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

55 questões encontradas

ID 189107 Tecnologia da Informação Inteligência Artificial e 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 Inteligência Artificial e 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 178951 Tecnologia da Informação Inteligência Artificial e Aprendizado de Máquina FCC 2025

Uma cidade enfrenta desafios constantes para melhorar sua mobilidade urbana. Recentemente, soluções baseadas em Inteligência Artificial (IA), como sistemas preditivos para controle de tráfego e algoritmos de roteamento inteligente para transporte público, começaram a ser implementadas. No entanto, essas tecnologias também levantam questões éticas e legais, como a privacidade dos dados dos cidadãos, a responsabilidade por decisões automatizadas e o impacto no mercado de trabalho. Ao implementar sistemas de IA para otimizar a mobilidade urbana, o principal desafio ético e legal que deve ser priorizado para garantir um equilíbrio entre inovação tecnológica e direitos dos cidadãos é

A garantir que as decisões automatizadas sejam explicáveis e auditáveis.

B restringir o uso de IA apenas a aplicações que não envolvam dados pessoais.

C priorizar a redução de custos operacionais em detrimento de preocupações éticas.

D implementar sanções financeiras severas a todas as empresas que coletam dados dos usuários.

E centralizar o controle dos algoritmos em uma única autoridade municipal.

ID 178822 Tecnologia da Informação Inteligência Artificial e 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 178437 Tecnologia da Informação Inteligência Artificial e Aprendizado de Máquina FCC 2025

Durante a elaboração de uma nova solução para triagem de processos no Poder Judiciário, a equipe de inovação propõe o uso de um modelo de linguagem de larga escala, capaz de interpretar textos jurídicos extensos, gerar resumos automáticos e classificar informações para facilitar a decisão humana. Com base nos conceitos de inteligência artificial (IA) e considerando o papel de diferentes sistemas, essa proposta caracteriza o uso de

A um modelo de linguagem de larga escala, especializado em processamento e compreensão de linguagem natural

B um agente de IA voltado à mediação de tarefas cognitivas, com ênfase em respostas interativas e execução de comandos baseados em linguagem natural.

C um sistema baseado em regras fixas, capaz de extrair trechos padronizados de documentos, mas com capacidade contextual de interpretação ou síntese textual limitada.

D um sistema de IA generativa treinado para sintetizar textos a partir de conteúdos jurídicos, com foco em apoio à tomada de decisão e ausência de geração autônoma de novos dados.

E uma arquitetura de IA especializada em rotinas de classificação binária, estruturada com base em regras de decisão previamente parametrizadas.

ID 162014 Tecnologia da Informação Inteligência Artificial e Aprendizado de Máquina AOCP 2025

As redes neurais, inspiradas no funcionamento do cérebro humano, são uma parte fundamental da Inteligência Artificial (IA). Elas consistem em camadas de unidades, chamadas neurônios, que processam informações e aprendem a partir de dados. Essas redes são aplicadas em diversas áreas, como classificação, previsão, reconhecimento de padrões, processamento de linguagem natural e visão computacional. Dentre os algoritmos utilizados em IA, alguns são redes neurais, enquanto outros pertencem a diferentes categorias de aprendizado de máquina. Nesse sentido, assinale a alternativa que apresenta um algoritmo de rede neural.

A Naive Bayes.

B K-Means.

C Support Vector Machine.

D Multilayer Perceptron.

E K-Nearest Neighbors.

ID 161979 Tecnologia da Informação Inteligência Artificial e 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.

ID 21056 Tecnologia da Informação Inteligência Artificial e Aprendizado de Máquina Cebraspe 2025

Suponha que, em determinada secretaria de fazenda estadual, esteja avaliando a aplicação de arquiteturas de deep learning para otimizar processos de fiscalização e gestão. Considerando essa situação hipotética e as propriedades das redes neurais convolucionais (CNNs), cuja arquitetura é baseada em camadas de filtragem para a extração de hierarquias de características espaciais, assinale a opção que indica uma aplicação tecnicamente adequada das CNNs, seguida de sua descrição.

