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
24 questões encontradas
ID 5512 Banco de Dados Banco de Dados CESGRANRIO 2024

Data warehouses (DW) e data lakes (DL) são repositórios de dados especializados, com objetivos distintos dos bancos de dados relacionais e NoSQL. Nesse contexto, ao comparar DW a DL, verifica-se que

A DL são mais adequados que DW para persistir dados históricos.
B DL são mais voltados para gestores do que DW.
C DW são apropriados para persistir dados não estruturados.
D DW precisam ter a sua estrutura definida antes de persistir dados.
E tanto DW quanto DL são indicados apenas para persistir dados agregados.
ID 5511 Banco de Dados Banco de Dados Relacionais CESGRANRIO 2024

O modelo relacional de dados é amplamente utilizado em bancos de dados. A organização de dados em tabelas (relações), com suas respectivas linhas (tuplas) e colunas (atributos), é de fácil compreensão. Os Sistemas Gerenciadores de Bancos de Dados Relacionais (SGBDR) tornam possível persistir dados em tabelas com qualidade e recuperar esses mesmos dados de forma rápida e eficiente. Segundo o modelo relacional de dados, uma tabela pode ter

A chaves estrangeiras que admitem valor nulo.
B linhas idênticas (repetidas) em seu conteúdo.
C um ou mais valores de tipos diferentes em um único atributo.
D uma chave primária que admite valor nulo.
E uma ou mais colunas de mesmo nome, porém de tipos distintos.
ID 5510 Banco de Dados CESGRANRIO 2024

Em um Sistema Gerenciador de Banco de Dados (SGBD), os índices são estruturas de dados que têm por objetivo tornar mais rápido o acesso aos dados. Índices são utilizados tanto em SGBD relacionais quanto em SGBD NoSQL. Considerando-se uma tabela T1 em um SGBD relacional, quanto a esses índices, verifica-se que

A devem ser criados apenas para atributos que compõem chave primária de T1.
B permitem chaves de mais de uma tabela (ex: T1 e T2) simultaneamente, em um mesmo índice.
C podem ser criados após a tabela T1 ter sido criada.
D qualquer modificação na tabela T1 levará à recriação dos seus índices.
E serão utilizados em todas as consultas à tabela T1.
ID 5509 Arquitetura de Software CESGRANRIO 2024

O Microsoft Team Data Science Process (TDSP) é uma metodologia que define, entre outros conceitos, um ciclo de vida para projetos de ciência de dados. A TDSP possui cinco estágios principais, de modo que na etapa de

A “Aceitação do Cliente” o modelo criado é aprovado, antes da sua implantação.
B “Aquisição de Dados e Entendimento” é criado um fluxo de dados para atualizar os dados regularmente.
C “Implantação” é preparado um ambiente para testes e homologação do modelo.
D “Modelagem” é criado um Diagrama de Entidades e Relacionamentos, com seu respectivo dicionário de dados.
E “Noções Básicas sobre Negócios” são definidos indicadores de desempenho, suas metas e iniciativas relacionadas.
ID 5508 Banco de Dados CESGRANRIO 2024

Um conjunto de dados numéricos com significativa diversidade foi apresentado à equipe de análise de dados de uma empresa. Como parte do processo decisório, os analistas necessitavam transformar um dos atributos numéricos em faixas de valores, a fim de permitir classificá-los em um universo de possibilidades. Para isso, decidiram, na etapa de enriquecimento de dados, criar um atributo, derivado do atributo numérico supracitado, em um processo de transformação de dados conhecido por discretização. Uma das características das técnicas de discretização é que

A a discretização por binning é uma técnica de divisão bottom-up que considera um número específico de categorias (bins).
B a discretização por entropia minimiza a descrição total dos dados, balanceando entre o número de bins e a qualidade da discretização.
C a discretização por histogramas é uma técnica não supervisionada, pois a formação dos bins não considera informações de classes ou rótulos.
D cada bin, no método de binning de largura igual, contém aproximadamente o mesmo número de amostras de dados.
E uma limitação da discretização por histogramas multidimensionais é a inviabilidade de captura de dependência entre atributos.
ID 5507 Banco de Dados CESGRANRIO 2024

Uma equipe de ciência de dados está trabalhando na construção de um modelo preditivo utilizando um grande conjunto de dados. Durante esse processo, os cientistas de dados estão realizando o feature engineering para criar e selecionar as variáveis mais relevantes, além de aplicar técnicas de divisão de dados para garantir a eficácia e a generalização do modelo. Considerando-se esse contexto, qual combinação de técnicas maximizará a performance do modelo?

