Banco público de questões

Questões para Concursos

Pesquise questões reais por disciplina, assunto, tópico, banca, órgão, cargo, ano e modalidade.

Questões por banca

29 bancas disponíveis. Clique para visualizar todas.

Acesse diretamente as bancas disponíveis na QuestLab. As quantidades abaixo consideram as questões ativas do banco.

CEBRASPE 51.363 questões FGV 25.316 questões FCC 24.632 questões AOCP 23.456 questões IBFC 11.190 questões VUNESP 10.983 questões Instituto Quadrix 9.793 questões FUNDATEC 9.088 questões IBADE 7.820 questões CESGRANRIO 6.013 questões OBJETIVA 4.740 questões CONSULPLAN 4.174 questões FEPESE 3.585 questões IADES 3.439 questões IESES 2.627 questões SELECON 2.377 questões IDECAN 1.907 questões MS CONCURSOS 1.485 questões Instituto Legalle 1.281 questões FAFIPA 1.161 questões FUMARC 842 questões ACAFE 551 questões INSTITUTO AOCP 430 questões NUCEPE 378 questões FUNIVERSA 348 questões FAURGS 203 questões FIOCRUZ 48 questões MACKENZIE 48 questões CETRO 17 questões

Encontre as questões que procura

Palavra-chave

Disciplina

Assunto

Tópico

Banca

Órgão

Ano

Cargo

Modalidade

Limpar filtros

5 questões encontradas

ID 181123 Tecnologia da Informação Agrupamento (Clustering) FCC 2026

Uma Secretaria da Fazenda Estadual precisa analisar 500 mil declarações fiscais para identificar contribuintes com comportamento tributário similar, sem ter exemplos prévios de classificação. A equipe técnica deve agrupar as empresas considerando apenas as características declaradas (receita, despesas, setor, localização) e descobrir padrões naturais nos dados.

A técnica mais adequada para essa tarefa é:

A Árvores de decisão, pois criam regras hierárquicas de classificação baseadas em variáveis fiscais usando exemplos rotulados de empresas regulares e irregulares.

B Análise de séries temporais, pois identifica tendências e padrões sazonais na arrecadação tributária ao longo do tempo para projeções futuras de receita.

C Regressão logística, pois classifica empresas em categorias de risco fiscal utilizando variáveis preditoras numéricas e categóricas com base em histórico de autuações anteriores.

D K-means clustering, pois agrupa empresas por similaridade sem necessidade de rótulos prévios, identificando padrões naturais nos dados declarados pelos contribuintes.

E Redes neurais profundas, pois aprendem representações complexas dos dados fiscais através de múltiplas camadas ocultas treinadas com backpropagation supervisionado.

ID 187985 Tecnologia da Informação Agrupamento (Clustering) CEBRASPE 2025

Texto associado

Julgue os itens a seguir, referentes a algoritmos de aprendizado de máquina.

O algoritmo K-means garante a otimização dos clusters , independentemente da inicialização dos centroides, desde que a métrica de distância utilizada seja euclidiana, e os dados estejam em um espaço vetorial de baixa dimensionalidade.

C Certo

E Errado

ID 162137 Tecnologia da Informação Agrupamento (Clustering) AOCP 2025

O Aprendizado de Máquina (Machine Learning - ML) é uma subárea da Inteligência Artificial (IA) que capacita os sistemas a “aprenderem” a partir de dados, ou seja, a ajustarem seu comportamento com base em padrões identificados nos dados, sem a necessidade de programação explicita para cada tarefa. Em vez de serem programados para realizar tarefas específicas, os algoritmos de aprendizado de máquina analisam dados, detectam padrões e fazem previsões ou tomam decisões baseadas nesse aprendizado. Considerando isso, assinale a alternativa que apresenta a técnica de aprendizado de máquina que agrupa dados de maneira que os itens dentro de um grupo sejam mais semelhantes entre si e diferentes de outros grupos. Exemplo: segmentação de clientes com base em seu comportamento.

A Redução de dimensionalidade.

B Classificação.

C Regressão.

D Associação.

E Clusterização.

ID 190265 Tecnologia da Informação Agrupamento (Clustering) CEBRASPE 2024

Considere que certa organização não governamental tenha coletado diversos dados de determinado bioma do estado do Paraná e esteja estudando qual é a melhor técnica para analisar tais dados. Haja vista a inexistência de qualquer base de referência, a técnica mais indicada para agrupamento é a

A categorização.

B clusterização.

C série temporal.

D detecção de desvio.

E classificação.

ID 160812 Tecnologia da Informação Agrupamento (Clustering) AOCP 2024

Acerca da análise de agrupamentos (clusterização), analise as assertivas e assinale a alternativa correta.

I. O algoritmo K-means é uma técnica de clusterização hierárquica que agrupa dados em K clusters de acordo com a proximidade dos dados.
II. Na clusterização, a medida de similaridade pode ser baseada na distância euclidiana, mas outras medidas, como a distância de Manhattan, também são utilizadas.
III. A clusterização é sempre um método supervisionado, no qual os grupos são previamente definidos e rotulados.
IV. O algoritmo DBSCAN é capaz de identificar clusters de formas arbitrárias e detectar outliers .

A Apenas I e III estão incorretas.

B Apenas I e III estão corretas.

C Apenas I, II e III estão incorretas.

D I, II, III e IV estão incorretas.

E I, II, III e IV estão corretas.