Questões

por transferência. 

passivo.

não supervisionado.

por reforço.  

supervisionado. 

ERRADO

CERTO

a loT melhora a eficiência dos serviços públicos e, por ser baseada em sensores automatizados, reduz significativamente os riscos de segurança cibernética ou invasões de privacidade. 

como os algoritmos são treinados com grandes volumes de dados históricos estruturados e não estruturados, os sistemas baseados em ML garantem neutralidade e imparcialidade nas políticas públicas. 

modelos de ML tornam-se progressivamente autônomos e, uma vez treinados, não precisam ser revisados, pois suas previsões e decisões se aprimoram automaticamente, o que contribui para uma gestão pública realmente eficiente. 

a aplicação de IA na gestão pública pode reproduzir padrões discriminatórios presentes nos dados históricos usados para treinamento, tornando necessário um monitoramento contínuo para evitar viés algorítmico. 

a utilização de algoritmos de IA na gestão urbana elimina vieses e erros humanos, garantindo decisões mais objetivas e imparciais. 

implementar um mecanismo de atenção (Attention Mechanism).  

utilizar a técnica de fine-tuning em um grande conjunto de dados não rotulados.

aumentar o número de parâmetros do modelo.

aplicar a tokenização BPE (Byte Pair Encoding) ao texto de entrada.

aumentar a frequência de palavras raras no conjunto de treinamento.

CERTO

ERRADO

ERRADO

CERTO

são especializados em reconhecimento facial.

são programas especializados em inteligência artificial e aprendizado de máquina.

são programados para automaticamente tomar todas as principais decisões de negócio de uma empresa. 

possuem uma interface amigável de modo que usuários leigos em Tecnologia da Informação possam utilizá-los.

controlam o tráfego da rede de computadores de uma empresa.

sample_test_train  

split_test_train

train_test_split

slice_train_test

split_learning

As técnicas de transfer learning não são adequadas para aplicações que envolvem reconhecimento facial devido à necessidade de dados específicos.

Quando se utiliza transfer learning, uma vez que o modelo é carregado, não é possível ajustar seus pesos para melhorar a performance na tarefa-alvo.

Durante o treinamento de redes convolucionais, os pesos iniciais sempre começam com valores aleatórios, independentemente de ser um modelo pré-treinado ou não.

O transfer learning consiste em treinar um modelo raso desde o princípio, utilizando apenas o conjunto de dados da aplicação específica, sem considerar modelo pré-treinados.

O transfer learning permite reutilizar modelos pré-treinados em grandes conjuntos de dados, como, por exemplo, o ImageNet, para aplicações específicas.

II e III. 

I e III.

I. 

III.

I e II.