Acerca de modelos preditivos e descritivos, assinale a opção correta.
- A)Com um modelo não supervisionado consegue-se construir um estimador a partir de exemplos rotulados.
Errada: dados rotulados são típicos de aprendizado supervisionado, não de não supervisionado.
- B)Um modelo supervisionado refere-se à identificação de informações relevantes nos dados sem a presença de um elemento externo para orientar o aprendizado.
Errada: a descrição fala justamente de aprendizado sem elemento externo de orientação, o que caracteriza o não supervisionado.
- C)Com o uso de técnicas do modelo não supervisionado, consegue-se prever com exatidão o resultado de uma eleição utilizando pesquisas como parâmetro.
Errada: previsão eleitoral com pesquisas é tarefa preditiva e não garante exatidão, além de não ser exemplo de aprendizado não supervisionado.
- D)A análise de agrupamento pertence ao paradigma de aprendizado não supervisionado, em que o aprendizado é dirigido aos dados, não requerendo conhecimento prévio sobre as suas classes ou categorias.
Certa: análise de agrupamento é uma técnica de aprendizado não supervisionado, pois identifica padrões sem conhecer previamente as classes dos dados.
- E)Tendo como objetivo encontrar padrões ou tendências para auxiliar o entendimento dos dados, deve-se usar técnicas do modelo supervisionado.
Errada: encontrar padrões ou tendências para entender os dados é objetivo típico do aprendizado não supervisionado, não do supervisionado.
Gabarito: D
Em Inteligência Artificial e aprendizado de máquina, a diferença central entre modelos supervisionados e não supervisionados está na presença de rótulos. No supervisionado, você ensina o modelo com exemplos já classificados, como quem mostra a resposta antes da prova. No não supervisionado, o algoritmo recebe os dados “crus” e tenta descobrir sozinho estruturas, padrões e semelhanças. A banca gosta muito de trocar esses conceitos de lugar para ver se você está atento. A alternativa correta é a D porque a análise de agrupamento, ou clustering, é um exemplo clássico de aprendizado não supervisionado. Nela, o sistema procura agrupar dados parecidos sem conhecer previamente as classes ou categorias, ou seja, o aprendizado é orientado pelos próprios dados. Isso combina perfeitamente com a ideia de técnicas descritivas: elas servem para entender a estrutura dos dados, e não para prever um alvo já definido. Já os modelos preditivos costumam aparecer quando existe uma variável-alvo a ser estimada, como preço, risco, nota ou probabilidade de evento. Por isso, não faz sentido dizer que o não supervisionado constrói estimador a partir de exemplos rotulados, nem que ele prevê com exatidão resultado de eleição. Em IA, exatidão total em problema real costuma ser promessa de vendedor, não de prova. Em termos doutrinários, a classificação entre aprendizado supervisionado e não supervisionado é básica em ciência de dados e aprendizado de máquina. O ponto-chave para você guardar é: se há rótulo, pense em supervisão; se o algoritmo precisa descobrir padrões sem rótulo, pense em não supervisão.