Uma gerente de projetos (GP) está trabalhando na construção do cronograma para um novo projeto, que fornecerá como produto uma solução de Business Intelligence. As atividades já foram definidas e sequenciadas.

Para estimar a duração esperada de cada atividade por meio de faixas de durações prováveis, otimistas e pessimistas, a GP realizou a estimativa:

A tradução automática de texto, embora possua raízes na metade do século passado, vem recebendo melhorias substanciais na última década, alimentadas pelo crescimento do poder computacional, disponibilidade de dados linguísticos e inovações técnicas.

Com relação às inovações, e levando em consideração os recursos mencionados, a alternativa que apresenta apenas vantagens da Tradução Automática Neural (NMT) sobre técnicas de Tradução Automática Estatística (SMT) é:

Um analista precisa construir um modelo de tópicos para uma grande base de documentos legais, mas há uma preocupação quanto à interpretabilidade do modelo e à capacidade de inspecionar os resultados.

Considerando essa preocupação, a técnica mais apropriada para a construção do modelo e a razão da escolha são, respectivamente:

Considere o parágrafo a seguir.

“Os beija-flores são aves de pequeno porte, que medem em média de 6 a 12 centímetros de comprimento e pesam de 2 a 6 gramas. Maioria dos bicos são normalmente longos, mas o formato preciso varia bastante com a espécie e está adaptado ao formato da flor que constitui a base da alimentação de cada tipo de beija-flor.”

E seu sumário, obtido através de um modelo de sumarização automática:

“Os beija-flores são aves de pequeno porte, com os bicos normalmente longos cujo formato varia com a espécie, dependendo do formato da flor que constitui a base da alimentação de cada tipo de beija-flor.”

Com relação à técnica utilizada para essa sumarização, a alternativa que apresenta, respectivamente, o tipo de sumarização realizada e a evidência que nos permite classificá-la é:

Um cientista de dados está ponderando sobre a aplicação de um modelo Paragraph Vector (PV-DM) sobre uma coleção de documentos, no lugar de usar a média de vetores de palavras em cada documento.

Uma razão pela qual ele deveria aplicar PV-DM, e uma contrapartida à sua aplicação, são, respectivamente:

Após concluir sua formação no

<ent type="ORG"
url="http://dbpedia.org/resource/King's_College_London">
King’s College</ent> em
<ent type="" url="http://dbpedia.org/resource/London">
Londres</ent>,
<ent type="PER"
url="http://dbpedia.org/resource/Peter_Higgs">Higgs</ent>
assumiu a cadeira de Teoria Física na Universidade de
Edimburgo.

A respeito das anotações, o tipo correto com o qual a segunda entidade deveria ser preenchida e o propósito dos links contidos no atributo “url” são:

Considere a sentença a seguir.

s: “O acesso ao auditório também pode ser feito através de uma rampa”

Aplicando a função f à sentença, obtém-se o seguinte resultado:

f(s) = “acesso auditório pode ser feito através rampa”

A melhor descrição para a tarefa realizada pela função f é:

Considerando a seguinte matriz de confusão obtida de um experimento de classificação:

Os valores corretos das métricas de precisão e recall (revocação/sensibilidade), para a classe rato, são, respectivamente:

Durante o processo de treinamento e validação de uma rede neural, foi observado o fenômeno de underfitting do modelo, necessitando de ajustes ao procedimento. A arquitetura utilizada foi a Multilayer Perceptron (MLP) e o conjunto de dados foi separado em regime de holdout (50%, 30% e 20% para treinamento, validação e teste, respectivamente).

Dois fatores que podem ter condicionado o fenômeno observado são:

Baseado nos dados de infecções coletados durante semanas anteriores, a Secretaria de Saúde de uma pequena cidade solicitou a criação de um mecanismo para decidir sobre a priorização de vacinas na sua população.

Como resultado, foi criado o modelo de árvore de decisão ilustrado a seguir.

Uma evidência de que esse modelo foi construído usando o algoritmo C4.5 ou uma de suas variantes é: