Questão FC213228
Considere as duas situações a seguir. Situação 1 Um órgão do governo está lidando com um grande conjunto de dados contendo informações sobre as declarações fiscais históricas dos c
Gestão de Pessoas
CESGRANRIO · 2024
Considere as duas situações a seguir.
Situação 1
Um órgão do governo está lidando com um grande conjunto de dados contendo informações sobre as declarações fiscais históricas dos cidadãos, bem como erros e discrepâncias que tenham eventualmente sido encontrados nessas declarações. O órgão deseja desenvolver um modelo que possa prever se uma nova declaração fiscal provavelmente contém erros ou discrepâncias, auxiliando na identificação de casos potenciais para investigação adicional.
Situação 2
O departamento de transporte de uma cidade tem acesso a uma grande quantidade de imagens de câmeras de tráfego e deseja entender padrões e pontos de congestionamento na rede viária da cidade, sem categorias ou rótulos predefinidos.
Os modelos que endereçam a situação 1 e a situação 2 são:
- exemplos de modelos de aprendizagem não supervisionada e supervisionada, respectivamente
- exemplos de modelos de aprendizagem supervisionada e não supervisionada, respectivamente
- ambos exemplos de modelos de aprendizagem supervisionada
- ambos exemplos de modelos de aprendizagem não supervisionada
- ambos exemplos de modelos de aprendizagem por reforço
Mostrar resposta e comentário
Gabarito
B
Comentário do professor
Alternativa correta: exemplos de modelos de aprendizagem supervisionada e não supervisionada, respectivamente.
Na situação 1, há um histórico de declarações fiscais com indicação de erros ou não. Isso significa que existem rótulos (labels) associados aos registros.
Portanto, aplica‑se aprendizagem supervisionada: o modelo aprende a mapear características da declaração (entradas) para a classe desejada (erro / sem erro) usando dados rotulados. Exemplos de técnicas: regressão logística, árvores de decisão, random forest ou redes neurais para classificação.
Na situação 2, as imagens de câmeras não vêm com categorias predefinidas; o objetivo é descobrir padrões e pontos de congestionamento sem rótulos.
Logo, trata‑se de aprendizagem não supervisionada: os algoritmos identificam estruturas nos dados por conta própria (ex.: agrupamentos, componentes principais, detecção de anomalias). Técnicas comuns: k‑means, clustering hierárquico, PCA ou métodos de detecção de anomalias para localizar congestionamentos.
Conteúdo do catálogo FC Concursos · Atualizado em