Filtrar


Questões por página:

Julgue o próximo item, relativo à avaliação de modelos.


Considere que os três gráficos identificados por #1, #2 e #3 a seguir representem resultados de modelos de classificação em uma base de treinamento com dados de uma agência bancária e que neles a linha separe duas situações: X indicativo de não pagamento de empréstimo e O indicativo de pagamento de empréstimo. Com base nessas informações e nos gráficos apresentados, é correto afirmar que #1 é o modelo mais simples e performático com baixo viés, o modelo #2 tem acurácia média e alto viés e #3 é o modelo ideal, em comparação aos demais, pois tem alto viés e alta acurácia.


Imagem associada para resolução da questão

Julgue o próximo item, relativo à avaliação de modelos.

A IA generativa é capaz de criar conteúdos novos, como textos, imagens, músicas e vídeos, além de resolver problemas inéditos com base em conhecimentos prévios, permitindo gerar novos artefatos realistas em escala, sem repeti-los.

Julgue o próximo item, relativo à avaliação de modelos.


Considere que o gráfico a seguir descreva o resultado de três modelos de regressão logística distintos e que os resultados de AUC para os modelos referentes às curvas A, B e C sejam, respectivamente,0,91,0,77 e 0,59. A partir dessas informações, é correto afirmar que o modelo relativo à curva A é o melhor para classificar corretamente os dados presentes no conjunto de dados utilizado, ainda que o modelo relativo à curva C tenha obtido o menor valor.


Imagem associada para resolução da questão

Acerca de novas tecnologias gerenciais, reengenharia, ferramentas de melhoria contínua e metodologias ágeis, julgue o item seguinte.

No Brasil, a integração entre a Internet das Coisas, a ciência de dados e a inteligência artificial representa uma evolução das tecnologias gerenciais, cujos desafios, em termos de capacidades técnicas, regulamentações e normas legais, já estão superados.

Relativamente aos conceitos de CRISP-DM, MLOps e Python, julgue o seguinte item.


O monitoramento contínuo em MLOps é utilizado para identificar desvios de desempenho de modelos em produção, incluindo mudanças na distribuição de dados usados em comparação a dados de treinamento.