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
478 questões encontradas
ID 29413 Engenharia de Software Geral FGV 2024

O Time de Desenvolvimento de Sistemas (TDS) de uma organização recebeu demandas de alterações para o sistema SuperVALORES. Uma parte interessada solicitou duas mudanças na forma de apresentação de dados nos relatórios emitidos pelo SuperVALORES: • substituição do formato para datas de "MMDDAAAA" (mês-dia-ano) para "AAAAMMDD" (ano-mês-dia); e • conversão de moeda de real (R$) para dólar (US$). Com base no SNAP ( Software non-Functional Assessment Process ), as demandas de alteração solicitadas podem ser mensuradas utilizando a categoria:

A arquitetura, subcategoria componentes;
B operações de dados, subcategoria formatação de dados;
C design de interface, subcategoria múltiplos métodos de saída;
D ambiente técnico, subcategoria múltiplas interfaces de entrada/saída;
E operações lógicas e matemáticas, subcategoria operações para formatação.
ID 26766 Engenharia de Software Geral FGV 2024

No contexto de DevOps, o conceito que descreve única e corretamente a prática de fornecer rapidamente uma nova versão de software ao ambiente de produção com o mínimo de interrupções para os usuários é chamado

A Integração Contínua (CI).
B Entrega Contínua (CD).
C Gerenciamento de Configuração.
D Monitoramento Contínuo.
E Controle de Versão.
ID 26738 Engenharia de Software Geral FGV 2024

Um bom diagrama pode ajudar a comunicar ideias sobre um sistema, principalmente quando deseja-se evitar muitos detalhes. Na UML, uma ferramenta recomendada para esse fim é o Caso de Uso. Acerca dos diagramas de casos de uso, avalie as afirmativas a seguir e assinale (V) para a verdadeira e (F) para a falsa.

( ) Casos de uso são uma técnica para capturar os requisitos não funcionais de um software.

( ) Casos de uso representam uma visão externa do sistema, logo não deve haver correlação com as classes internas do sistema.

( ) Raias, atores e transições são elementos comuns em casos de uso. As afirmativas são, respectivamente,

A F – V – F.
B V – V – F.
C F – V – V.
D F – F – V.
E V – F – F.
ID 26692 Engenharia de Software Geral FGV 2024

A classificação de dados é uma tarefa comumente executada por meio de algoritmos de aprendizado de máquina. Uma técnica muito conhecida de classificação se dá por aprendizado supervisionado, e classifica novas instâncias de dados por associação à classe da maioria das instâncias de dados preexistentes mais próximas a elas. A avaliação dessa proximidade é baseada em normas (isto é, métricas de distância) definidas no espaço multidimensional das amostras. Assinale a técnica de classificação que melhor se enquadra nas características descritas acima.

A Regressão Logística.
B SVM.
C K-NN.
D LDA.
E Naïve Bayes.
ID 26691 Engenharia de Software Geral FGV 2024

Um dos principais objetivos dos algoritmos de aprendizado de máquinas é o de estabelecer um modelo que melhor descreva as relações entre variáveis de um conjunto de dados. Em algumas situações, ao serem treinados, os modelos ajustam-se demasiadamente aos dados do conjunto, capturando até mesmo padrões relacionados aos ruídos dos dados. Esses modelos tendem a ser excessivamente complexos e a ter um mau desempenho na generalização, isto é, nas etapas em que é necessário processar novas instâncias de dados não pertencentes ao conjunto de treinamento original. Uma maneira de mitigar esse comportamento inconveniente é usar técnicas de

A overfitting.
B backpropagation.
C incremento de dimensionalidade.
D regularização.
E underfitting.
ID 26678 Engenharia de Software Geral FGV 2024

A divisão dos dados por ocasião das tarefas de aprendizado de máquina deve ser feita com todo critério técnico para evitar problemas nos modelos gerados. No contexto dessa divisão dos dados, assinale a afirmativa correta acerca do processo de overfitting em aprendizado de máquina.

