Questão de Tecnologia da Informação · FGV TCE-GO 2024 (nº 90)

O aprendizado de máquina supervisionado e não supervisionado são duas abordagens principais para ensinar computadores a aprender a partir de dados. A diferença fundamental entre eles reside na forma como os dados de treinamento são preparados, especialmente se eles vêm com "respostas" ou não.

(A) Incorreta: A detecção de outliers pode ser feita tanto com modelos supervisionados (se houver rótulos de "normal" vs. "anomalia") quanto, e mais comumente, com modelos não supervisionados (identificando pontos que se desviam do padrão). O formato dos dados (XML/JSON) é uma questão de representação de dados, não uma característica distintiva entre os tipos de aprendizado.
(B) Incorreta: Modelos supervisionados são, na verdade, mais propensos ao overfitting (ajustar-se demais aos dados de treinamento, perdendo a capacidade de generalizar para novos dados) do que modelos não supervisionados, pois eles tentam mapear uma entrada para uma saída específica. Modelos não supervisionados buscam padrões nos dados sem um alvo definido, o que os torna menos suscetíveis a esse tipo de problema de generalização. Esta alternativa inverte a realidade.
(C) Correta: Modelos supervisionados requerem dados rotulados (ou seja, cada exemplo de entrada tem uma "resposta" ou "rótulo" correto associado) para aprender a mapear entradas para saídas. Já os modelos não supervisionados podem funcionar com dados não rotulados, buscando padrões, estruturas ou agrupamentos intrínsecos nos dados sem a necessidade de respostas pré-definidas.
(D) Incorreta: Modelos não supervisionados são frequentemente usados para análise exploratória de dados (EDA), como agrupamento e redução de dimensionalidade, para descobrir estruturas. No entanto, modelos supervisionados também podem ser usados em EDA. Para previsão de séries temporais, modelos supervisionados são amplamente utilizados, pois o objetivo é prever um valor futuro (o "rótulo") com base em dados passados. A afirmação inverte ou restringe indevidamente as aplicações.
(E) Incorreta: Modelos supervisionados não são usados apenas para classificação (prever uma categoria); eles também são usados para regressão (prever um valor numérico contínuo). Da mesma forma, modelos não supervisionados não são usados apenas para agrupamento (clustering); eles também são usados para redução de dimensionalidade, detecção de anomalias e outras tarefas. Esta alternativa é uma simplificação excessiva e incorreta das aplicações de ambos os tipos de aprendizado.