O aprendizado de máquina teve seus fundamentos baseados em ...
A. Regressão Linear e Regressão Logística: Ambos são algoritmos de aprendizado supervisionado usados para prever valores contínuos (regressão linear) e valores categóricos (regressão logística). Porém, não são os fundamentos principais do aprendizado de máquina como um todo.
B. Análise Fatorial Exploratória e Análise de Agrupamento: A análise fatorial exploratória é uma técnica de redução de dimensionalidade, enquanto a análise de agrupamento é um método de aprendizado não supervisionado para identificar grupos ou clusters nos dados. Novamente, não são os métodos fundamentais do aprendizado de máquina.
C. Modelos de Árvore e Estimação de Máxima Verossimilhança: Modelos de árvore, como árvores de decisão, são algoritmos de aprendizado supervisionado, e a estimação de máxima verossimilhança é um método estatístico para estimar parâmetros de um modelo. Esses também não são os fundamentos principais do aprendizado de máquina.
D. Bootstrap e Regressão Logística: O bootstrap é uma técnica estatística para estimar a distribuição de uma amostra, enquanto a regressão logística é um algoritmo de aprendizado supervisionado. Esses métodos não são considerados os fundamentos principais do aprendizado de máquina.
CORRETA E. Bagging e Boosting: Correto. Bagging (Bootstrap Aggregating) e Boosting são métodos de ensemble learning que combinam vários modelos para melhorar a precisão e a robustez das previsões. Eles são amplamente utilizados para reduzir a variância e o viés, respectivamente.
Portanto, a única alternativa correta no contexto dos fundamentos do aprendizado de máquina é a E. Bagging e Boosting.