Brainscape's Knowledge GenomeTM

Browse over 1 million classes created by top students, professors, publishers, and experts.


See full index

RF > Flu Dad > Flashcards

Flu Dad Flashcards

1
Q

O que é lógica de programação? (para leitura)

A

Um encadeamento de raciocínios coerentes com um determinado objetivo, comunicado por uma sequência de passos ou instruções, onde a instrução é um conjunto de regras ou normas simples e bem definidas para a realização ou emprego de algo. Indicando ao computador uma ação ou função elementar a ser executada.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

O que é um algoritmo? (para leitura)

A

Conjunto predeterminado e bem definido de instruções utilizados para a solução de um problema, com um número finito de etapas.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

Softwares são algoritmos?

A

Sim

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

Qual é a diferença entre linguagem de baixo e alto nível?

A

*BAIXO: mais perto da linguagem da máquina;
*ALTO: mais perto da linguagem natural. Com maior nível de abstração.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

Quais são as características do Python? (Para leitura)

A

*Alto nível;
*Interpretada;
*Multiparadigma;
*Case sensitive;
*Multiplataforma;
*Extremamente semelhante ao inglês;
*Tem menos palavras e linhas que outras linguagens semelhantes;
*Tem tipagem forte e dinâmica (duck typing);
*Agrupamento por indentação.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

O que significa o Python ser multiparadigma?

A

Suporta mais de um paradigma de programação: imperativo; procedural; funcional; orientado a objetos.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

O que significa o Python ser de linguagem interpretada?

A

É executada linha a linha por um interpretador e depois pelo sistema operacional.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

O que significa o Python ser de linguagem multiplataforma?

A

Pode ser utilizada no Windows, Linux, MacOS etc, porque pode ser compilado em bytecode.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

O que significa o Python ser de linguagem com tipagem forte e dinâmica?

A

*Dinâmica: permite a alteração de tipo da variável durante a execução do código-fonte;
*Forte: não permite conversão implícita de tipo.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

Usar “;” para delimitar comandos no Python é opcional?

A

Sim

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

A função print precisa de parênteses?

A

Sim. Ex.: print (‘Olá mundo!’)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

Qual é a diferença entre os operadores “/” e “//” em Python?

A

”/” = divisão normal;
“//” divide e arredonda para baixo (divisão com piso).

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

Quais são os operadores de exponenciação e de módulo (resto da divisão) em Python?

A

*Exponenciação: “**”;
*Módulo: “%”.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

Qual é a ordem seguida em Python para calcular equações?

A

PEMMDAS:
*Parênteses;
*Exponenciação;
*Multiplicação/ Módulo/ Divisão (o que vier primeiro da esquerda para direita;
*Adição/ Subtração (o que vier primeiro).

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

Qual é o operador de “diferente” em Python?

A

”!=”

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

Quais são os operadores de E, OU e negação em Python?

A

“and”, “or” e “not”

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
17
Q

O que retorna os operadores “in” e “not in” em Python?

A

*“in”: retorna verdadeiro se o conjunto de valores estiver presente no objeto;
*“not in”: retorna verdadeiro se o conjunto de valores não estiver presente no objeto;

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
18
Q

Qual é a palavra usada para definir uma função em Python?

A

“def”

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
19
Q

Como são as funções lambda em Pyhton?

A

São pequenas funções anônimas de uma única linha. Não possuem nome e são declaradas como variáveis. Não utiliza a palavra “def” nem “return”.
Ex: s = lambda x,y: x+y
print(s(10,20)) retorna 30

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
20
Q

Como são escritos os comentários em Python?

A

Com # se tiver só uma linha, ou ‘’’ (3 aspas simples) ou “”” (3 aspas duplas) se tiver mais linhas.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
21
Q

Em Pyhton uma variável ou identificador de função, classes ou módulo pode começar com _(underline)?

A

Sim

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
22
Q

Em Pyhton uma variável ou identificador de função, classes ou módulo pode começar com número?

A

Não

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
23
Q

Em Pyhton uma variável ou identificador de função, classes ou módulo pode ter caracteres especiais como hífen, @, %, # ?

A

Não, somente underline.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
24
Q

Quais são os caracteres usados na definição de uma lista, tupla e set?

