Questões comentadas de Concursos para Analista CVM - Perfil 7 - Ciência de Dados - Tarde

Limpar Busca

Considere um modelo de rede neural projetado para tarefas de classificação de imagens. A arquitetura da rede consiste em várias camadas, incluindo camadas de entrada, ocultas e de saída. Durante o treinamento, o modelo aprende a atribuir imagens de entrada a classes predefinidas (por exemplo, “gato”, “cachorro”, “pássaro”, etc.).

Sobre o papel da camada de saída nessa rede neural, é correto afirmar que ela:

  • A garante que a rede neural generalize bem para dados não vistos, prevenindo o sobreajuste;
  • B ajusta os pesos dos neurônios ocultos para minimizar o erro de classificação durante o treinamento;
  • C mapeia as características aprendidas para rótulos de classe específicos com base em padrões aprendidos;
  • D realiza a extração de características aprendendo representações hierárquicas a partir de valores de pixel brutos;
  • E calcula a soma ponderada das características de entrada e aplica uma função de ativação para produzir probabilidades de classe.

O cientista de dados Pedro trabalha em um projeto que envolve a previsão dos movimentos de um braço robótico em um ambiente complexo. Pedro tem um fluxograma de um algoritmo de aprendizado por reforço que é capaz de se adaptar dinamicamente ao ambiente e ajustar suas ações com base nos resultados de ações anteriores.

O algoritmo representado pelo referido fluxograma que deve ser empregado para a realização da tarefa de Pedro é o:

  • A Máquina de Vetores de Suporte (SVM);
  • B Rede Neural Convolucional (CNN);
  • C Long Short-Term Memory (LSTM);
  • D Twin Delayed Deep Deterministic Policy Gradient (TD3);
  • E K-Vizinhos Mais Próximos (KNN).

Considere uma estrutura específica de rede neural recorrente, conhecida como Long Short-Term Memory (LSTM). Essa estrutura é projetada para enfrentar desafios como capturar dependências de longo prazo e mitigar o problema do gradiente que desaparece.

A inovação arquitetônica distintiva da LSTM é(são):

  • A o recorte de gradiente;
  • B as células de memória com mecanismos de gating;
  • C os mecanismos de atenção;
  • D as conexões de salto;
  • E as camadas de Max-pooling.

A abordagem que garante uma exploração completa das combinações de hiperparâmetros na identificação da configuração ideal para maximizar o desempenho do modelo de aprendizado de máquina é a:

  • A realização de uma Grid Search, explorando sistematicamente os valores de hiperparâmetros predefinidos para identificar a combinação ideal para maximizar o desempenho do modelo;
  • B utilização de uma Busca Aleatória, amostrando aleatoriamente o espaço de hiperparâmetros, oferecendo uma abordagem mais eficiente para o ajuste de hiperparâmetros em comparação com os métodos exaustivos;
  • C implementação de uma Validação Cruzada K-fold, particionando o conjunto de dados em K subconjuntos para treinar e avaliar iterativamente o modelo, fornecendo uma avaliação robusta de seu desempenho de generalização;
  • D aplicação de métodos Ensemble, combinando vários modelos para aproveitar suas diversas forças, visando a melhorar o desempenho geral, particularmente quando os modelos individuais apresentam diferentes tipos de erros;
  • E utilização de uma Feature Scaling, normalizando a escala das características de entrada para garantir comparações justas entre diferentes variáveis, o que é particularmente benéfico para algoritmos sensíveis a diferenças de escala.

Um cientista trabalha em um projeto de cibersegurança no qual deve identificar atividades de rede incomuns, que podem indicar possíveis ameaças de segurança. Após coletar dados sobre o tráfego de rede, o cientista percebe que alguns pontos de dados exibem padrões significativamente diferentes da maioria.

O método que deve ser aplicado para detectar as anomalias, identificando outliers isolados nos dados e possíveis ameaças de segurança, é o:

  • A Isolation Forest;
  • B Box Plot (IQR);
  • C Local Outlier Factor (LOF);
  • D do desvio padrão;
  • E DBSCAN (Density-Based Spatial Clustering of Applications with Noise).