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

22 questões encontradas

ID 207933 Tecnologia da Informação Aprendizado de Máquina FGV 2026

Texto associado

Um grupo de indivíduos é suspeito de utilizar aprendizado de máquina para realizar fraudes bancárias. Para fazer a análise apropriada ele precisa identificar qual tipo de aprendizado está sendo usado em cada etapa.

Associe corretamente o tipo de aprendizado ao cenário:
1. Detecção de anomalias em transações sem rótulos
2. Classificação de transações como "fraude" ou "legítima"
3. Agente que ajusta estratégia de detecção com base em feedback de penalidade e recompensa

A (1) Supervisionado/(2) Supervisionado / (3) Supervisionado

B (1) Supervisionado / (2) Reforço / (3) Não supervisionado

C (1) Reforço / (2) Supervisionado / (3) Não supervisionado

D (1) Não supervisionado / (2) Supervisionado / (3) Reforço

E (1) Não supervisionado / (2) Reforço / (3) Supervisionado

ID 187137 Tecnologia da Informação Aprendizado de Máquina CEBRASPE 2026

Texto associado

Com relação ao aprendizado de máquina, à IA generativa e às redes neurais e deep learning, julgue os próximos itens.

Em algoritmos de aprendizado de máquina, a validação cruzada ( cross-validation ) é utilizada para aumentar o conjunto de treinamento ao duplicar os dados disponíveis, elevando assim a capacidade de generalização do modelo.

C Certo

E Errado

ID 180939 Tecnologia da Informação Aprendizado de Máquina FCC 2026

Em um laboratório de ciência de dados voltado ao setor público, três equipes desenvolvem soluções distintas baseadas em aprendizado de máquina, elencadas com os itens I, II e III.

I. Uma equipe cria um modelo que identifica se solicitações de serviços enviadas por cidadãos pertencem às categorias saúde, educação ou segurança pública, com base no texto da mensagem.
II. Outra equipe desenvolve um modelo que prevê o valor estimado de arrecadação tributária para o próximo mês, considerando dados históricos e indicadores econômicos.
III. A terceira equipe elabora um modelo que segmenta municípios com perfis socioeconômicos semelhantes.

Com base nos conceitos fundamentais de aprendizado de máquina, os tipos de algoritmos utilizados nas soluções correspondem a

A I. Classificação - II. Regressão III. Agrupamento.

B I. Regressão - II. Agrupamento - III. Classificação.

C I. Agrupamento - II. Classificação III. Regressão.

D I. Regressão - II. Classificação- III. Agrupamento.

E I. Classificação II.Agrupamento III. Regressão.

ID 180712 Tecnologia da Informação Aprendizado de Máquina FCC 2026

Na modelagem estatística utilizando aprendizado de máquina, a principal razão para separar os dados em conjuntos de treinamento, validação e teste é

A reduzir o viés do estimador dos coeficientes.

B avaliar desempenho generalizável e evitar overfitting .

C reduzir a dimensionalidade dos preditores.

D aumentar a variância do modelo.

E garantir normalidade dos resíduos.

ID 179785 Tecnologia da Informação Aprendizado de Máquina FCC 2026

Uma Secretaria da Fazenda analisa declarações fiscais sem rótulos prévios para identificar padrões de comportamento econômico atípico entre contribuintes, visando a subsidiar auditorias. A abordagem de aprendizado de máquina corretamente aplicada ao cenário descrito é aprendizado

A por reforço, com recompensas associadas a decisões de fiscalização em sequência temporal.

B supervisionado, com uso de curva ROC para separar contribuintes sem histórico rotulado.

C supervisionado, com treinamento a partir de classes de regularidade tributária.

D não supervisionado, com identificação de estruturas e agrupamentos sem variável-alvo definida.

E supervisionado, com definição manual de regras fiscais como variável-alvo do treinamento.

ID 189367 Tecnologia da Informação Aprendizado de Máquina CEBRASPE 2025

Assinale a opção em que é citada a ciência do desenvolvimento de algoritmos e modelos estatísticos utilizados por sistemas de computador para a realização de tarefas sem instruções explícitas, baseando-se em padrões e inferências, de modo que um sistema aprenda e melhore automaticamente e com base na experiência.

A internet of things

B generative AI

C big data

D machine learning

E cloud computing

ID 189107 Tecnologia da Informação Aprendizado de Máquina CEBRASPE 2025

Texto associado

A computação científica consiste em um conjunto de técnicas, ferramentas e teorias que englobam inteligência artificial, matemática, estatística, física e computação e que abrangem conhecimentos específicos de subáreas tais como estatística aplicada, econometria, matemática aplicada, inteligência computacional, visualização científica e biometria, sendo cada vez mais utilizada no desenvolvimento de novas tecnologias agrícolas, agora no contexto da emergente agricultura digital. Nas últimas décadas, inclusive, a computação científica tem sido apontada como o terceiro pilar da pesquisa científica, junto com a experimentação e a teoria.

