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
176 questões encontradas
ID 29426 Programação Linguagens de Programação FGV 2024

Um dos principais fatores que tornam viável a aplicação de modelos grandes de linguagem (LLMs) é o controle do espaço de probabilidade de tokens através da redução de dimensionalidade do vocabulário, sem perda da capacidade de reconstruir qualquer token válido da linguagem sendo modelada. Considerando esse objetivo, dois algoritmos que podem ser utilizados para esse fim são:

A UMAP, BPE;
B T5, UMAP;
C BPE, WordPiece;
D WordPiece, T5;
E UMAP, GTE.
ID 29425 Banco de Dados Banco de Dados FGV 2024

Uma certa organização gostaria de compartilhar dados com um grupo de pesquisadores de uma universidade para a condução de um estudo sobre problemas ergonômicos nos seus escritórios. Entre os dados coletados, há informações sensíveis sobre seus funcionários; portanto, o responsável pela coleta decidiu anonimizar os dados. Isso foi feito removendo-se nomes e outros campos identificadores e adicionando-se um número identificador próprio a cada funcionário. Dessa forma, a identidade dos funcionários seria preservada. Após a verificação de uma amostra, o pesquisador responsável pelo estudo recomendou medidas que deveriam ser aplicadas antes que os dados pudessem ser aceitos para o estudo. O problema que mais provavelmente motivou a recomendação do pesquisador e uma medida que pode mitigar esse problema são, respectivamente:

A os dados podem ser reidentificados usando uma combinação dos campos restantes ? embaralhamento dos campos;
B o número identificador não é suficiente para separar os dados ? hashing usando os campos restantes;
C os dados podem ser reidentificados utilizando dados externos ao conjunto compartilhado ? privacidade diferencial;
D os dados podem ser reidentificados através de engenharia reversa do número identificador ? randomização não linear dos identificadores;
E o campos restantes podem ser usados para deduzir informação não inclusa no conjunto de dados ? k-anonimato.
ID 29423 Programação Linguagens de Programação FGV 2024

Um cientista de dados utiliza a biblioteca scikit-learn para treinar um estimador clf usando um conjunto de treinamento X1 e seu respectivo conjunto de atributos-alvo y. Posteriormente, o cientista estima os atributos-alvo do conjunto X2. Para realizar o treinamento e a predição, o cientista de dados deve usar, respectivamente, os métodos:

A fit(X1,y) e estimate(X2);
B fit(X1,y) e predict(X2);
C train(X1,y) e estimate(X2);
D train(X1,y) e predict(X2);
E train(X1,y) e test(X2).
ID 29422 Programação Linguagens de Programação FGV 2024

Igor, analista de dados da CVM, escreveu e rodou o código a seguir. from nltk.corpus import stopwords from nltk.tokenize import word_tokenize texto = "Eu sou um analista de dados da CVM!" stop_words = set(stopwords.words('portuguese')) tokens = word_tokenize(texto) tokens_processados = [w for w in tokens if not w in stop_words] print(tokens_processados) Considerando que o código foi executado sem erros e sabendo que Igor está usando Python 3.10.12 e NLTK 3.8.1, a saída do terminal foi:

A ['analista', 'dados', 'CVM'];
B ['analista', 'dados', 'CVM', '!'];
C ['Eu', 'analista', 'dados', 'CVM'];
D ['Eu', 'analista', 'dados', 'CVM', '!'];
E ['Eu', 'sou', 'analista', 'dados', 'CVM', '!'].
ID 29420 Banco de Dados Gerência de Transações FGV 2024

As transações em banco de dados possuem propriedades que buscam proteger dados contra perdas ou danos. A propriedade durabilidade tem relação com:

A a técnica de recuperação, para desfazer quaisquer efeitos de transações não completadas por algum motivo;
B as restrições de integridade especificadas para o esquema, bem como quaisquer outras restrições no banco de dados;
C o subsistema de recuperação do Sistema Gerenciador de Banco de Dados, por meio do log do sistema, para transações confirmadas e modificáveis pela execução de outra transação futura;
D o ocultamento das atualizações por parte de cada transação até que esta esteja confirmada;
E os níveis de durabilidade de uma transação variando do nível 1 ao 3, de forma a evitar atualizações perdidas.
ID 29419 Banco de Dados Sgbd FGV 2024

Os Sistemas Gerenciadores de Banco de Dados (SGBD) comerciais implementam internamente técnicas para processar, otimizar e executar consultas de alto nível. Uma estratégia eficiente utilizada pelo otimizador de consultas do SGBD considera o uso de:

A regras heurísticas de forma a realizar restrições (seleções) antes de projeções para reduzir o número de atributos para as projeções;
B estimativas de custo para identificar restrições (seleções) mais eficientes como entrada para execução das projeções com menos atributos;
C regras heurísticas de forma a realizar restrições (seleções) antes de projeções para reduzir o número de tuplas para as projeções;
D estimativas de custo para consultas compiladas com o intuito de realizar junções e projeções antes das restrições (seleções);
E regras heurísticas associadas a estimativas de custo para consultas interpretadas para eliminar o produto cartesiano.
ID 29418 Banco de Dados Conceitos Básicos em Banco de Dados FGV 2024

Diante de várias reclamações de performance em resposta a consultas a dados por meio de um dos sistemas estruturantes de uma autarquia federal, a equipe de tecnologia identificou que o motivo estava na lentidão para recuperação de registros na base de dados utilizada pelo sistema. Para agilizar a recuperação de registros em resposta a uma pesquisa que utiliza um campo que comporta valores repetidos, a equipe de tecnologia criou índices. Considerando que já existe um índice primário para o conjunto de dados em questão, a equipe criou um índice:

A multinível secundário esparso de chave candidata;
B de agrupamento (clustering) denso para o campo de ordenação física;
C bitmap para um ou mais campos de pesquisa para os quais há grandes variações de valores;
D de hash para o campo de pesquisa que é utilizado para organização do índice primário;
E secundário não denso para o campo de pesquisa com um nível de indireção extra para múltiplos ponteiros.
ID 29417 Banco de Dados Postgresql FGV 2024

Janine é a responsável pela administração dos bancos de dados gerenciados pelo PostgreSQL de uma autarquia federal. Durante a criação de um banco de dados, Janine especificou a criação de um tablespace diferente do tablespace default. O tablespace criado por Janine:

A é independente dos metadados contidos no diretório de dados principal;
B será tratado pelo PostgreSQL como uma coleção autônoma de arquivos de dados;
C pode ser anexado a outro cluster de banco de dados diferente daquele no qual foi criado;
D pode ter uma rotina de backup individual, independente de outros componentes do banco de dados;
E requer que o superusuário do banco de dados conceda o privilégio de criação no tablespace aos usuários comuns do banco de dados.