A redução de dimensionalidade — aplicação de camadas convolucionais para o cálculo de indicadores fiscais sintéticos a partir de variáveis estatísticas descorrelacionadas em ambiente Big Data

B análise econométrica — estimativa da elasticidade-preço da demanda e impacto do PIB na receita estadual por meio do treinamento de filtros convolucionais em variáveis macroeconômicas agregadas

C agrupamento de contribuintes — utilização de CNNs para a segmentação de empresas por comportamento de crédito, utilizando como entrada bases de dados relacionais e tabelas de histórico de pagamentos

D modelagem preditiva de receita — aplicação de CNNs para o ajuste de modelos autorregressivos de séries temporais de arrecadação baseados estritamente em dados numéricos tabelados

E auditoria de documentos fiscais — reconhecimento de padrões e classificação automática de documentos digitalizados (como notas fiscais, faturas ou contratos), com vistas a identificar fraudes ou inconsistências em elementos visuais

ID 21054 Tecnologia da Informação Inteligência Artificial e Aprendizado de Máquina Cebraspe 2025

No que concerne aos fundamentos conceituais e operacionais do aprendizado de máquina, julgue os itens a seguir.
I O algoritmo de aprendizado constitui o procedimento lógico-matemático (ou processo de otimização) aplicado ao conjunto de dados para a indução de um modelo; este último representa a generalização ou hipótese final capaz de realizar inferências sobre dados não observados durante o treinamento.
II Os parâmetros são variáveis internas ao modelo cujos valores são aprendidos ou estimados a partir dos dados (ex.: pesos em redes neurais ou coeficientes de regressão); por outro lado, os hiperparâmetros são configurações externas ao modelo, definidas antes do processo de treinamento, que controlam o comportamento do algoritmo e a complexidade do modelo (ex.: número de vizinhos no KNN ou a taxa de aprendizado).
III No aprendizado supervisionado, o objetivo é a indução de uma função de mapeamento entre variáveis de entrada e uma variável alvo predestinada (rótulo); já no aprendizado não supervisionado, o processo foca a descoberta de padrões intrínsecos, estruturas latentes ou distribuições em dados que não possuem anotações ou supervisão externa.
Assinale a opção correta.

A Apenas o item II está certo.

B Apenas o item III está certo.

C Apenas os itens I e II estão certos.

D Apenas os itens I e III estão certos.

E Todos os itens estão certos.

ID 21053 Tecnologia da Informação Inteligência Artificial e Aprendizado de Máquina Cebraspe 2025

No âmbito do aprendizado de máquina não supervisionado, os algoritmos de agrupamento (clustering) apresentam diferentes abordagens para a organização de dados sem rótulos. Considerando as propriedades operacionais dos algoritmos k-means, DBSCAN e SOM (self-organizing maps), assinale a opção correta.

A O DBSCAN e o SOM operam sob a mesma função de custo baseada na minimização da soma dos erros quadráticos (SSE) em relação a um ponto central fixo.

B O k-means é um algoritmo de particionamento que minimiza a variância intracluster, sendo inerentemente robusto quanto à presença de outliers devido ao uso da média aritmética para o cálculo dos centroides.

C O DBSCAN fundamenta-se na densidade local de pontos, permitindo a identificação de agrupamentos de formas geométricas arbitrárias e a segregação de ruído, prescindindo da especificação prévia do número de clusters.

D O SOM utiliza uma arquitetura de rede neural competitiva para realizar a redução de dimensionalidade e o agrupamento, garantindo a preservação da topologia global sem a necessidade de definir uma vizinhança entre os neurônios.

E O k-means apresenta desempenho superior ao DBSCAN na detecção de agrupamentos não convexos ou com densidades significativamente distintas.