Agricultura de Precisão: Um Novo Olhar na Era Digital. EMBRAPA, 2024 (com adaptações).

Considerando as ideias do texto precedente, julgue os próximos itens.

Abordagens determinísticas, estocásticas e de aprendizado de máquina podem ser utilizadas para classificar pares de fazendas como compatíveis ou não, sendo que há exemplos em que os métodos de machine learning superam os demais em termos de qualidade de resultados (acurácia, precisão, sensibilidade e especificidade) e eficiência (tempo de execução computacional).

C Certo

E Errado

ID 179370 Tecnologia da Informação Aprendizado de Máquina FCC 2025

Em um projeto de análise preditiva no âmbito de um Tribunal do Trabalho, foi desenvolvido o código abaixo em Python para prever se UM processo será encerrado em até 6 meses (1) ou não (0), com base em atributos como número de audiências, tipo de ação e complexidade processual. Considere que este código será executado em condições ideais.

Ao observar o código e os recursos de aprendizado de máquina utilizados, uma Analista afirmou que

A modelo.score retorna automaticamente a matriz de confusão, que é a melhor métrica para avaliar esse problema de prever categorias binárias com base nos dados tabulares dos processos judiciais.

B o código divide o conjunto de dados em 30% para treinar o modelo e os 70% restantes são usados para avaliar o modelo depois do treinamento.

C o código utiliza aprendizado não supervisionado com redes neurais para prever o tempo de encerramento dos processos judiciais com base em agrupamento de atributos.

D X contém todas as colunas ou atributos usados para prever menos encerramento_6m , pois este será previsto, e random_state=42 garante que a divisão será a mesma toda vez que o código for executado.

E train_test_split deve ser substituído por sc.data.Dataset.from_scikit-learn slices((X, y)) para realizar a partição de dados, com a sua devida importação, pois é o mais indicado para problemas que envolvem categorias binárias.

ID 178822 Tecnologia da Informação Aprendizado de Máquina FCC 2025

A prefeitura de um grande município está aumentando o uso de Inteligência Artificial (IA), Machine Learning (ML) e Internet das Coisas (loT) para modernizar a gestão urbana. Essas tecnologias são utilizadas na automação de processos administrativos, monitoramento de tráfego, alocação de recursos e otimização de serviços públicos. Uma equipe de analistas promoveu um debate para discutir os desafios éticos e técnicos associados a essas tecnologias e concluiu que:

A a utilização de algoritmos de IA na gestão urbana elimina vieses e erros humanos, garantindo decisões mais objetivas e imparciais.

B aloT melhora a eficiência dos serviços públicos e, por ser baseada em sensores automatizados, reduz significativamente os riscos de segurança cibernética ou invasões de privacidade.

C modelos de ML tornam-se progressivamente autônomos e, uma vez treinados, não precisam ser revisados, pois suas previsões e decisões se aprimoram automaticamente, o que contribui para uma gestão pública realmente eficiente.

D a aplicação de IA na gestão pública pode reproduzir padrões discriminatórios presentes nos dados históricos usados para treinamento, tornando necessário um monitoramento contínuo para evitar viés algorítmico.

E como os algoritmos são treinados com grandes volumes de dados históricos estruturados e não estruturados, os sistemas baseados em ML garantem neutralidade e imparcialidade nas políticas públicas.

ID 161979 Tecnologia da Informação Aprendizado de Máquina AOCP 2025

O aprendizado de máquina aplicado à mineração de dados possibilita a extração de conhecimento útil a partir de grandes volumes de informações, automatizando a identificação de padrões e tendências. Ele é empregado para prever comportamentos, classificar dados e detectar anomalias em diferentes contextos. Entre as abordagens utilizadas nesse processo, destacam-se o aprendizado supervisionado, o aprendizado não supervisionado e o aprendizado por reforço, cada um adequado a diferentes tipos de problemas e conjuntos de dados. Em relação às abordagens mencionadas, informe se é verdadeiro (V) ou falso (F) o que se afirma a seguir e assinale a alternativa com a sequência correta.

( ) No aprendizado supervisionado, o modelo aprende com um conjunto de dados não rotulados (exemplo: previsão de vendas).
( ) No aprendizado não supervisionado, o modelo encontra padrões em dados rotulados (exemplo: segmentação de clientes).
( ) No aprendizado por reforço, o modelo aprende através de interações com o ambiente e feedback sobre as ações (exemplo: algoritmos de recomendação).

A V – V – V.

B F – F – F.

C V – F – V.

D V – V – F.

E F – F – V.