Questões de Concurso Público TRF - 1ª REGIÃO 2024 para Analista Judiciário - Área Apoio Especializado - Especialidade: Análise de Dados
Foram encontradas 74 questões
Ano: 2024
Banca:
FGV
Órgão:
TRF - 1ª REGIÃO
Prova:
FGV - 2024 - TRF - 1ª REGIÃO - Analista Judiciário - Área Apoio Especializado - Especialidade: Análise de Dados |
Q3029109
Não definido
Considere o seguinte código em Python com NumPy:
import numpy as np
a = np.arange(16).reshape(8,2).T print(a.shape, a.ndim, a[0][1])
Ao ser executado, o código acima imprime na saída padrão:
import numpy as np
a = np.arange(16).reshape(8,2).T print(a.shape, a.ndim, a[0][1])
Ao ser executado, o código acima imprime na saída padrão:
Ano: 2024
Banca:
FGV
Órgão:
TRF - 1ª REGIÃO
Prova:
FGV - 2024 - TRF - 1ª REGIÃO - Analista Judiciário - Área Apoio Especializado - Especialidade: Análise de Dados |
Q3029110
Não definido
O analista Francisco está considerando o uso do React para
implementar um software de exibição de análise de dados. Ele
sabe que o React possui uma variante voltada a aplicativos
móveis chamada React Native. Analisando a documentação na
página oficial do React Native, Francisco descobriu que a
comunidade de código-aberto e algumas empresas parceiras
estenderam seu suporte para outras plataformas, além do
Android e do iOS.
Dessa forma, Francisco descobriu que é possível executar nativamente uma aplicação feita com o React Native:
Dessa forma, Francisco descobriu que é possível executar nativamente uma aplicação feita com o React Native:
Ano: 2024
Banca:
FGV
Órgão:
TRF - 1ª REGIÃO
Prova:
FGV - 2024 - TRF - 1ª REGIÃO - Analista Judiciário - Área Apoio Especializado - Especialidade: Análise de Dados |
Q3029111
Não definido
A analista Ana está implementando um script para deep learning
utilizando o Python e o PyTorch. Considere o seguinte trecho do
script de Ana:
import torch import torch.nn.functional as F
input = torch.randn(3, 5, requires_grad=True)
target = torch.tensor([1, 2, 0])
loss_fn = F.nll_loss loss = loss_fn(F.log_softmax(input, dim=1), target)
print(loss)
Ao ser executado, o trecho do script acima irá:
import torch import torch.nn.functional as F
input = torch.randn(3, 5, requires_grad=True)
target = torch.tensor([1, 2, 0])
loss_fn = F.nll_loss loss = loss_fn(F.log_softmax(input, dim=1), target)
print(loss)
Ao ser executado, o trecho do script acima irá:
Ano: 2024
Banca:
FGV
Órgão:
TRF - 1ª REGIÃO
Prova:
FGV - 2024 - TRF - 1ª REGIÃO - Analista Judiciário - Área Apoio Especializado - Especialidade: Análise de Dados |
Q3029112
Não definido
Anderson, analista de dados do TRF-1, gerou a matriz de
confusão abaixo a partir dos resultados obtidos com um
classificador binário.
Ao calcular a F1-score ponderada para esse classificador, Anderson obteve o valor:
Ao calcular a F1-score ponderada para esse classificador, Anderson obteve o valor:
Ano: 2024
Banca:
FGV
Órgão:
TRF - 1ª REGIÃO
Prova:
FGV - 2024 - TRF - 1ª REGIÃO - Analista Judiciário - Área Apoio Especializado - Especialidade: Análise de Dados |
Q3029113
Não definido
Em uma rede neural artificial feedforward usada para a
classificação de documentos no TRF-1, um dos neurônios de uma
camada intermediária possui o seguinte vetor de pesos na
entrada: W = [2, −1, ln (5/8) ,1/2 ]. Para uma determinada
instância a ser classificada, o vetor de entradas para esse
neurônio é I = [ln (2/3), ln (1/2),1, ln (9/25)], sem a presença
de bias.
Sabendo que o neurônio possui como função de ativação a função sigmoide, o valor de saída do neurônio será:
Sabendo que o neurônio possui como função de ativação a função sigmoide, o valor de saída do neurônio será:
Conheça nossos planos