A

lista: x = [ ]
tupla: x = ( )
set: x = { }

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
25
Q

Em Python a primeira posição é 0 ou 1?

A

0

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
26
Q

O que faz a função “capitalize()” em Python? Como é utilizada?

A

Converte o primeiro caractere em maiúscula.
x.capitalize()

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
27
Q

O que faz a função “find()” em Python? Como é utilizada?

A

Retorna a posição da primeira ocorrência de um valor ou uma string ou -1 se não existir.
x.fin()

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
28
Q

O que faz a função “index()” em Python? Como é utilizada?

A

Retorna a posição da primeira ocorrência de um valor ou uma string ou “ValueError” se não existir.
x.index()

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
29
Q

O que faz a função “len()” em Python? Como é utilizada?

A

Retorna o tamanho da string.
len(x)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
30
Q

O que faz a função “split()” em Python? Como é utilizada?

A

Divide substrings encontradas a partir de um separador especificado e retorna uma lista.
x.split(“,”)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
31
Q

O que faz a função “strip()” em Python? Como é utilizada?

A

Remove espaços em branco (ou caracteres dentro do parênteses) do início/ fim da string.
x.strip()

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
32
Q

Qual é a diferença entre lista, tupla, conjunto (set) e dicionário?

A

*LISTA: valores ordenados, mutáveis e indexáveis. Pode conter valores duplicados;
*TUPLA: valores ordenados, imutáveis e indexáveis. Pode conter valores duplicados;
*CONJUNTO: valores desordenados, mutáveis e não indexáveis. Não pode conter valores duplicados;
*DICIONÁRIO: valores desordenados, mutáveis e indexáveis. Não pode conter valores duplicados.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
33
Q

O que faz a função “append()” em Python? Como é utilizada?

A

Adiciona um item no final da lista.
x.append(“a”)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
34
Q

O que faz a função “insert()” em Python? Como é utilizada?

A

Adiciona um item a um índice especificado.
x.insert(5,”a”)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
35
Q

O que faz a função “remove()” em Python? Como é utilizada?

A

Remove a primeira ocorrência de um item.
x.remove(a)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
36
Q

O que faz a função “pop()” em Python? Como é utilizada?

A

Remove item em posição especificada, ou o último se não especificado.
x.pop(5)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
37
Q

O que faz a função “del()” em Python? Como é utilizada?

A

Deleta item especificado ou a lista se não especificar.
del x
del x(5)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
38
Q

O que faz a função “clear()” em Python? Como é utilizada?

A

Esvazia uma lsita.
x.clear()

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
39
Q

O que faz a função “copy()” em Python? Como é utilizada?

A

Copia uma lista.
x.copy()

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
40
Q

O que faz a função “list()” em Python? Como é utilizada?

A

Cria uma nova lista.
x = list((a))

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
41
Q

O que faz a função “count()” em Python? Como é utilizada?

A

Saber quantas vezes aparece um elemento.
x.count(a)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
42
Q

O que faz a função “extend()” em Python? Como é utilizada?

A

Adiciona elementos específicos de uma lista ao final de outra lista.
x.extend()

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
43
Q

O que faz a função “index()” em Python? Como é utilizada?

A

Retorna o índice da primeira ocorrência de um valor específico.
x.index(a)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
44
Q

O que faz a função “reverse()” em Python? Como é utilizada?

A

Inverte a ordem dos elementos de uma lista.
x.reverse()

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
45
Q

O que faz a função “sort()” em Python? Como é utilizada?

A

Ordenar uma lista simples em ordem ascendente se não colocar parâmetro, ou descendente com o parâmetro “reverse=True”.
x.sort()
x.sort(reverse=True)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
46
Q

O que faz a função “range()” em Python? Como é utilizada?

A

Retorna uma lista de números começando do zero por padrão, ou com começo, fim e intervalos (step) definidos.
x = range (start, stop, step)
x = range (6) : [0, 1, 2, 3, 4, 5]
x = range (4, 10) : [4, 5, 6, 7, 8, 9]
x = range (5, 20, 3) : [5, 8, 11, 14, 17]

47
Q

O que faz a função “tuple()” em Python? Como é utilizada?

