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
2 questões encontradas
ID 59653 Informática Inteligência Artificial e Automação FIOCRUZ 2024

No aprendizado de máquina, a etapa de validação cruzada ( cross-validation ) tem como objetivo principal:

A treinar o modelo em um conjunto de dados desconhecido
B diminuir a complexidade dos modelos, aumentando sua explicabilidade.
C avaliar a capacidade de generalização do modelo.
D comparar o desempenho de modelos distintos.
E diminuir a variância do modelo.
ID 59652 Informática Inteligência Artificial e Automação FIOCRUZ 2024

A seleção de características (feature selection) é uma etapa importante no contexto de aprendizado de máquina, principalmente quando há diversas dimensões que podem ser exploradas. O conjunto de características (features) selecionadas pode ser efetivamente utilizado para construir modelos preditivos ou realizar outras análises estatísticas. Dentro deste contexto, é correto afirmar que a seleção de característica:

A não contribui para melhorar a precisão do modelo ao remover ruídos dos dados.
B não pode ser feita utilizando algoritmos baseados em filtro, embutidos ou de wrapper.
C é um processo que pode aumentar a velocidade de treinamento do modelo independentemente do tamanho do conjunto de dados.
D é necessária apenas quando o modelo de aprendizado de máquina apresenta overfitting.
E não tem capacidade de reduzir a complexidade do modelo, facilitando sua interpretação e reduzindo o risco de overfitting.