Questão nº 59
Questão de Tecnologia da Informação · CEBRASPE SEFAZ-RN 2025 - P2 Conhecimentos Complementares (nº 59)
No que concerne aos fundamentos conceituais e operacionais do aprendizado de máquina, julgue os itens a seguir.
I O algoritmo de aprendizado constitui o procedimento lógico-matemático (ou processo de otimização) aplicado ao conjunto de dados para a indução de um modelo; este último representa a generalização ou hipótese final capaz de realizar inferências sobre dados não observados durante o treinamento.
II Os parâmetros são variáveis internas ao modelo cujos valores são aprendidos ou estimados a partir dos dados (ex.: pesos em redes neurais ou coeficientes de regressão); por outro lado, os hiperparâmetros são configurações externas ao modelo, definidas antes do processo de treinamento, que controlam o comportamento do algoritmo e a complexidade do modelo (ex.: número de vizinhos no KNN ou a taxa de aprendizado).
III No aprendizado supervisionado, o objetivo é a indução de uma função de mapeamento entre variáveis de entrada e uma variável alvo predestinada (rótulo); já no aprendizado não supervisionado, o processo foca a descoberta de padrões intrínsecos, estruturas latentes ou distribuições em dados que não possuem anotações ou supervisão externa.
Assinale a opção correta.
- AApenas o item II está certo.
- BApenas o item III está certo.
- CApenas os itens I e II estão certos.
- DApenas os itens I e III estão certos.
- ETodos os itens estão certos. (alternativa correta)
Resposta comentada
Gabarito Alternativa E
Conceito-chave: Aprendizado de máquina é um processo de três camadas: o algoritmo (a "receita" matemática que otimiza), o modelo (o resultado final que generaliza) e a distinção entre parâmetros (aprendidos dos dados) e hiperparâmetros (definidos antes do treino). Além disso, há dois grandes regimes: supervisionado (com rótulos) e não supervisionado (sem rótulos, busca padrões).
- (A) Incorreta: O item I está correto (algoritmo induz modelo, que generaliza), e o item II também está correto (parâmetros são internos e aprendidos; hiperparâmetros são externos e pré-definidos). Logo, não é só o item II.
- (B) Incorreta: O item III está correto (supervisionado mapeia entrada→rótulo; não supervisionado descobre estrutura sem rótulos), mas os itens I e II também estão corretos, então não é só o III.
- (C) Incorreta: Os itens I e II estão corretos, mas o item III também está, pois descreve com precisão a diferença entre aprendizado supervisionado e não supervisionado.
- (D) Incorreta: Os itens I e III estão corretos, mas o item II também está, pois a definição de parâmetros (pesos, coeficientes) e hiperparâmetros (k no KNN, taxa de aprendizado) é exata.
- (E) Correta: Todos os itens (I, II e III) estão conceitualmente corretos e complementares: I define algoritmo e modelo, II diferencia parâmetros de hiperparâmetros, e III distingue os dois paradigmas de aprendizado. A banca não colocou pegadinha aqui; a armadilha seria achar que "hiperparâmetros" são aprendidos ou que o não supervisionado também usa rótulos — mas ambos os itens II e III estão impecáveis.
Fonte: CEBRASPE SEFAZ-RN 2025 - P2 Conhecimentos Complementares Auditor Fiscal de Receitas Estaduais. Reproduzida para fins de estudo.