Na era do big data, as empresas precisam utilizar repositórios e tecnologias para armazenamento, tratamento e análise desse grande volume de dados, dentre as quais, encontram-se:

A

os sistemas OLAP, que têm foco no nível operacional da organização, proporcionando alta velocidade na consulta, inserção, alteração e exclusão de dados. Os dados, voláteis, são armazenados em SGBDs relacionais e a sua atualização é feita no momento da transação.

B

os Data Warehouses, que proporcionam alto desempenho para consulta de dados históricos. Os dados são obtidos de diversas fontes, passam por um processo de ETL e geralmente são armazenados em um modelo dimensional como Star e Snowflake.

C

as ferramentas OLAP, que utilizam a técnica de argumentação ativa, isto é, ao invés de o gestor definir o problema, selecionar os dados e as ferramentas para analisá-los, as ferramentas OLAP pesquisam automaticamente a base de dados à procura de anomalias e possíveis relacionamentos, identificando problemas que não tinham sido detectados pelo gestor.

D

as análises de BI, que utilizam algoritmos estatísticos e técnicas de machine learning para identificar a probabilidade da ocorrência de resultados futuros a partir de dados históricos armazenados em data lakes.

E

as ferramentas de Data Mining, que combinam os melhores elementos de Data Lakes e de Data Warehouses, formando um sistema aberto e padronizado, capaz de estruturar os dados e os recursos de gerenciamento de dados, de forma a proporcionar ao gestor uma exploração detalhada dos dados em busca de informações para a tomada de decisão.

Provas

Questão presente nas seguintes provas

2705943 Ano: 2023
Disciplina: TI - Ciência de Dados e BI
Banca: FGV
Orgão: PGM Niterói-RJ

Provas:

Analista de TI
Provas ×

Inteligência ArtificialMachine LearningAlgoritmosRegressão Logística

A analista Carla implementou uma solução algorítmica que classifica os novos processos submetidos à PGM de Niterói em níveis de indício de fraude. Para atingir este objetivo, Carla se baseou no algoritmo de machine learning para classificação que atribui, necessariamente, um valor no intervalo numérico de 0 a 1 para cada entrada. Carla utilizou como base o algoritmo de machine learning:

Provas

Questão presente nas seguintes provas

2704194 Ano: 2023
Disciplina: TI - Ciência de Dados e BI
Banca: CESPE / CEBRASPE
Orgão: CNMP

Provas:

Analista do CNMP - TI/Infraestrutura
Provas ×

BI: Business IntelligenceConceitos e Fundamentos de BI

A respeito de data warehouse e data mining, julgue o próximo item.

Em data warehouse, o conceito de granularidade refere-se ao nível de detalhe ou resumo existente em uma unidade de dados, de forma que, quanto mais detalhes, mais alto o nível de granularidade.

Provas

Questão presente nas seguintes provas

2704193 Ano: 2023
Disciplina: TI - Ciência de Dados e BI
Banca: CESPE / CEBRASPE
Orgão: CNMP

Provas:

Analista do CNMP - TI/Infraestrutura
Provas ×

BI: Business IntelligenceData Warehouse

A respeito de data warehouse e data mining, julgue o próximo item.

Fatos, dimensões e medidas são elementos essenciais de um data warehouse.

Provas

Questão presente nas seguintes provas

2704192 Ano: 2023
Disciplina: TI - Ciência de Dados e BI
Banca: CESPE / CEBRASPE
Orgão: CNMP

Provas:

Analista do CNMP - TI/Infraestrutura
Provas ×

Data MiningConceitos e Fundamentos de Data Mining

A respeito de data warehouse e data mining, julgue o próximo item.

O data mining é um processo usado para extrair e analisar informações que revelam padrões ou tendências estratégicas do negócio.

Provas

Questão presente nas seguintes provas

2695400 Ano: 2023
Disciplina: TI - Ciência de Dados e BI
Banca: Consulplan
Orgão: IF-PA

Provas:

Analista de TI - Desenvolvimento
Provas ×

BI: Business IntelligenceData Warehouse

Sobre Data Warehouse , assinale a afirmativa correta.

