Deep learning (aprendizado profundo) é uma subárea do aprendizado de máquina que se concentra em algoritmos baseados em redes neurais artificiais profundas. Essas redes neurais têm várias camadas intermediárias entre a entrada e a saída, permitindo que o sistema aprenda representações de dados em múltiplos níveis de abstração.
Em deep learning, o seguinte conceito se refere ao processo de ajustar os pesos de uma rede neural durante o treinamento, de modo a minimizar a função de perda:

Aprendizado de Máquina (Machine Learning) é uma subárea da inteligência artificial (IA) que se concentra em desenvolver algoritmos e modelos que permitem que os sistemas aprendam e façam previsões ou decisões baseadas em dados. O Aprendizado de Máquina pode ser dividido em aprendizado supervisionado, aprendizado não supervisionado e aprendizado por reforço.
No contexto de aprendizado de máquina supervisionado, das técnicas a seguir, a mais apropriada para lidar com um problema de regressão no qual o objetivo é prever um valor numérico contínuo é

Power BI é uma ferramenta de análise de dados e visualização desenvolvida pela Microsoft. Ela permite que empresas e usuários individuais criem relatórios interativos e dashboards dinâmicos para análise e visualização de dados.
No Power BI, a opção mais adequada para criar uma medida que calcula a soma de vendas acumulada ao longo do tempo, respeitando o contexto de filtro aplicado na visualização é

Data Mining é o processo de explorar grandes conjuntos de dados para identificar padrões, tendências e informações valiosas que não são imediatamente evidentes. Utiliza técnicas de estatística, aprendizado de máquina e análise de dados para extrair conhecimento útil a partir de dados brutos. No contexto de Data Mining, a seguinte técnica é mais adequada para descobrir padrões ocultos em grandes conjuntos de dados categóricos sem a necessidade de rótulos de classe:

Data Warehouse (Armazém de Dados) é uma solução de armazenamento de dados projetada para consolidar e gerenciar grandes volumes de dados provenientes de diversas fontes de forma eficiente e estruturada. É uma ferramenta crucial para análise de dados, relatórios e tomada de decisões empresariais. No contexto de um Data Warehouse, uma característica essencial para garantir a consistência dos dados ao longo do tempo, permitindo a realização de análises históricas, é

A otimização de hiperparâmetros é crucial na construção de modelos de Machine Learning, pois pode afetar significativamente o desempenho do modelo. Diversas técnicas de busca são usadas para encontrar a melhor combinação de hiperparâmetros, e entender quais são eficazes para esse propósito é essencial para aprimorar a precisão do modelo.

A técnica apropriada na otimização de hiperparâmetros para um modelo de aprendizado supervisionado, considerando tanto a eficiência quanto a eficácia é a

No processamento de linguagem natural (PLN), a redução de dimensionalidade é vital para simplificar dados textuais e melhorar o desempenho dos algoritmos de aprendizado de máquina. Diversos métodos são usados para esse fim, cada um com suas próprias características.

Na redução de dimensionalidade em PLN, a técnica utilizada é chamada

Os classificadores Naive Bayes são amplamente utilizados em aprendizado de máquina devido à sua simplicidade e eficácia.

Assim, é correto afirmar que os classificadores Naive Bayes

No aprendizado de máquina, técnicas de classificação e agrupamento têm objetivos distintos.

Assinale a opção que descreve corretamente uma diferença fundamental entre técnicas de agrupamento e técnicas de classificação.

O processo de ETL (Extract, Transform, and Load) é importante na integração de dados, especialmente em projetos de data warehousing e business intelligence. Ele envolve três etapas principais, que são fundamentais para garantir a integridade e a qualidade dos dados permitindo análises precisas e insights valiosos.

No processo ETL, a etapa de transformação