Foram encontradas 5.136 questões.
Texto 2A2-II
Um órgão ambiental federal responsável pelo monitoramento e pela fiscalização de recursos pesqueiros iniciou um projeto nacional de combate à pesca ilegal. O projeto envolve a integração de dados heterogêneos, incluindo registros administrativos de licenças de pesca, dados de rastreamento de embarcações, imagens de satélite, informações geoespaciais, relatórios de fiscalização e séries históricas de infrações ambientais. A equipe técnica precisa estruturar um ambiente analítico que permita consultas eficientes, automatização de rotinas recorrentes, análise e comunicação clara dos resultados para os gestores responsáveis pela formulação de políticas públicas e pela priorização de ações de fiscalização.
No contexto do combate à pesca ilegal descrito no texto 2A2-II, a adoção de práticas associadas a Big Data contribui diretamente para a efetividade da fiscalização, porque possibilita
Provas
Texto 2A2-II
Um órgão ambiental federal responsável pelo monitoramento e pela fiscalização de recursos pesqueiros iniciou um projeto nacional de combate à pesca ilegal. O projeto envolve a integração de dados heterogêneos, incluindo registros administrativos de licenças de pesca, dados de rastreamento de embarcações, imagens de satélite, informações geoespaciais, relatórios de fiscalização e séries históricas de infrações ambientais. A equipe técnica precisa estruturar um ambiente analítico que permita consultas eficientes, automatização de rotinas recorrentes, análise e comunicação clara dos resultados para os gestores responsáveis pela formulação de políticas públicas e pela priorização de ações de fiscalização.
No fluxo analítico do projeto descrito no texto 2A2-II, o uso de ferramentas como Power BI e Tableau seria tecnicamente adequado porque essas plataformas
Provas
Texto 2A2-I
Imagens de satélite e inteligência artificial podem ser aplicadas para determinar os níveis de desmatamento e os detalhes da biodiversidade da Floresta Amazônica, de maneira que culturas agrícolas sejam automaticamente classificadas por um sistema de aprendizado de máquina que usa imagens de satélite nesse mapeamento.
É nesse sentido que a ferramenta LLP-Co (learning from label proportions with prototypical contrastive clustering) organiza grandes conjuntos de dados capturados por drones e satélites, que conseguem sobrevoar a floresta e coletar dados em grande escala, inclusive em áreas de cobertura vegetal mais densa. Esses dados são organizados, identificados (rotulados) e classificados pelo sistema, que tem a capacidade de aprender sozinho a partir da supervisão e validação dos pesquisadores.
As aplicações do sistema no monitoramento florestal permitem uma maior acurácia no acompanhamento do avanço do desmatamento, possibilitando uma gestão de políticas públicas mais eficaz. Além disso, a identificação e a classificação das espécies vegetais podem revelar detalhes surpreendentes da biodiversidade local, abrindo novos flancos de pesquisas voltadas para a preservação ambiental.
Internet: <https://portal.fgv.br> (com adaptações).
A classificação automática de culturas agrícolas e espécies vegetais, conforme descrita no texto 2A2-I, corresponde, do ponto de vista da mineração de dados, a uma tarefa de classificação porque
Provas
Texto 2A2-I
Imagens de satélite e inteligência artificial podem ser aplicadas para determinar os níveis de desmatamento e os detalhes da biodiversidade da Floresta Amazônica, de maneira que culturas agrícolas sejam automaticamente classificadas por um sistema de aprendizado de máquina que usa imagens de satélite nesse mapeamento.
É nesse sentido que a ferramenta LLP-Co (learning from label proportions with prototypical contrastive clustering) organiza grandes conjuntos de dados capturados por drones e satélites, que conseguem sobrevoar a floresta e coletar dados em grande escala, inclusive em áreas de cobertura vegetal mais densa. Esses dados são organizados, identificados (rotulados) e classificados pelo sistema, que tem a capacidade de aprender sozinho a partir da supervisão e validação dos pesquisadores.
