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

36 questões encontradas

ID 19471 Informática Data Mining CEBRASPE 2021

A respeito de mineração de dados, julgue o item que se segue. No método de mineração de dados por agrupamento ( clustering ), são utilizados algoritmos com heurísticas para fins de descoberta de agregações naturais entre objetos.

A Certo

B Errado

ID 19409 Informática Data Mining CEBRASPE 2021

A respeito de mineração de dados, julgue o item que se segue. Os principais métodos de análise de agrupamentos em mineração de dados incluem redes neurais, lógica difusa, métodos estatísticos e algoritmos genéticos.

A Certo

B Errado

ID 19353 Informática Data Mining CEBRASPE 2021

Com relação a noções de mineração de dados e Big Data , julgue o item que se segue. Na primeira fase do CRISP-DM ( cross industry standard process for data mining ), há o entendimento dos dados para que se analise a qualidade destes.

A Certo

B Errado

ID 19268 Informática Data Mining CEBRASPE 2021

A respeito de mineração de dados, julgue o item que se segue. No método de classificação para mineração de dados, a filiação dos objetos é obtida por meio de um processo não supervisionado de aprendizado, em que somente as variáveis de entrada são apresentadas para o algoritmo.

A Certo

B Errado

ID 19157 Informática Data Mining CEBRASPE 2021

Com relação a noções de mineração de dados e Big Data , julgue o item que se segue. As regras de associação adotadas em mineração de dados buscam padrões frequentes entre conjuntos de dados e podem ser úteis para caracterizar, por exemplo, hábitos de consumo de clientes: suas preferências são identificadas e em seguida associadas a outros potenciais produtos de seu interesse.

A Certo

B Errado

ID 19118 Informática Data Mining CEBRASPE 2021

Com relação a noções de mineração de dados e Big Data , julgue o item que se segue. A fase de implantação do CRISP-DM ( cross industry standard process for data mining ) só deve ocorrer após a avaliação do modelo construído para atingir os objetivos do negócio.

A Certo

B Errado

ID 19047 Informática Data Mining CEBRASPE 2021

Com relação a noções de mineração de dados e Big Data , julgue o item que se segue. Na mineração de dados preditiva, ocorre a geração de um conhecimento obtido de experiências anteriores para ser aplicado em situações futuras.

A Certo

B Errado

ID 18353 Informática Data Mining CEBRASPE 2021

Com relação a noções de mineração de dados e Big Data , julgue o item que se segue. A descoberta de conhecimento em bases de dados, ou KDD ( knowledge-discovery ), é a etapa principal do processo de mineração de dados.

A Certo

B Errado

ID 18258 Informática Data Mining CEBRASPE 2021

A respeito de mineração de dados, julgue o item que se segue. O fator de suporte e o fator de confiança são dois índices utilizados para definir o grau de certeza de uma regra de associação.

A Certo

B Errado

ID 141591 Informática Data Mining FCC 2020

No contexto de data mining, considere o caso hipotético a seguir:
Uma financeira possui o histórico de seus clientes e o comportamento destes em relação ao pagamento de empréstimos contraídos previamente. Existem dois tipos de clientes: adimplentes e inadimplentes. Estas são as categorias do problema (valores do atributo alvo). Uma aplicação de mining , neste caso, consiste em descobrir uma função que mapeie corretamente os clientes, a partir de seus dados (valores dos atributos previsores), em uma destas categorias. Tal função pode ser utilizada para prever o comportamento de novos clientes que desejem contrair empréstimos junto à financeira. Esta função pode ser incorporada a um sistema de apoio à decisão que auxilie na filtragem e na concessão de empréstimos somente a clientes classificados como bons pagadores .
Trata-se de uma atividade denominada

A sumarização.

B descoberta de associações.

C classificação.

D descoberta de sequências.

E previsão de séries temporais.