Questões AGESC para Concursos

A Secretaria de Educação do Estado de Santa Catarina deve atender integralmente o pleito do parlamentar com base no princípio da transparência e necessidade, visto que os dados são públicos.

A divulgação pleiteada pelo parlamentar é possível, desde que fique restrita aos alunos que já obtiveram a maioridade civil ou forem emancipados, em razão da proteção constitucional da criança e do adolescente.

A divulgação pleiteada pelo parlamentar é possível, por se tratar de uma expressa hipótese de exceção à incidência da Lei nº 13.709/2018), não havendo que se falar em observância ao tratamento de dados em conformidade com a LGPD.

Os dados pessoais requeridos pelo deputado estadual são, em sua maioria, sensíveis, o que impede a divulgação ou tratamento em respeito aos princípios da necessidade e da não discriminação.

Em razão de o banco de dados da rede estadual de ensino ser de caráter público, deve ser mantido o acesso integral a todos os cidadãos sobre toda e qualquer informação, inclusive pessoal, em atenção aos princípios da transparência e da moralidade administrativa.

O gerenciamento de riscos deve ser realizado em harmonia com o Tribunal de Contas do Estado de Santa Catarina, órgão responsável pela análise final do risco.

O Integrante administrativo, com apoio dos Integrantes Técnico e Requisitante, durante a escolha do fornecedor, deve proceder às ações de gerenciamento dos riscos e atualizar o Mapa de Gerenciamento de Riscos.

Durante a fase de Gestão do Contrato, o Secretário Estadual de Educação deverá proceder à atualização contínua do Mapa de Gerenciamento de Riscos, sendo a atribuição delegável aos subordinados.

Durante a fase de gestão do contrato, o Mapa de Gerenciamento de Riscos deve ser mensalmente juntado aos autos do processo administrativo.

O gerenciamento do risco, que visa a mensurar a exposição do administrador público, é requisito para a elaboração do termo de referência, devendo ser realizado e juntado aos autos do processo administrativo anteriormente à feitura do projeto básico.

Como o objeto é a solução de tecnologia da informação e comunicação, não será possível a substituição do projeto básico pelo termo de referência.

A modalidade de licitação adequada para a contratação de solução de tecnologia da informação e comunicação – TIC – é o diálogo competitivo.

O edital da Secretaria da Casa Civil do Estado de Santa Catarina deverá exigir que os fornecedores apresentem, em seus quadros, funcionários capacitados ou certificados para o fornecimento da solução, antes da contratação.

A Secretaria da Casa Civil do Estado de Santa Catarina deverá estabelecer no edital o teto máximo remuneratório dos funcionários da empresa contratada.

O esboço de edital da Secretaria da Casa Civil do Estado de Santa Catarina não poderá ser concretizado, visto ser vedada a contratação de mais de uma solução de TIC em único contrato.

Caracterizado o serviço como comum, a modalidade de licitação obrigatória será o pregão, cujo critério de julgamento será necessariamente o de menor preço.

Por expressa previsão legal, as licitações para a contração de serviços de tecnologia da informação devem seguir a modalidade de concorrência.

Caso seja demonstrado que o objeto da licitação da Secretaria de Administração possua padrões de desempenho e qualidade que possam ser objetivamente definidos pelo edital, por meio de especificações usuais de mercado, a modalidade deverá ser o pregão.

Na execução indireta de serviços de tecnologia da informação, o regime contratual deverá ser o da contratação semi-integrada.

Nas contratações de prestação de serviço especializado de data center, não se admite a contratação de mais de uma empresa para executar o mesmo serviço.

ao treinar CNNs utilizando transferência de aprendizado, começamos com um modelo pré-treinado e executamos numa nova tarefa qualquer, sem precisar se preocupar com o formato e o tipo de dados.

ao treinar CNNs utilizando transferência de aprendizado para ajuste fino, começamos com um modelo pré-treinado e atualizamos todos os parâmetros do modelo para nossa nova tarefa, basicamente retreinando todo o modelo.

uma rede neural convolucional pode ser utilizada para reconhecer os mais variados tipos de dados. Por exemplo, textos, imagens e dados de clientes. Para isso, basta que os dados de entrada sejam transformados por alguma técnica de extração de características em simples vetores de características.

as últimas camadas convolucionais de uma rede neural CNN são capazes de extrair características mais baixo nível dos dados, como linhas, círculos e pontos, enquanto as primeiras camadas extraem características mais alto nível, detalhes mais específicos dos objetos reconhecidos.

as camadas de pooling das CNNS são capazes de extrair características de médio nível, reconhecendo características que são mais detalhadas que as primeiras camadas convolucionais.

