Questões Teóricas

Deslize para mostrar o menu

1. Como você lida com o sobreajuste em um modelo?

2. Explique a compensação entre viés e variância.

3. O que é parada antecipada no contexto do treinamento de um modelo?

4. Como você lidaria com conjuntos de dados desbalanceados?

5. Qual das seguintes opções descreve melhor a diferença entre normalização de dados e dimensionamento?

6. Como funciona a validação cruzada?

7. Qual afirmação descreve melhor a diferença entre precisão e revocação?

8. Quais tipos de modelos são utilizados pelo método de ensemble bagging?

9. Como funciona o algoritmo de Random Forest?

10. Qual dos seguintes não é um método de conjunto?

11. Em qual cenário a alta sensibilidade é mais importante do que a alta precisão?

Como você lida com o sobreajuste em um modelo?

Selecione todas as respostas corretas

Aumentando a quantidade de dados de treinamento.

Ao utilizar aumento de dados.

Ao utilizar modelos altamente complexos.

Ao utilizar uma técnica de regularização.

Explique a compensação entre viés e variância.

Selecione a resposta correta

Trata-se de escolher o número ótimo de clusters no KMeans.

É o equilíbrio entre a flexibilidade de um modelo e sua capacidade de generalizar para dados não vistos.

É a compensação entre a regularização L1 e L2.

É a decisão entre interromper o treinamento mais cedo ou treinar por mais épocas.

O que é parada antecipada no contexto do treinamento de um modelo?

Selecione a resposta correta

Trata-se de uma técnica de regularização que envolve a magnitude dos coeficientes.

É um método para prevenir o sobreajuste, terminando o treinamento assim que uma determinada condição é atendida, geralmente quando a perda de validação começa a aumentar.

É uma técnica para equilibrar conjuntos de dados.

Como você lidaria com conjuntos de dados desbalanceados?

Selecione todas as respostas corretas

Ao utilizar técnicas de regularização L1 ou L2.

Com parada antecipada durante o treinamento.

Ao usar métodos como sobreamostragem, subamostragem ou geração de dados sintéticos.

Ao adicionar pesos às classes.

Qual das seguintes opções descreve melhor a diferença entre normalização de dados e dimensionamento?

Selecione a resposta correta

A normalização se refere a fazer com que os dados sigam uma distribuição gaussiana, enquanto a padronização ajusta a amplitude dos dados.

A escalada envolve converter dados para um intervalo entre 0 e 1, enquanto a normalização torna os dados centrados em zero.

Tanto a normalização quanto a escala ajustam a amplitude dos dados para entre 0 e 1.

Como funciona a validação cruzada?

Selecione a resposta correta

Ele treina o modelo em todo o conjunto de dados e, em seguida, testa no mesmo conjunto de dados.

Ele divide o conjunto de dados em 'k' partições iguais e utiliza cada partição como um conjunto de teste, enquanto as partes restantes como conjunto de treinamento, iterando 'k' vezes.

Ele treina o modelo uma vez em um subconjunto aleatório e testa nos dados restantes.

Ele testa o modelo 'k' vezes no mesmo conjunto de validação após treinar em todo o conjunto de dados.

Qual afirmação descreve melhor a diferença entre precisão e revocação?

Selecione a resposta correta

A precisão é o número de verdadeiros positivos dividido pelo número de verdadeiros positivos mais falsos negativos, enquanto a revocação (recall) é o número de verdadeiros positivos dividido pelo número de verdadeiros positivos mais falsos positivos.

A precisão mede o número de previsões corretas, enquanto a revocação mede o número de previsões falsas.

A precisão foca na exatidão das predições positivas, enquanto a revocação (recall) concentra-se em capturar o maior número possível de positivos.

Quais tipos de modelos são utilizados pelo método de ensemble bagging?

Selecione a resposta correta

Diferentes tipos de modelos para cada conjunto.

Modelos do mesmo tipo para cada conjunto.

Exclusivamente para Árvores de Decisão.

Exclusivamente para Redes Neurais superficiais.

Como funciona o algoritmo de Random Forest?

Selecione a resposta correta

Ele constrói múltiplas árvores de decisão e faz a média dos seus resultados.

Constrói uma única árvore de decisão com seleção aleatória de características.

Ele utiliza aleatoriedade para escolher a profundidade de uma única árvore de decisão.

Qual dos seguintes não é um método de conjunto?

Selecione a resposta correta

Potencialização

Ensacamento

Empilhamento

Escalonamento

Em qual cenário a alta sensibilidade é mais importante do que a alta precisão?

Selecione a resposta correta

Recomendando produtos para compradores online.

Filtrando e-mails de spam.

Diagnóstico de uma doença rara e letal.

Identificando anúncios adequados para usuários com base no histórico de navegação deles.

Tudo estava claro?

Como podemos melhorá-lo?

Obrigado pelo seu feedback!

Seção 7. Capítulo 6

Pergunte à IA

Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo

Seção 7. Capítulo 6