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
48 questões encontradas
ID 9833 Raciocínio Lógico Equivalência Lógica e Negação de Proposições CEBRASPE 2025

Considerando a proposição P : “Se o bem é bom, bonito e barato, eu gosto.”, julgue o item que se segue , relativo a aspectos da lógica sentencial dessa proposição. Se o valor lógico da proposição P for verdadeiro, também será verdadeiro o da proposição “Se o bem não é bom, nem bonito e nem barato, então eu não gosto.”.

A Certo
B Errado
ID 31344 Banco de Dados Banco de Dados FGV 2024

Sobre o processo de ingestão de dados, avalie se as afirmativas a seguir são verdadeiras (V) ou falsas (F).

( ) Dados não estruturados podem incluir arquivos de texto, logs e outras formas de informação não padronizada.

( ) A ingestão de dados em lote pode ser iniciada mediante agendamento ou quando os dados atingem um limite de tamanho predeterminado.

( ) Apesar de ser mais simples de implementar, a ingestão de dados incremental ou diferencial é ideal para minimizar o tráfego na rede e o uso do storage.

( ) É mais comum adicionar etapas adicionais de transformação e limpeza dos dados em dados estruturados do que em não estruturados. As afirmativas são, respetivamente,

A F – V – V – F.
B V – F – F – V.
C V – F – V – F.
D V – V – F – F.
E F – V – F – V.
ID 31343 Banco de Dados Conceitos Básicos em Banco de Dados FGV 2024

Analise o trecho a seguir: É um padrão de transformação de dados em lote que foi introduzido como uma alternativa para lidar com grandes volumes de dados. Consiste em tarefas de mapa que leem blocos de dados individuais espalhados pelos nós, seguidas por uma etapa de shuffle que redistribui os dados de resultado e uma etapa de redução que agrega os dados em cada nó. Seu paradigma foi construído em torno da ideia de que a capacidade e largura de banda do disco magnético eram tão baratas que fazia sentido simplesmente usar uma enorme quantidade de disco para realizar consultas ultrarrápidas. A tecnologia em questão é:

A Apache Spark.
B Hadoop MapReduce.
C Business Warehouse.
D ETL ( Extract, Transform, Load ).
E GIS ( Geographic Information System ).
ID 31342 Banco de Dados Big Data FGV 2024

O conceito de Big Data engloba não apenas o volume de dados, mas também a variedade e a velocidade com que são produzidos os chamados 3Vs, os principais desafios ou dimensões do Big Data. Posteriormente, de acordo com o DAMA-DBOK, aos 3Vs iniciais foram adicionados outros 3Vs aos principais desafios ou dimensões do Big Data . São eles:

A veracidade, visualização e valor.
B valor, validade e visão.
C volatilidade, veracidade e validade.
D viscosidade, volatilidade e veracidade.
E validade, volatilidade e verossimilhança.
ID 31341 Estatística Estatística Descritiva Análise Exploratória de Dados FGV 2024

Sobre a Análise Exploratória de Dados (AED), avalie as afirmativas a seguir.

I. A AED permite a obtenção do entendimento sobre os dados coletados.

II. A AED fornece uma ideia de como os dados se distribuem e sua forma de apresentação.

III. Algoritmos de Machine Learning são as principais ferramentas utilizadas na AED. Está correto o que se afirma em

A I, apenas.
B I e II, apenas.
C I e III, apenas.
D II e III, apenas.
E I, II e III.
ID 31340 Engenharia de Software Inteligencia Artificial FGV 2024

Modelos de aprendizagem de máquina são, em geral, avaliados com métricas que indicam os quão poderosos e relevantes eles são. Entre exemplos de métricas de avaliação utilizadas para modelos de classificação binária, podemos citar: • Taxa de precisão (razão entre verdadeiros positivos e o total dos verdadeiros positivos e falsos positivos); • Taxa de sensibilidade (razão entre verdadeiros positivos e o total dos verdadeiros positivos e falsos negativos, também conhecida por recall); e • Escore F1 (F1-score, também chamado de F-measure ), que relaciona as taxas de precisão e de sensibilidade. Suponha a existência de um modelo de classificação binária cuja taxa de precisão é de 90,00% e cuja taxa de sensibilidade é de 75,00%. Utilize aproximação de duas casas decimais. O escore F1 referente a esse modelo é

A 41,42%.
B 81,82%.
C 82,15%.
D 82,50%.
E 82,84%.
ID 31339 Engenharia de Software Inteligencia Artificial FGV 2024

A análise de componentes principais ( Principal Component Analysis - PCA) é uma técnica de redução de dimensionalidade de dados utilizada em diversas aplicações, tais como em compressão de imagens e em processamento de linguagem natural. Em relação à análise de componentes principais, avalie se as afirmativas a seguir são verdadeiras (V) ou falsas.

( ) Permite a identificação de correlações e de estruturas de menor dimensionalidade na distribuição espacial dos dados, caracterizadas pelas direções onde há maior variância.

( ) Envolve o cálculo de autovalores e autovetores de matrizes de covariâncias, determinando-se as componentes principais das distribuições de dados.

( ) É adequada para identificar correlações não-lineares entre os dados de um conjunto de alta dimensionalidade, projetando estruturas em espaços vetoriais de menores dimensões. As afirmativas são, respectivamente,

A V – F – V.
B F – V – V.
C F – F – V.
D V – V – F.
E V – F – F.
ID 31338 Engenharia de Software Inteligencia Artificial FGV 2024

As redes neurais artificiais ( Artificial Neural Networks - ANN) constituem um grupo de algoritmos inspirados nas funções dos neurônios no cérebro humano. Diversas arquiteturas de redes neurais são utilizadas para diferentes problemas, conforme suas funcionalidades. Existe uma arquitetura de rede neural específica, especialmente apropriada ao reconhecimento de padrões de imagens e vídeos, por possuir as seguintes propriedades: • As informações fluem apenas em uma direção. • As informações são propagadas em diferentes camadas neurais que filtram características (isto é, as features ). • As informações são propagadas em diferentes camadas que reduzem sua dimensionalidade. Das opções a seguir, as redes que mais aderem às propriedades listadas acima são as redes

A de alimentação direta ( feedforward ).
B recorrentes.
C convolucionais.
D generativas adversárias (GANs).
E de Hopfield.
ID 31337 Programação Linguagens de Programação FGV 2024

As arquiteturas de modelos de linguagem de larga escala ( Large Language Models - LLM) surgiram recentemente, revolucionando a área de inteligência artificial nas áreas de processamento e geração de texto. A arquitetura desses modelos baseia-se, majoritariamente, nas redes neurais do tipo transformers. Relacione as arquiteturas a seguir com suas características principais: 1. BERT 2. GPT 3. T5

( ) Utiliza decoders das redes transformer para prever novos tokens a partir de uma sequência, tornando-se ideal para a geração de textos.

( ) Utiliza encoders das redes transformer para "entender" o contexto de frases, tornando-se ideal para classificação de textos.

( ) Utiliza encoders e decoders das redes transformer , sendo adaptável a situações em que seja necessário gerar novos textos ou processar textos para "entender" o contexto das frases.

( ) Em comparação com as outras arquiteturas, tem menor necessidade de fine-tuning para melhora de performance. A relação correta, na ordem apresentada, é

A 1 – 3 – 2 – 2.
B 2 – 3 – 1 – 3.
C 3 – 2 – 1 – 2.
D 3 – 1 – 2 – 2.
E 2 – 1 – 3 – 3.