Questão FC369873
Muitos cenários de análise de dados envolvem conjuntos sem rótulos disponíveis, como é comum em agrupamentos de clientes, detecção de padrões anômalos ou redução de dimensionalidad
Inteligência Artificial (IA)
FGV · 2025
Muitos cenários de análise de dados envolvem conjuntos sem rótulos disponíveis, como é comum em agrupamentos de clientes, detecção de padrões anômalos ou redução de dimensionalidade. Nesses casos, técnicas de aprendizado não supervisionado são essenciais para extrair conhecimento oculto nos dados.
Com relação ao aprendizado não supervisionado em Machine Learning, assinale a afirmativa correta.
- O aprendizado não supervisionado depende de conjuntos de dados previamente rotulados para mapear entradas a saídas durante o treinamento.
- Técnicas de aprendizado não supervisionado, como árvores de decisão e regressão logística, são ideais para prever rótulos em problemas de classificação supervisionada.
- O aprendizado não supervisionado é utilizado para gerar automaticamente rótulos com base em padrões nos dados, sem necessidade de saídas conhecidas previamente.
- A principal limitação do aprendizado não supervisionado é que ele não consegue lidar com grandes volumes de dados, sendo restrito a pequenos conjuntos.
- O aprendizado não supervisionado só pode ser utilizado quando todos os atributos do conjunto de dados forem categóricos.
Mostrar resposta e comentário
Gabarito
Certo
Comentário do professor
Aprendizado não supervisionado busca revelar estrutura nos dados sem usar saídas conhecidas; por isso, ele pode gerar automaticamente rótulos ao agrupar ou transformar amostras com base em padrões de similaridade ou densidade.
Em prática, algoritmos de cluster como K-means ou DBSCAN atribuem identificadores de grupo (os chamados pseudo-rótulos) que indicam a pertinença de cada ponto a um agrupamento; técnicas como PCA realizam redução de dimensionalidade, destacando componentes latentes que também servem como características rotuláveis.
Esses rótulos automáticos não dependem de saídas prévias e são úteis para segmentação de clientes, detecção de anomalias, engenharia de atributos e como entrada para modelos supervisionados. A qualidade é avaliada por métricas internas (ex.: silhouette) ou pelo ganho em tarefas subsequentes.
Conteúdo do catálogo FC Concursos · Atualizado em