Extrair conhecimento útil ou insights de dados massivos é um dos maiores desafios enfrentado pelos cientistas de dados. Uma das principais tarefas utilizadas para diminuir a complexidade desses dados é reduzir sua dimensionalidade preservando as características (features) mais importantes. No ciclo de vida de ciência de dados, a tarefa de redução de dimensionalidade dos dados é executada na fase:

Relacione os algoritmos populares listados a seguir, às suas respectivas definições.

1. Algoritmos de classificação

2. Algoritmos de clustering

3. Algoritmos de gradient boosting

4. Algoritmos de regressão linear

( ) Usam cálculos preditivos para atribuir dados a categorias predefinidas.

( ) mostram ou preveem a relação entre duas variáveis ou dois fatores ajustando uma linha reta contínua aos dados.

( ) Produzem um modelo de previsão que agrupa modelos de previsão fracos por meio de um processo de ensembling que aprimora o desempenho geral do modelo

( ) Dividem os dados em vários grupos determinando o nível de similaridade entre os pontos de dados.

Assinale a opção que indica a relação correta, segundo a ordem apresentada.

Data warehousing é normalmente integrado com ferramentas de análise de dados. Sobre o Processamento Analítico On-line (OLAP) no contexto de data warehousing, assinale a afirmativa que define corretamente OLAP.

A principal função de um Data Warehouse é

Assinale a alternativa que apresenta corretamente o conceito de processamento de dados?

Durante a preparação de dados para análise, alterar a quantidade de dimensões e/ou elementos de cada dimensão de um dado do tipo Array é uma operação importante na manipulação de dados. Observe o seguinte trecho de código escrito na linguagem de programação Python:

import numpy as np 

arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12]) 
newarr = arr.reshape(2, 3, 2) 
print(newarr)

O resultado da execução do código apresentado é: