O aprendizado de máquina teve seus fundamentos baseados em ...

Alternativa correta: E - bagging e boosting

Explicação:

O enunciado da questão aborda métodos fundamentais do aprendizado de máquina (ou machine learning), que é um subcampo da Inteligência Artificial (IA). Para responder corretamente, é necessário ter conhecimento sobre técnicas básicas e avançadas de aprendizado de máquina.

Justificativa da alternativa correta:

Bagging (Bootstrap Aggregating) e Boosting são técnicas de ensemble learning que combinam as previsões de múltiplos modelos para melhorar a precisão do aprendizado. Essas técnicas são fundamentais porque elas abordam dois dos principais desafios do aprendizado de máquina: reduzir a variância (com bagging) e reduzir o viés (com boosting).

• Bagging: Cria várias versões do modelo treinado em subconjuntos de dados diferentes (geralmente gerados por reamostragem com substituição) e combina as previsões desses modelos para obter uma previsão final mais robusta.
• Boosting: Treina modelos sequencialmente, onde cada modelo tenta corrigir os erros cometidos pelos modelos anteriores. Os modelos são combinados de forma a dar maior peso às previsões corretas dos modelos mais recentes.

Justificativa das alternativas incorretas:

A - Regressão linear e regressão logística: Embora esses sejam métodos importantes de aprendizado de máquina, eles não representam técnicas fundamentais de ensemble learning, que é o foco central da questão.

B - Análise fatorial exploratória e análise de agrupamento: Esses métodos são usados principalmente em análise de dados exploratória e aprendizado não supervisionado, respectivamente, e não são considerados métodos fundamentais de aprendizado de máquina no contexto da questão.

C - Modelos de árvore e estimação de máxima verossimilhança: Enquanto modelos de árvore (como árvores de decisão) são importantes no aprendizado de máquina, a estimação de máxima verossimilhança é uma técnica estatística usada em muitos modelos, mas não específica ao contexto de ensemble learning.

D - Bootstrap e regressão logística: Bootstrap é uma técnica de reamostragem que pode ser usada em bagging, mas regressão logística é um método de modelagem. Eles não juntos representam técnicas fundamentais do aprendizado de máquina como bagging e boosting.

Gostou do comentário? Deixe sua avaliação aqui embaixo!

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.

Já vi 500 questões falando de regressão linear e regressão logística, mas nunca vi nenhuma questão falando de Bagging e Boosting.

Joguei essa questão em IAs e duas deram como correta a letra A e outra deu letra B. Vai entender.

Questão porca

Eu realmente gostaria de saber de qual literatura as bancas tiram essas questões... Isso nasceu da cabeça de um gênio! Só pode mané... Traz o nobel pra esse candango ai, q eles conseguiu resumir a área de ML e IA em duas técnicas. Quem é goodfellow? Pra que ler 2 livros imensos do Kevin Murphy, se a gnt tem essa lenda pra simplificar pra gnt.