A A aplicação de técnicas de criação de features, como a interação entre variáveis, e em seguida a divisão do conjunto de dados em três partes: treinamento, validação e teste, utilizando 70% para treinamento, 15% para validação e 15% para teste, assegurando, com isso, que os três conjuntos sejam desbalanceados para refletir a distribuição real dos dados.
B A aplicação de transformações matemáticas, como a normalização, apenas no conjunto de teste, para evitar a distorção das variáveis de entrada, e a divisão dos dados restantes igualmente entre treinamento e validação.
C A realização da técnica de amostragem estratificada para dividir os dados entre treinamento, validação e teste, e em seguida a aplicação da transformação de raiz quadrada em todas as variáveis para aumentar a variância das features, garantindo que o modelo capture melhor os padrões nos dados.
D A realização da transformação logarítmica em todas as variáveis categóricas antes de realizar a divisão dos dados, e a garantia de que o conjunto de validação seja maior que o de treinamento para prevenir overfitting.
E A realização da seleção de features com a utilização de técnicas de análise de correlação, descartando as variáveis altamente correlacionadas, e a aplicação da divisão dos dados em conjuntos de treinamento e teste usando uma divisão 80/20, aplicando a validação cruzada (cross-validation) para ajustar os hiperparâmetros do modelo.
ID 5506 Engenharia de Software CESGRANRIO 2024

Uma equipe de cientistas de dados está desenvolvendo um modelo preditivo e deseja otimizar seus hiperparâmetros para maximizar a performance do modelo. Considerando-se as técnicas de otimização de hiperparâmetros, para encontrar a configuração de hiperparâmetros, essa equipe de cientistas deverá

A aprimorar o modelo utilizando Random Search para explorar uma amostra limitada de hiperparâmetros, complementado por AutoML para automatizar a escolha da melhor arquitetura de modelo, mas sem a necessidade de ajuste posterior dos hiperparâmetros.
B aplicar Random Search para selecionar aleatoriamente uma combinação de hiperparâmetros, testando apenas uma pequena amostra do espaço de busca e, em seguida, utilizar AutoTuning para selecionar automaticamente as features mais relevantes.
C empregar algoritmos de otimização como Bayesian Optimization ou Tree-structured Parzen Estimators (TPE), para explorar o espaço de hiperparâmetros de maneira mais eficiente que o Grid Search ou Random Search, ajustando o modelo com base nas amostras mais promissoras.
D executar AutoFeature Engineering antes de qualquer otimização de hiperparâmetros para garantir que o conjunto de dados esteja completamente preparado, utilizando Grid Search para testar uma única combinação de hiperparâmetros previamente selecionada.
E utilizar Grid Search para testar todas as possíveis combinações de hiperparâmetros sem um espaço definido, seguido por AutoML para realizar a engenharia automática de features, ajustando o modelo de acordo com os melhores resultados.
ID 5505 Engenharia de Software CESGRANRIO 2024

Como parte do processo de desenvolvimento de uma aplicação para analisar grandes volumes de textos, diversas tarefas de Processamento de Linguagem Natural (NLP, sigla em inglês) estão sendo implementadas para melhorar a eficácia e a precisão dessa aplicação. Diante disso, para a aplicação dessas tarefas, é necessário

