Julgue o próximo item, relativos a aprendizado de máquina.Os...

Gabarito: E - Errado

O tema abordado na questão é sobre os algoritmos de Support Vector Machines (SVM), que são uma classe de algoritmos amplamente utilizados em aprendizado de máquina. Para resolver essa questão, é necessário entender as funções que os algoritmos SVM podem desempenhar.

Os algoritmos SVM são conhecidos por sua capacidade em realizar classificações lineares e não lineares, além de regressões. A afirmação de que os SVM realizam apenas tarefas de regressão está incorreta, pois eles também são muito eficientes em tarefas de classificação. Na classificação, o objetivo do SVM é encontrar um hiperplano que melhor separe os dados em classes. Na regressão (denominada SVR - Support Vector Regression), o objetivo é encontrar uma função que melhor se ajuste aos dados, minimizando os erros.

O erro da afirmação está na palavra "apenas", que limita o uso dos SVM exclusivamente à regressão, ignorando seu amplamente reconhecido uso em problemas de classificação. Portanto, a alternativa correta é E - Errado, pois os SVM podem realizar tanto tarefas de regressão quanto de classificação.

Os algoritmos SVM (support vector machines) são usados para desafios de classificação e regressão.

Os algoritmos SVM (Support Vector Machines) são versáteis e podem ser utilizados tanto em tarefas de classificação quanto em tarefas de regressão, dependendo das necessidades específicas do problema.

Fonte: Meus Resumos.

Alternativa: Errado.

cuidado com o "apenas" nas questões da CESPE

e-

In machine learning, support vector machines (SVMs, also support vector networks) are supervised max-margin models with associated learning algorithms that analyze data for classification and regression analysis.

SVMs can be used to solve various real-world problems:

   SVMs are helpful in text and hypertext categorization, as their application can significantly reduce the need for labeled training instances in both the standard inductive and transductive settings. Some methods for shallow semantic parsing are based on support vector machines.

   Classification of images can also be performed using SVMs. Experimental results show that SVMs achieve significantly higher search accuracy than traditional query refinement schemes after just three to four rounds of relevance feedback. This is also true for image segmentation systems, including those using a modified version SVM that uses the privileged approach as suggested by Vapnik.

   Classification of satellite data like SAR data using supervised SVM.

Hand-written characters can be recognized using SVM.

https://en.wikipedia.org/wiki/Support_vector_machine