As aplicações do sistema no monitoramento florestal permitem uma maior acurácia no acompanhamento do avanço do desmatamento, possibilitando uma gestão de políticas públicas mais eficaz. Além disso, a identificação e a classificação das espécies vegetais podem revelar detalhes surpreendentes da biodiversidade local, abrindo novos flancos de pesquisas voltadas para a preservação ambiental.
Internet: <https://portal.fgv.br> (com adaptações).
O sistema LLP-Co, descrito no texto 2A2-I, enquadra-se, segundo a literatura especializada, no conceito de sistema de aprendizado de máquina, porque sua característica central consiste em
Provas
No IPAAM, analistas ambientais desenvolvem um sistema para análise preditiva de desmatamento na Amazônia, utilizando técnicas de aprendizado de máquina. Nesse contexto, o modelo treinado classifica áreas de floresta como suscetíveis ou não a degradação, com base em dados geoespaciais e históricos.
No processo de treinamento do modelo de classificação, o método utilizado para ajustar os parâmetros e minimizar erros de predição envolve
Provas
Disciplina: TI - Ciência de Dados e BI
Banca: FEPESE
Orgão: Pref. Florianópolis-SC
Analise as afirmativas abaixo em relação ao tema.
1. Dimensões constituem atributos ou relações que funcionam como perspectivas ou segmentações a partir das quais se podem visualizar melhor e em mais detalhes os fatos.
2. Fatos são atributos, passíveis de agregação, que consolidam visões sobre a realidade des crita no conjunto de dados.
3. Um conjunto de dados pode ser interpretado como uma representação de um certo domínio, real ou fictício, através dos dados contidos no conjunto de dados.
Assinale a alternativa que indica todas as afirmativas corretas.
Provas
Provas
Acerca de business intelligence, julgue o item a seguir.
Dashboards de business intelligence são ferramentas autoexplicativas, que dispensam literacia de dados (data literacy) por gestores e analistas.
Provas
Um analista de dados recebeu de uma equipe de vigilância em saúde de uma secretaria municipal o arquivo pacientes.csv que contém informações de 1.200 pacientes atendidos em unidades básicas de saúde, com variáveis como idade (idade), pressão arterial sistólica (pa_sistolica), pressão arterial diastólica (pa_diastolica), nível de glicemia em jejum (nivel_glicemia), índice de massa corporal (imc) e número de consultas realizadas no último ano (num_consultas). Esse analista iniciou o interpretador Python na linha de comando de seu computador e executou, também, os seguintes comandos.
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
df = pd.read_csv("pacientes.csv")
A partir da situação hipotética precedente, considerando que todas as bibliotecas estejam instaladas e que qualquer trecho entre aspas, sejam elas retas ou curvas, representa uma cadeia de caracteres, julgue o item a seguir.
A execução do comando df.sort_values(by="idade") alterará permanentemente a ordem das linhas no arquivo original pacientes.csv.
Provas
Um analista de dados recebeu de uma equipe de vigilância em saúde de uma secretaria municipal o arquivo pacientes.csv que contém informações de 1.200 pacientes atendidos em unidades básicas de saúde, com variáveis como idade (idade), pressão arterial sistólica (pa_sistolica), pressão arterial diastólica (pa_diastolica), nível de glicemia em jejum (nivel_glicemia), índice de massa corporal (imc) e número de consultas realizadas no último ano (num_consultas). Esse analista iniciou o interpretador Python na linha de comando de seu computador e executou, também, os seguintes comandos.
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
df = pd.read_csv("pacientes.csv")
A partir da situação hipotética precedente, considerando que todas as bibliotecas estejam instaladas e que qualquer trecho entre aspas, sejam elas retas ou curvas, representa uma cadeia de caracteres, julgue o item a seguir.
A execução do comando a seguir retorna os usuários cuja idade é maior que 40 anos e cujo nível de glicemia em jejum é maior que 135 mg/dl de sangue.
df[(df["idade"] > 40) and (df["nivel_glicemia"] > 135)]
Provas
Caderno Container