A aplicar as técnicas de similaridade textual para realizar a rotulação de partes do discurso (POS-tagging), atribuindo uma etiqueta gramatical a cada palavra com base em sua posição no texto.
B empregar a extração de informação para identificar e classificar as relações entre as entidades em um corpus de documentos, e em seguida aplicar a sumarização de texto para criar resumos automáticos do conteúdo.
C executar a tradução automática para transformar um texto em outro idioma, utilizando NER para determinar a similaridade entre os textos traduzidos e os originais.
D implementar a classificação de texto para categorizar automaticamente os documentos, utilizando POS-tagging para melhorar a precisão da rotulação gramatical e a consistência das classes atribuídas.
E utilizar a análise de sentimento para identificar e extrair entidades nomeadas (NER) dos textos, facilitando a categorização automática das informações extraídas.
ID 5504 Governança de TI CESGRANRIO 2024

Uma empresa está implementando um programa de governança de dados para melhorar a qualidade e a integridade dos dados que utiliza em suas operações diárias. As seguintes diretrizes foram passadas ao time de implantação: 1. Garantir que os dados sejam precisos, completos e atualizados em tempo real, para apoiar a tomada de decisões estratégicas. 2. Implementar políticas que assegurem a conformidade com regulamentos de privacidade de dados, como a Lei Geral de Proteção de Dados Pessoais (LGPD). 3. Adotar as melhores práticas do Data Management Body of Knowledge (DMBOK) para estruturar seu programa de governança de dados. Com base nos conceitos de governança de dados do DMBOK, quais ações são necessárias para implementar as diretrizes mencionadas?

A Armazenar os dados em servidores locais e realizar backups esporádicos, eliminando a necessidade de políticas de privacidade ou controles de acesso, uma vez que os dados não estão na nuvem.
B Centralizar todos os dados da empresa em um único data warehouse, eliminando a necessidade de controles de acesso e permitindo que todos os funcionários tenham livre acesso aos dados, para facilitar a transparência e a colaboração.
C Focar exclusivamente na conformidade com a LGPD, já que a conformidade regulatória é o único aspecto importante da governança de dados.
D Implementar processos de limpeza de dados (data cleansing) e monitoramento contínuo de qualidade de dados para garantir que os dados sejam precisos e confiáveis, e designar um Data Protection Officer (DPO) para assegurar a conformidade com as leis de proteção de dados.
E Permitir que os departamentos gerenciem seus próprios dados de forma independente, descentralizando a governança, para que possam ser mais ágeis na adaptação às suas necessidades específicas e que implementem suas próprias políticas de privacidade.
ID 5503 Engenharia de Software CESGRANRIO 2024

Ao avaliar a performance de diversos modelos preditivos para um problema de regressão e outro de classificação, várias métricas podem ser utilizadas para determinar qual modelo oferece o melhor desempenho. Considere as métricas para regressão e classificação, bem como as técnicas de detecção de overfitting e underfitting. Nesse contexto, quais métricas devem ser utilizadas para determinar qual modelo oferece o melhor desempenho?

A Para avaliar um modelo de regressão, deve-se utilizar a métrica Accuracy (acurácia) para determinar a proporção de previsões corretas, enquanto, no problema de classificação, o uso do R² ajustado é essencial para medir a variabilidade explicada pelo modelo, ajustada pelo número de features.
B Para modelos de classificação, é importante utilizar a métrica R² para entender a proporção da variância explicada pelo modelo, enquanto o F1-score deve ser utilizado em problemas de regressão em que há um equilíbrio significativo entre as classes.
C Para a detecção de overfitting e de underfitting, pode ser realizada a observação do trade-off entre viés e variância nas curvas de aprendizagem, independentemente do tipo de modelo (regressão ou classificação), sendo as métricas Accuracy e R² ajustado suficientes para medir a performance em ambos os casos.
D No problema de regressão, o RMSE (Root Mean Square Error) é ideal para avaliar a média dos erros ao quadrado das previsões, e, para problemas de classificação, a análise da matriz de confusão permite calcular métricas como Precision, Recall, e F1-score, auxiliando na detecção de overfitting e underfitting.
E No problema de regressão, o uso do MAE (Mean Absolute Error) é preferível ao RMSE (Root Mean Square Error) quando se deseja penalizar fortemente grandes erros, e, para problemas de classificação, a matriz de confusão é suficiente para detectar overfitting e underfitting.