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

25 questões encontradas

ID 26149 Banco de Dados FGV 2024

No contexto de bancos de dados NoSQL, assinale a opção que descreve corretamente o conceito de "orientação a agregados" e sua importância.

A Orientação a agregados refere-se à técnica de normalizar dados em várias tabelas pequenas para evitar redundâncias e melhorar a consistência dos dados.

B Orientação a agregados é um conceito exclusivo de bancos de dados relacionais, onde os dados são agrupados em índices para acelerar as consultas.

C Orientação a agregados significa que os dados são agrupados em documentos ou coleções autossuficientes, otimizando o acesso e a manipulação de dados relacionados em um único local.

D Orientação a agregados implica que os dados são particionados automaticamente em diferentes servidores para melhorar o desempenho de leitura e escrita.

E Orientação a agregados refere-se à criação de visualizações agregadas para sumarizar grandes volumes de dados e melhorar o desempenho das consultas.

ID 26148 Engenharia de Software FGV 2024

Aprendizado de Máquina (Machine Learning) é uma subárea da inteligência artificial (IA) que se concentra em desenvolver algoritmos e modelos que permitem que os sistemas aprendam e façam previsões ou decisões baseadas em dados. O Aprendizado de Máquina pode ser dividido em aprendizado supervisionado, aprendizado não supervisionado e aprendizado por reforço. No contexto de aprendizado de máquina supervisionado, das técnicas a seguir, a mais apropriada para lidar com um problema de regressão no qual o objetivo é prever um valor numérico contínuo é

A a Regressão Linear.

B a Regressão Logística.

C o K-Nearest Neighbors (KNN) para classificação.

D a Support Vector Machine (SVM) com kernel linear para classificação.

E a Árvore de Decisão para classificação.

ID 26147 Engenharia de Software FGV 2024

Das técnicas apresentadas a seguir, a mais adequada para identificar agrupamentos (clusters) em um conjunto de dados não rotulado em um problema de aprendizado de máquina não supervisionado é

A Regressão Linear.

B K-means.

C Regressão Logística.

D Análise de Componentes Principais (PCA).

E Máquinas de Vetores de Suporte (SVM) para classificação.

ID 26146 Engenharia de Software FGV 2024

Processamento de Linguagem Natural (PLN) é uma subárea da inteligência artificial (IA) que se ocupa da interação entre computadores e linguagem humana. O objetivo do PLN é permitir que os computadores compreendam, interpretem, e gerem linguagem natural de maneira que seja útil e significativa. É um campo interdisciplinar que combina linguística, ciência da computação e aprendizado de máquina. Em Processamento de Linguagem Natural (PLN), assinale a técnica mais adequada, entre as listadas, para capturar a dependência contextual de palavras em uma frase, permitindo que o modelo compreenda o significado baseado no contexto.

A Bag of Words (BoW).

B TF-IDF (Term Frequency-Inverse Document Frequency).

C Word2Vec

D Redes Neurais Recorrentes (RNN).

E Tokenização Simples.

ID 26145 Engenharia de Software FGV 2024

Large Language Models (LLMs) são um tipo de modelo IA projetado para lidar com tarefas de processamento de linguagem natural (PLN) em uma escala muito grande. Esses modelos são treinados com enormes quantidades de dados textuais e são capazes de entender e gerar texto em linguagem natural de forma altamente sofisticada. Em relação aos Large Language Models (LLMs), como o GPT, a abordagem mais relevante para melhorar a capacidade do modelo de gerar respostas coerentes e contextualmente apropriadas em conversas prolongadas, entre as listadas, é

A aumentar o número de parâmetros do modelo.

B utilizar a técnica de fine-tuning em um grande conjunto de dados não rotulados.

C implementar um mecanismo de atenção (Attention Mechanism).

D aplicar a tokenização BPE (Byte Pair Encoding) ao texto de entrada.

E aumentar a frequência de palavras raras no conjunto de treinamento.