QuestLab Plataforma Inteligente de Questões
Entrar Criar conta
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
Limpar filtros
18 questões encontradas
ID 7136 Banco de Dados Data Mining CEBRASPE 2026

Acerca de modelagem dimensional, do CRISP-DM e do uso de banco de dados relacionais na análise de dados, julgue o item a seguir. No modelo de referência CRISP-DM, a fase de preparação de dados ocorre estritamente após a conclusão da fase de modelagem, com o objetivo de formatar as saídas preditivas geradas.

A Certo
B Errado
ID 7133 Banco de Dados Data Mining CEBRASPE 2026

Julgue o próximo item, a respeito de visualização e análise exploratória de dados, de linguagens e ferramentas de apoio à análise de dados e de técnicas e tarefas de mineração de dados. O boxplot (diagrama de caixa) é uma ferramenta de visualização que possibilita identificar a mediana, a dispersão dos dados e a presença de valores atípicos ( outliers ) em uma distribuição.

A Certo
B Errado
ID 124637 Banco de Dados Data Mining CEBRASPE 2025

No contexto da mineração de dados, diferentes algoritmos são utilizados para solucionar problemas específicos, como segmentação de dados, descoberta de padrões e construção de modelos preditivos. Considerando os métodos Apriori, FP-Growth, k-means e árvores de decisão, assinale a opção que corresponde à descrição correta do funcionamento de um desses algoritmos.

A O Apriori gera padrões frequentes analisando apenas pares de itens, sem a necessidade de avaliar conjuntos de itens maiores ao longo do processo.
B O algoritmo FP-Growth é amplamente utilizado para descoberta de padrões frequentes em grandes bases de dados, sendo uma alternativa eficiente ao Apriori ao evitar a geração de candidatos.
C O k-means automaticamente determina o número ideal de clusters com base na densidade dos dados, sem necessidade de parametrização prévia.
D O k-means é um algoritmo de agrupamento que pode identificar clusters de formatos arbitrários e é robusto contra outliers , sendo adequado para dados com distribuições não esféricas.
E A árvore de decisão é insensível a ruídos, sendo capaz de generalizar bem para novos dados, independentemente da qualidade do conjunto de treinamento.
ID 23832 Banco de Dados Data Mining FGV 2025

No contexto de Processamento de Linguagem Natural, a técnica de word embeddings é

A uma representação vetorial de palavras em um espaço de baixa dimensão, que preserva relações semânticas entre elas.
B um método de classificação que utiliza árvores de decisão para analisar o contexto das palavras.
C um modelo probabilístico que calcula a probabilidade condicional de uma sequência de palavras.
D uma técnica de visualização que organiza frases em categorias predefinidas.
E um tipo de filtragem de dados que remove palavras irrelevantes de um texto.
ID 23610 Banco de Dados Data Mining FGV 2025

Acerca dos algoritmos de mineração de dados, analise as afirmativas a seguir, e assinale (V) para a verdadeira e (F) para a falsa.

( ) Uma árvore de decisão é um grafo cíclico direcionado em que cada nó é um nó de divisão.

( ) Em uma rede neural artificial multicamadas os neurônios estão conectados a todos os neurônios da camada anterior.

( ) As máquinas de vetores de suporte (SVM - Support Vector Machine ) são aplicadas em problemas de classificação nos quais busca-se dividir os dados por meio de um hiperplano. As afirmativas são, respectivamente,

A V – V – F.
B V – F – V.
C F – V – F.
D F – F – V.
E V – V – V.
ID 23609 Banco de Dados Data Mining FGV 2025

Sobre algoritmos de mineração de dados, avalie as afirmativas a seguir e assinale (V) para a verdadeira e (F) para a falsa.

( ) K-means, também conhecido como K-NN, é um algoritmo baseado na ideia de que objetos semelhantes estão próximos uns dos outros.

( )Árvore de decisão é uma estrutura hierárquica constituída por nós. Nela, o coeficiente de Gini de um nó é sempre maior do que o do seu nó pai.

( ) O algoritmo SVM, utilizado apenas para a tarefa de classificação, emprega classificadores lineares que separam o conjunto de dados por meio de hiperplanos, não sendo possível seu uso com problemas não linearmente separáveis. As afirmativas são, respectivamente,

A V – V – F.
B F – V – V.
C F – F – V.
D V – F – F.
E F – F – F.
ID 22973 Banco de Dados Data Mining FGV 2025

A Mineração de Dados é a etapa do processo de KDD (Knowledge Discovery in Databases) responsável por extrair modelos de conhecimento a partir dos dados disponíveis. Após a construção desses modelos, é fundamental avaliar sua qualidade, o que exige compará-los com dados específicos para mensurar métricas que reflitam seu desempenho. Para garantir uma avaliação imparcial, os dados utilizados na criação do modelo não devem ser os mesmos empregados em sua validação. Assim, o processo de KDD deve utilizar, no mínimo, dois conjuntos distintos de dados: um conjunto de treinamento, para gerar o modelo, e um conjunto de testes, para avaliá-lo. Selecione a opção que identifica o método de particionamento de dados em que o “conjunto de treinamento” é gerado por N sorteios aleatórios com reposição a partir do conjunto de dados original (que contém N registros). Já o “conjunto de testes” é composto pelos registros não selecionados para o “conjunto de treinamento”.

A Holdout.
B Bootstrap.
C Leave-One-Out.
D K-Fold CrossValidation.
E Stratifield K-Fold CrossValidation.
ID 22844 Banco de Dados Data Mining FGV 2025

A mineração de dados é um dos principais componentes do processo de descoberta de conhecimento em bases de dados (KDD - Knowledge Discovery in Databases ). Seu objetivo é extrair padrões relevantes, previamente desconhecidos, e potencialmente úteis a partir de grandes volumes de dados. Sobre a mineração de dados, assinale a afirmativa correta.

A A mineração de dados consiste exclusivamente na coleta e no armazenamento de dados em data warehouses, não envolvendo análises ou descobertas de padrões.
B O principal objetivo da mineração de dados é remover informações redundantes antes que elas sejam carregadas em sistemas transacionais.
C A mineração de dados utiliza técnicas estatísticas, de aprendizado de máquina e inteligência artificial para identificar padrões e relacionamentos em grandes volumes de dados.
D A mineração de dados deve ser aplicada somente em bancos de dados estruturados, sendo incompatível com dados não estruturados como texto ou imagens.
E Diferentemente da análise preditiva, a mineração de dados limita-se a gerar relatórios descritivos previamente definidos por especialistas.
ID 9580 Banco de Dados Data Mining CEBRASPE 2025

Julgue o próximo item, relativos a visualização de dados, banco de dados e BI ( business intelligence ). As bibliotecas NumPy, Pandas, SciPy e Statsmodels são frequentemente usadas para manipulação e análise de dados em Python, enquanto Matplotlib, Seaborn e Plotly são amplamente utilizadas para visualização de dados, permitindo a criação de gráficos e plots interativos.

A Certo
B Errado
ID 8478 Banco de Dados Data Mining CEBRASPE 2025
Texto associado
Julgue o item seguinte, relativo à administração de banco de dados Oracle, à modelagem de dados relacional, à normalização de dados e ao data mining .

Em data mining , a técnica de regras de associação é usada para prever valores contínuos com base em atributos independentes, utilizando-se árvores de regressão.

A Certo
B Errado