A O modelo generaliza bem para dados novos, apresentando baixa taxa de erro tanto em dados de treino quanto em dados de teste.
B O modelo se ajusta excessivamente aos dados de treino, mas apresenta baixo desempenho em dados de teste.
C O modelo apresenta alto desempenho em dados de teste, mas baixo desempenho em dados de treino.
D O modelo é incapaz de aprender padrões dos dados de treino, resultando em alto erro de treino e de teste.
E O modelo é robusto e apresenta desempenho constante independentemente do conjunto de dados analisado.
ID 26677 Engenharia de Software Geral FGV 2024

A Inteligência Artificial (IA) tem sido um campo de pesquisa e inovação que evoluiu bastante ao longo das décadas, e geralmente é dividida em IA fraca e IA forte, conceitos que se referem ao nível de “inteligência” que a IA consegue simular ou alcançar. Em relação ao conceito de Inteligência Artificial (IA), assinale a afirmativa que descreve corretamente a diferença entre IA forte e IA fraca.

A IA forte é um sistema que simula a inteligência humana em tarefas específicas, enquanto IA fraca consegue aprender e entender contextos complexos, como um ser humano.
B IA fraca se refere a sistemas que replicam com exatidão a consciência humana, enquanto IA forte realiza tarefas automatizadas sem a necessidade de consciência.
C IA forte é caracterizada pela capacidade de adquirir consciência e compreensão geral, enquanto IA fraca é projetada para executar tarefas específicas sem consciência.
D IA fraca é um sistema totalmente autônomo, que toma decisões complexas de forma independente, enquanto IA forte precisa da intervenção humana para operar.
E IA forte e IA fraca não têm diferença quanto à forma de processamento de informações; a distinção está apenas na potência do hardware que utilizam.
ID 26675 Engenharia de Software Geral FGV 2024

O Processamento de Linguagem Natural (PLN) é uma subárea da inteligência artificial focada em permitir que máquinas compreendam, interpretem, gerem e respondam à linguagem humana de maneira natural e significativa. O objetivo do PLN é fazer com que sistemas computacionais realizem tarefas que envolvem a linguagem humana, como leitura, escrita e interpretação de forma semelhante à forma como os humanos processam o idioma. Em Processamento de Linguagem Natural (PLN), a tokenização

A é a técnica que remove todas as palavras de um texto que não são substantivos, para focar apenas em entidades.
B consiste em dividir o texto em unidades menores, como palavras ou subpalavras, para facilitar o processamento do texto por modelos de PLN.
C é o processo de sintetizar novas palavras com base em um modelo probabilístico, permitindo a expansão do vocabulário.
D é a técnica que converte palavras em números aleatórios para evitar vieses durante a análise textual.
E é o processo de combinar palavras em frases inteiras para entender o contexto completo de um texto.
ID 26654 Engenharia de Software Geral FGV 2024

No aprendizado de máquina, técnicas de classificação e agrupamento têm objetivos distintos. Assinale a opção que descreve corretamente uma diferença fundamental entre técnicas de agrupamento e técnicas de classificação.

A Técnicas de agrupamento agrupam dados não rotulados, enquanto técnicas de classificação usam dados rotulados para prever classes.
B Técnicas de agrupamento dividem dados em classes predefinidas, enquanto técnicas de classificação descobrem novas classes.
C Técnicas de agrupamento são supervisionadas, enquanto técnicas de classificação são não supervisionadas.
D Técnicas de agrupamento são usadas exclusivamente em análise de texto, enquanto técnicas de classificação são usadas em análise de imagem.
E Técnicas de agrupamento utilizam modelos baseados em árvores de decisão, enquanto técnicas de classificação utilizam métodos de k-médias.
ID 26653 Engenharia de Software Geral FGV 2024

No processamento de linguagem natural (PLN), a redução de dimensionalidade é vital para simplificar dados textuais e melhorar o desempenho dos algoritmos de aprendizado de máquina. Diversos métodos são usados para esse fim, cada um com suas próprias características. Na redução de dimensionalidade em PLN, a técnica utilizada é chamada

A Apriori.
B K-means.
C PCA ( Principal Component Analysis ).
D Redes neurais LSTM ( Long Short-Term Memory ).
E TF-IDF ( Term Frequency-Inverse Document Frequency ).