I e II, apenas.

II e III, apenas.

II, III e II, apenas.

I, II e IV, apenas.

I, III e IV, apenas.

Grupo 1: {x1, x3, x5}, Grupo 2: {x2, x4, x6}. Centros: c1= (4,3,4), c2 = (6,5,1).

Grupo 1: {x1, x2}, Grupo 2: {x3, x4}, Grupo 3: {x5, x6}. Centros: c1=(2,3,3), c2 = (8,5,2) , c3 = (5,5,3).

Grupo 1: {x1, x2, x5}, Grupo 2: {x3, x4, x6}. Centros: c1= (2,3,4), c2 = (8,6,2).

Grupo 1: {x1, x2, x3}, Grupo 2: {x4, x5, x6}. Centros: c1= (4,3,3), c2 = (5,5,2).

Grupo 1: {x2, x3, x5}, Grupo 2: {x1, x4, x6}. Centros: c1= (4,4,3), c2 = (5,5,2).

O gradiente descendente é um algoritmo de otimização de redes neurais em que a derivada da função de otimização leva a direção mais baixa do gráfico da função de custo.

A ideia da Regularização é adicionar um termo extra à função de custo. Intuitivamente, o efeito da regularização é fazer com que a rede prefira aprender pesos pequenos, minimizando a função de custo.

O momento acumula pesos anteriores para estabilizar a convergência da rede; o objetivo é ajudar a desviar de mínimos locais e pode acelerar treinamento em regiões muito planas da superfície de erro.

O algoritmo de otimização ADAM guarda, além dos valores dos pesos passados, o decaimento exponencial da média de gradientes passados e possui o mesmo objetivo do momento.

A regularização L1 transforma valores pequenos em zeros e, consequentemente, permite reduzir o número de pesos, enquanto a regularização L2 procura manter todos os pesos pequenos de forma que maximiza a função de custo.

As dimensões dos dados não são igualmente importantes; o uso do PCA para a redução de dimensionalidade vai produzir um excelente resultado pois as dimensões possuem 100% da informação.

As dimensões dos dados são igualmente importantes; o uso do PCA para a redução de dimensionalidade vai produzir um resultado ruim, pois as dimensões são iguais.

As dimensões dos dados são igualmente importantes; o uso do PCA para redução de dimensionalidade vai produzir um resultado ruim, pois perdemos 100% da explicação dos dados.

As dimensões dos dados são igualmente importantes; o uso do PCA para redução de dimensionalidade vai produzir um resultado ruim, pois perdemos 50% da explicação dos dados.

As dimensões dos dados não são igualmente importantes; o uso do PCA para redução de dimensionalidade vai produzir um excelente resultado pois as dimensões possuem 50% da informação.

Os dados coletados podem ser de três tipos: numéricos, texto e imagem; assim, os algoritmos de aprendizagem de máquina são capazes de lidar com todos os tipos de dados, bastando que os dados sejam transformados para dados contínuos utilizando técnicas como interpolação.

Média da coluna, interpolação de vizinhos mais próximos, moda da coluna, vizinhos mais próximos (KNN) e valor aleatório são métodos para tratamento de dados faltantes, ou seja, atributos não preenchidos na base de dados.

Validação cruzada é um método de divisão dos dados em que os dados são divididos por k partes em que, a cada rodada, uma das partes é o conjunto de teste e o restante é utilizado para treino; a divisão dos conjuntos estratificada para validação cruzada não é aconselhada caso o valor de k seja igual a 10.

O método de divisão de dados leave-one-out (deixando um de fora) aproveita o máximo dos dados, pois todos os dados, com exceção de um item, são utilizados para treinar a cada execução; essa configuração é a mais utilizada para algoritmos custosos de aprendizado de máquina como as redes neurais profundas.

A divisão dos dados em 3 conjuntos (treino, validação e teste) é bastante comum para avaliação de algoritmos com muitos parâmetros, como as redes neurais; o conjunto de validação funciona como um conjunto de avaliação de parâmetros e é utilizado para confirmar se o algoritmo encontrou o máximo global.