A

Cria uma nova tupla.
x = tuple((a))

48
Q

Conjuntos são impressos em ordem aleatória?

A

Sim

49
Q

O que são “corpus” em PLN?

A

Datasets, textos, registros orais, documentos.

50
Q

O que diz a técnica de semântica vetorial da PLN?

A

Documentos semelhantes tendem a possuir palavras semelhantes e assim, vetores semelhantes.

51
Q

O contexto é considerado equivalente a quantas palavras antes e depois na PLN?

A

4

52
Q

Algoritmos mais conhecidos de redução de dimensionalidade?

A

PCA (Principal Component Analysis). t-SNE (t-Distributed Stochastic Neighbourhood Embedding).

53
Q

O que faz a técnica de representação por n-gramas?

A

Usa probabilidade para descobrir qual palavra completa a frase ou expressão.

54
Q

O que é feito no BOW (bag of words)?

A

As palavras do texto são contadas e um vetor é criado.

55
Q

O que faz a técnica TF-IDF?

A

Utiliza um peso de acordo com o inverso da frequência. Uma palavra muito frequente é pouco relevante.

56
Q

O que faz a técnica PPMI?

A

Utiliza a probabilidade para o cálculo da frequência.

57
Q

O que faz a análise de sentimentos?

A

1) Divide o documento em partes menores;
2) Identifica os sentimentos relacionados a cada frase;
3) Atribui uma pontuação com a polaridade de sentimentos, de -1 a 1;
4) Em casos avançados, combina as pontuações com camadas de deep learning.

58
Q

Na análise de sentimentos todas as frases podem ser classificadas em positivas ou negativas?

A

Não. Há frases neutras.

59
Q

A inteligência artificial trata de programas que podem sentir, raciocinar, agir e se adaptar?

A

Sim. Sentir por sensores, por exemplo.

60
Q

Aprendizado de máquina é uma técnica de inteligência artificial?

A

Sim

61
Q

O que é aprendizado profundo?

A

Um subconjunto do aprendizado de máquina em que o software é capaz de treinar a si mesmo.

62
Q

O que é a etapa da inferência em aprendizado de máquina?

A

Depois da etapa de treinamento. É menos custosa e utiliza programação próxima à tradicional mas com regras aprendidas na etapa de treinamento.
É probabilística e não determinística.

63
Q

O aprendizado de máquinas é bastante relevante para casos em que a criação das regras seria inviável, muito custosa ou maçante?

A

Sim

64
Q

Como é o aprendizado supervisionado?

A

Tem dados manualmente rotulados.
Diz qual é a saída esperada para cada dado histórico utilizado no treinamento. O supervisor escolhe os rótulos.

65
Q

Qual é o tipo de aprendizado mais comumente empregado em aprendizado de máquinas?

A

O aprendizado supervisionado.

66
Q

Sinônimos de “rótulo” em aprendizagem de máquina?

A

Categoria, classe, sinal, variável, alvo, target, label, tag.

67
Q

Se os rótulos se refere a um conjunto de valores infinito de valores numéricos contínuos qual é o tipo de tarefa?

A

De regressão.

68
Q

Se os rótulos se referem a um conjunto de valores finitos e não ordenado de valores categóricos (não numéricos) qual é o tipo de tarefa?

A

Classificação.

69
Q

Quais são os modelos supervisionados mais conhecidos?

A

*Árvore de decisão;
*Regressão linear;
*Regressão logística ;
*Redes neurais;
*KNN (K-nearest neighbors);
*SVM (Support Vector Machines)

70
Q

Como é o aprendizado não-supervisionado?

A

Treina um modelo que não se sabe a saída esperada a cada dado usado. Não utiliza um professor/ supervisor para rotular dados.
Algoritmos encontram estruturas e padrões por conta própria.
O objetivo não é prever, mas sim organizar.

71
Q

Quais são os sub-grupos de aprendizado não supervisionado?

A

*Agrupamento (clustering): encontra padrões em um conjunto de dados e agrupa em sub-conjuntos;
*Regras de associação (Association rules): verifica como determinados elementos de um conjunto estão intimamente relacionados.

72
Q

Quais são os principais modelos de associação em aprendizado de máquinas?

