1}{20} \) \( \begin{bmatrix} 19 & -21 & 5 \\ -21 & 49 & -15 \\ 5 & -15 & 5 \\ \end{bmatrix} \) .

Deseja-se encontrar um modelo de regressão polinomial de 2º grau \( Y \) = \( a \)₀ + \( a \)₁ \( X \) + \( a \)₂ \( X \)² que melhor se encaixe nesse conjunto de dados.

Estimando-se pelo método dos mínimos quadrados, os valores de \( a \)₀, \( a \)₁ e \( a \)₂ serão dados, respectivamente, por

Diferentes técnicas de classificação são utilizadas em aprendizado de máquina para organizar e categorizar dados de acordo com características predefinidas.

Com respeito a técnicas de classificação em aprendizado de máquina, analise as afirmativas a seguir:

I. A regressão logística determina um hiperplano no espaço \( n \)- dimensional para separar as instâncias de dados de entrada em partições de acordo com suas classes.

II. As máquinas de vetores de suporte (Support Vector Machines - SVM) consistem em uma abordagem probabilística, determinando uma distribuição de probabilidades de que uma nova instância de dados de entrada pertença as respectivas classes.

III. O algoritmo K vizinhos mais próximos (K Nearest Neighbors - KNN) classifica uma nova instância de dados de entrada conforme a classe das instâncias mais próximas já observadas.

Está correto o que se afirma em