Questões de Concurso Comentadas sobre algoritmos em algoritmos e estrutura de dados

Em relação aos conceitos do algoritmo k-means, julgue os itens a seguir.

I É importante continuar as iterações do algoritmo k-means até que a mudança na posição dos centroides entre as iterações seja menor que um limite predefinido.

II No coeficiente de silhueta, quanto mais próximo o coeficiente estiver de 1, menor a distância entre os clusters; 0 indica que os dados podem estar no cluster errado; valores negativos sugerem que o ponto está na borda.

III Apesar de um maior número clusters sempre reduzir o SSE (sum of squared errors), isso não significa que mais clusters sempre sejam melhores, pois um número muito grande de clusters pode levar a overfitting do modelo.

Assinale a opção correta. 

Assinale a opção em que é apresentado exemplo no qual o uso prático do gaussian naive Bayes é mais apropriado.

A respeito dos diferentes tipos de algoritmos naive Bayes, assinale a opção correta. 

    Em aprendizado de máquina, especialmente em algoritmos de árvores de decisão, é fundamental avaliar como os dados são organizados e classificados em diferentes níveis da árvore. Três conceitos-chave que auxiliam na construção e otimização dessas árvores são o gini impurity, a entropy e o information gain. A respeito desses conceitos, julgue os itens a seguir.

I Gini impurity mede a redução da entropy após a divisão de um conjunto de dados com base em um atributo.

II Entropy mede a quantidade de incerteza ou impureza no conjunto de dados.

III Information gain mede a probabilidade de uma nova instância ser classificada incorretamente, com base na distribuição de classes no conjunto de dados.

Assinale a opção correta.

Uma das premissas do SEO é aumentar a visibilidade de sites nos motores de busca, com base na relevância do conteúdo. Para isso, os motores de busca usam elementos que ajudam a "compreender" o conteúdo do site.
Exemplos de elementos que auxiliam diretamente os motores de busca a interpretar o conteúdo de um site incluem: 

O estudo da complexidade de algoritmos é essencial para garantir que uma mesma tarefa possa ser realizada de modo mais eficiente do que utilizando soluções que demandem maior custo de processamento. A complexidade de tempo do algoritmo Merge Sort, quando ordenando uma lista de tamanho n, é:

Um problema computacional é dito NP-completo quando

São tipos de dados utilizados em algoritmos, EXCETO:

Abaixo está representada a declaração de uma variável em pseudocódigo (Portugol).

Notas: Vetor [1..10,1..3] de Real

Na declaração acima, quantas posições possui a variável Notas?

Considerando uma tabela Hash com uma boa função de Hash e carga balanceada, qual é a complexidade de tempo médio para a operação de busca?

Qual das seguintes afirmativas sobre o algoritmo de ordenação MergeSort é verdadeira?

Em uma Árvore Binária de Busca (BST) balanceada, qual das seguintes operações geralmente exibe uma complexidade de tempo média de O (log n), considerando a estrutura balanceada da árvore?

Analise o algoritmo abaixo, escrito no software VisuAlg 3.0:

algoritmo "concurso"

var

          cont, res: inteiro

inicio

          res <- 0;

         para cont de 1 ate 8 faca

             se (cont < 4) entao

                    res <- res + 1;

            senao

                 res <- res - 1;

         fimse

     fimpara

fimalgoritmo

Ao final da execução do algoritmo acima, qual será o valor da variável “res”? 

Nádia trabalha com programação e foi questionada onde seriam utilizadas as estruturas de controle de fluxo do tipo sequencial, repetição e seleção. Nádia respondeu: 

Métodos de ordenação são algoritmos que ordenam os elementos de uma estrutura de dados. Considere os principais algoritmos de ordenação, marque V para as afirmativas verdadeiras e F para as falsas.


( ) Bubble Sort é eficiente para grandes conjuntos de dados.
( ) Merge Sort é mais eficiente em termos de espaço do que o Quick Sort.
( ) Insert Sort é baseado na estratégia de dividir para conquistar.


A sequência está correta em

A representação de dados em binário é fundamental para o funcionamento de sistemas digitais e computadores. O sistema binário, com base 2, utiliza apenas dois dígitos: 0 e 1. Converta o número binário (1011₂) em decimal e assinale a alternativa correspondente.

O algoritmo Naive Bayes é amplamente utilizado em problemas de classificação, especialmente em aplicações de processamento de linguagem natural e análise de texto.

O princípio fundamental do algoritmo Naive Bayes

Algoritmos para assimilação de dados podem ser implementados de maneira eficiente e otimizada por meio de paralelização de processos.

O Parallel Data Assimilation Framework (PDAF) é um pacote de software que simplifica a implementação de métodos de assimilação, provendo versões totalmente paralelizadas de algoritmos, como por exemplo, diferentes versões dos Filtros de Kalman por conjunto (EnKF). Um dos requisitos de funcionamento do PDAF é o uso de um protocolo padronizado de comunicação para computação paralela.

O principal padrão de comunicação entre os processos paralelos executados em um sistema de memória distribuída, é denominado

Assimilação de dados profunda (Deep Data Assimilation - DDA) é uma técnica recente que integra aprendizado profundo e assimilação.

Utiliza-se uma rede neural recorrente para aprender o processo de assimilação, que por sua vez é treinada a partir dos estados de um sistema dinâmico e de seus resultados de assimilação correspondentes. Tais redes neurais recorrentes são implementadas com o uso de funções de ativação, que introduzem não linearidades às saídas dos neurônios das redes.

Assinale a opção que menos se adequa às características esperadas para funções de ativação.

Relacione os algoritmos de otimização utilizados em assimilação de dados variacional com suas respectivas características correspondentes.

1. Método de Newton
2. Broyden-Fletcher-Goldfarb-Shanno (BFGS)
3. Gradiente Conjugado
( ) Determina pontos cada vez mais próximos das soluções dos problemas de otimização mudando a direção de busca a cada iteração.
( ) Requer o cálculo das expressões fechadas dos gradientes e matrizes Hessianas a cada iteração.
( ) Utiliza aproximações de matrizes Hessianas e suas inversas para reduzir a carga computacional a cada iteração.

Assinale a opção que indica a relação correta, segundo a ordem apresentada.