A

*Apriori;
*PCA (Principal component analysis)

73
Q

Quais são os principais modelos de agrupamento em aprendizado de máquinas?

A

*K-means;
*Agrupamento hierárquico.

74
Q

Entre o aprendizado supervisionado e o não supervisionado qual é o mais barato?

A

O não supervisionado.

75
Q

Como é o aprendizado semi-supervisionado?

A

Usa uma pequena quantidade de dados rotulados e uma grande quantidade de dados rotulados.

76
Q

Como é o aprendizado por reforço?

A

Um conjunto de técnicas que utilizam tentativa e erro para descobrir decisões ótimas de como interagir com o ambiente ou outros agentes.
Recompensa uma ação positiva e pune uma negativa.

77
Q

Para que serve a métrica da acurácia? Como é feita?

A

Serve para avaliar o percentual de acertos do algoritmo. De todas as previsões quantas acertou?
Divide o número de acertos pelo total predições.
VP + VN/ (VP + FP + VN + FN)

78
Q

Para que serve a métrica do recall? Como é feita?

A

Avalia a capacidade do classificador de detectar com sucessos resultados positivos. Sensibilidade/ Revocação. Dentre os valores realmente positivos, quanto acertou?
Usada quando falsos-negativos são mais prejudiciais. Ex: vacinas.
VP / VP + FN

79
Q

Para que serve a métrica da precisão? Como é feita?

A

Mensura o proporção de previsões positivas corretas sobre a soma de todos os valores positivos. Dentre os modelos previstos como positivos, quantos realmente acertou?
Usada quando falsos-positivos são mais prejudiciais. Ex: ações na bolsa.
VP / VP + FP

80
Q

Para que serve a métrica do F1-score? Como é feito?

A

Média harmônica calculada com base na precisão e sensibilidade.
2 * (Precisão * Recall/Precisão+Recall)

81
Q

Qual é o erro tipo 1 e qual é o erro tipo 2?

A

*Erro tipo 1: falso positivo;
*Erro tipo 2: falso negativo.

82
Q

Há como ter 100% de acurácia?

A

Não.

83
Q

Quem é o responsável pela etapa de treinamento em aprendizado de máquinas?

A

O cientista de dados.

84
Q

Quais são as técnicas para medir desempenho de algoritmos em aprendizado de máquinas?

A

*Acurácia;
*Recall/ Sensibilidade;
*Precisão;
*F1-score.

85
Q

O que é a árvore de decisão?

A

Uma das principais ferramentas de classificação.
Uma representação gráfica das regras de classificação, por meio de estruturas que contém nó raiz, nós folhas e nós finais, representados por quadrado, círculos e triângulos.
Cada nó é um teste, cada ramificação um resultado e cada folha é um rótulo.
O processo de construção da árvore se chama indução.

86
Q

O que é entropia?

A

A medida que nos diz o quanto um conjunto de dados está desorganizado ou misturado.
Redução de entropia = ganho de informação.

87
Q

Quais são as métricas para calcular a pureza de um subgrupo em árvore de decisão?

A

Índice de Gini, Redução de variância.

88
Q

As árvores de decisão são as mais apropriadas para estimativas?

A

Não

89
Q

As árvores de decisão fornecem uma indicação clara de quais campos são mais importantes para predição ou classificação?

A

Sim

90
Q

Em quais situações a árvore de decisão está sujeita a erros em problemas de classificação?

A

Com muitas classes e um número relativamente pequeno de exemplos de treinamento.

91
Q

Quais são as desvantagens da árvore de decisão?

A

*Propensas a overfitting;
*Uma única árvore não faz grandes previsões. Várias árvores podem ser combinadas (random forest);
*Só fornece resultados promissores se as informações forem precisas e exatas;
*Se o conjunto de dados for enorme a tarefa de projetar a árvore é muito complexa;
*Se uma regra estiver incorreta gerará decisões equivocadas, fazendo o erro se propagar.

92
Q

Quais são as variáveis dependentes e as independentes nos modelos lineares?

A

*Dependentes/ alvo contínuas: resultado esperado;
*Independentes: entradas

93
Q

Quais são os modelos lineares mais utilizados? E como eles são feitos?

