Considerando np a biblioteca numpy do Python, julgue o item a seguir.

Se a₁ = np.linspace(1,9,5), a₂ = np.linspace(3,7,5) e

b = np.concatenate((a₂ , a₁)), então b[–4] +b[1] > 10.

Considerando np a biblioteca numpy do Python, julgue o item a seguir.

Se A = np.array([[6],[2],[-1],[0],[-5],[6],[7],[9],[2]]),

A₁ = A[3:7,0], e A₂ = A₁.reshape(2,2), então

np.linalg.det(A₂) > 20.

Com referência aos conceitos de banco de dados e data warehouse, julgue o item seguinte.

O Hadoop Distributed File System (HDFS) é construído usando a linguagem Java, o que permite que sua arquitetura mestre/escravo seja implementada em uma ampla variedade de máquinas.

Julgue o próximo item, relativo a redes neurais artificiais (RNA).

No código abaixo, escrito em Python, o método fit( ) retorna o valor de perda e os valores de métricas para o modelo, no modo de teste, tendo como referência o número de eras (epochs).

data_test = model.fit(x, y,
batch_size=64, epochs=2,
validation_data=(x_val, y_val))

Julgue o próximo item, relativo a redes neurais artificiais (RNA).

Uma rede neural convolucional é composta por camadas convolucionais, unidades de processamento não linear e camadas de subamostragem (pooling); ela possui como característica a habilidade em explorar correlações temporais e espaciais nos dados.

Julgue o próximo item, relativo a redes neurais artificiais (RNA).

Rede neural recorrente é uma arquitetura similar à feedforward; a diferença é que a cada nova camada oculta (hidden layer) é acrescentada outra camada recorrente à arquitetura conectada à camada anterior, duplicando assim a quantidade de camadas.

Julgue o próximo item, relativo a redes neurais artificiais (RNA).

Em RNA formada unicamente de perceptron, uma pequena alteração nos pesos de um único perceptron na rede pode ocasionar grandes mudanças na saída desse perceptron; mesmo com a inserção das funções de ativação, não é possível controlar o nível da mudança, por isso, essas redes são voltadas para a resolução de problemas específicos, tais como regressão e previsão de séries temporais.

Julgue o próximo item, considerando o gráfico precedente, que representa as regiões de overfitting e de underfitting, permitindo uma avaliação do relacionamento da complexidade do modelo de aprendizagem de máquina adotado, com o erro de predição.

Quando se verifica um alto erro no treinamento com valor próximo ao erro na validação, percebido na região à esquerda do ponto A, tem-se um clássico problema de underfitting, caracterizado pelo alto valor do bias.

Julgue o próximo item, considerando o gráfico precedente, que representa as regiões de overfitting e de underfitting, permitindo uma avaliação do relacionamento da complexidade do modelo de aprendizagem de máquina adotado, com o erro de predição.

Considerando que a variância é um erro de sensibilidade para pequenas flutuações no conjunto de treinamento, infere-se que um baixo nível de variância pode fazer que o algoritmo associado a um modelo de aprendizado de máquina perca as relações relevantes entre os atributos de entrada e a variável de saída, caracterizando o erro de overfitting, percebido na região à direita do ponto A.

Julgue o próximo item, considerando o gráfico precedente, que representa as regiões de overfitting e de underfitting, permitindo uma avaliação do relacionamento da complexidade do modelo de aprendizagem de máquina adotado, com o erro de predição.

O Set de Treinamento é usado para qualificar o desempenho do modelo, enquanto o Set de Validação é utilizado para criar o modelo de aprendizado de máquina.