A

É um repositório de dados integrados, consolidados e possivelmente estruturados no tempo (dados históricos).

B

É uma coleção de procedimentos e mecanismos para recuperação, armazenamento e manipulação de bancos de dados.

C

Trata-se de um depósito de dados designado para a análise de dados em formato parcialmente estruturado ou não estruturado.

D

Refere-se a um repositório de dados, devidamente agregados e resumidos, com o objetivo de atender a interesses de uma área de negócios específica de uma organização.

Provas

Questão presente nas seguintes provas

2694344 Ano: 2023
Disciplina: TI - Ciência de Dados e BI
Banca: UFF
Orgão: UFF

Provas:

Técnico de Laboratório - Informática
Provas ×

Introdução à Ciência de Dados

João, técnico de laboratório, foi questionado para sugerir um tipo de sistema de informação. Ele pesquisou e verificou que haverá necessidade de um sistema que utilize uma interface natural tal como o ChatGPT. Nesse caso, o tipo de sistema de informação será:

Provas

Questão presente nas seguintes provas

2686073 Ano: 2023
Disciplina: TI - Ciência de Dados e BI
Banca: CESGRANRIO
Orgão: BB

Provas:

Escriturário - Agente Comercial (Prova C)
Provas ×

BI: Business IntelligenceData Warehouse

Sistemas de suporte à decisão apoiam, com evidências, as escolhas realizadas por gestores de uma organização.

Esses sistemas precisam contar com dados organizados em um armazém de dados (DW, ou data warehouse), o qual

A

deve ser projetado de modo a não permitir mudanças com facilidade.

B

pode ser formado pela cópia de todos os registros de dados transacionais.

C

deve ter dados resumidos (não transacionais), modelados de forma adequada.

D

deve ter seus dados disponibilizados para todos os colaboradores e fornecedores da organização.

E

deve representar e apresentar as eventuais inconsistências entre dados oriundos de sistemas transacionais distintos.

Provas

Questão presente nas seguintes provas

2685635 Ano: 2023
Disciplina: TI - Ciência de Dados e BI
Banca: FCC
Orgão: TRT-18

Provas:

Analista Judiciário - TI
Provas ×

Inteligência ArtificialMachine LearningAvaliação de ModelosMétricas

Considere a matriz de confusão abaixo, que mostra o desempenho de um modelo de classificação, na qual TP = Verdadeiro positivo, TN = Verdadeiro negativo, FP = Falso positivo e FN = Falso negativo:

	Predição
Realidade	Sim	Não
Sim	600 (TP)	400 (FN)
Não	100 (FP)	900 (TN)

Para se fazer a avaliação do modelo, utilizam-se as métricas de classificação acurácia, especificidade e sensibilidade, assim definidas:

Acurácia=!$ \dfrac{TP+TN}{TP+TN+FP+FN} !$ Especificidade=!$ \dfrac{TN}{TN+FP} !$ Sensibilidade=!$ \dfrac{TP}{TP+FN} !$

Com base na matriz de confusão e nas métricas indicadas, afirma-se que a

A

especificidade, também conhecida como recall ou revocação, que avalia a capacidade do modelo de detectar com sucesso resultados classificados como positivos, é de 0,9%.

B

sensibilidade, que avalia a capacidade do modelo de detectar com sucesso resultados classificados como positivos, é de 90%.

C

acurácia, ou precision, que mostra a razão entre a quantidade de exemplos classificados corretamente como positivos e o total de exemplos classificados como positivos, dando maior ênfase para os erros FP, é de 0.75.

D

sensibilidade, também conhecida como F-measure, F-score ou score F1, que avalia a capacidade do modelo de detectar com sucesso resultados classificados como negativos, é de 0,6%.

E

acurácia, que indica a assertividade de classificações positivas e negativas, independente da classe, é de 75%.