A

*REGRESSÃO LINEAR: relação entre variável específica e um resultado que nos interessa enquanto controlamos outros fatores. Utiliza os mínimos quadrados ordinários. tem como resultado uma equação linear simples;
*REGRESSÃO LOGÍSTICA: utiliza função sigmóide.

94
Q

O que faz o método dos mínimos quadrados ordinários?

A

Minimiza a soma dos residuais (distância vertical a partir da reta de regressão) elevados ao quadrado.

95
Q

Regressão linear trabalha com dados categóricos (qualitativos)?

A

Não somente quantitativos (contínuos).
A regressão lógica trabalha com categóricos.

96
Q

A utilização da regressão logística se dá com categorias binárias?

A

Sim

97
Q

O que é um perceptron?

A

É a unidade básica de uma RNA (Rede neural artificial), sendo equivalente a um neurônio.

98
Q

Como funcionam as redes neurais?

A

Entradas são multiplicadas por pesos, são somadas, e somado com um viés (bias). O resultado passa por uma função de ativação para definir se o nó será ou não ativado.

99
Q

Em redes neurais quanto maior o peso de uma determinada entrada maior será a influência no resultado?

A

Sim

100
Q

Quais são as classes de função de ativação em redes neurais?

A

*LIMITES: se resultado da função é maior ou igual a limite retorna 1 (nó ativado). Funções desse tipo tem formato de um degrau. (valores discretos, binários);
*SIGMÓIDES: recebe valor qualquer de entrada e retorna saída entre 0 e 1. F(x): 1/ (1+e^-x).
Ou saídas de -1 a 1. F(x): (e^x - e^-x)/(e^x + e^-x) ](tangente hiperbólica)

101
Q

Para ser considerado deep learning deve ter aproximadamente pelo menos quantas camadas ocultas?

A

3

102
Q

SLP (single layers perceptrons) tem camada oculta?

A

Não, somente MLP (multi layer perceptron) tem.

103
Q

Quais são as características do classificador Naive Bayes? E qual sua desvantagem?

A

É muito simples, rápido e escalável.
Usado quando a velocidade é preferível à precisão.
Desvantagem: parte do princípio que as variáveis são independentes.

104
Q

Quais são os elementos sob os quais não se tem controle em modelos preditivos?

A

Variáveis indisponíveis, variações, aleatoriedades e erros.

105
Q

Como é feito o método Holdout de validação cruzada? Qual é o problema dele?

A

É a forma mais simples.
Divide em dois grupos, um para treinamento e outro para testes.
Problema: não é certeza que o conjunto de dados de validação seja representativo da amostra e tem pouca eficiência quando se tem poucos dados.

106
Q

Como é feito o método K-Fold-Cross-Validation de validação cruzada? Qual é o problema dele?

A

Divide em conjuntos de treinamentos e testes diversas vezes. Sendo o de treinamento maior.

107
Q

Dados de treinamento podem validar modelos?

A

Não.

108
Q

Como são os modelos não lineares e lineares em relação ao viés e variância?

A

*Não lineares: Baixo viés e alta variância;
*Lineares: Alto viés e baixa variância.

109
Q

O que é um hiperparâmetro? O que é a escolha de hiperparâmetro?

A

Parâmetro cujo valor é definido antes do início do processo de aprendizagem.
Uma característica ou restrição inserido no algoritmo de aprendizagem.
A escolha é denominada otimização (tunning)

110
Q

Tipos de otimização de hiperparâmetro?

A

Grid search, random search, bayesiana search

111
Q

Quando reduz a dimensionalidade reduz o overfitting?

A

Sim

112
Q

Quais são os tipos de técnicas de redução de dimensionalidade?

A

*Seleção de variáveis / atributos: seleciona as variáveis mais importantes;
*Fatoração de matrizes: decompõe a matriz original em outras mais simples.

113
Q

Redes neurais LSTM (long short-term memory) mantêm o nível de precisão independentemente do tamanho do modelo utilizado?

A

Não. O tamanho importa em todos os tipos de redes neurais.

RF (23 decks)

Brainscape helps you reach your goals faster, through stronger study habits.
© 2024 Bold Learning Solutions. Terms and Conditions