FácilMúltipla escolha

Questão de prática de AI-900

O que é 'clustering' em aprendizado de máquina não supervisionado?

Escolha a melhor resposta.

Resposta correta

  • AAgrupar pontos de dados semelhantes sem rótulos predefinidos com base em padrões naturais

Explicação

O clustering é uma técnica de aprendizado não supervisionado que agrupa automaticamente pontos de dados com base em semelhanças ou padrões inerentes aos dados, sem exigir rótulos preexistentes. O algoritmo identifica estruturas naturais, como relações de distância ou densidade, para formar clusters. No Azure Machine Learning, o clustering é comumente implementado usando algoritmos como K-Means ou DBSCAN para tarefas como segmentação de clientes ou detecção de anomalias.

Por que cada alternativa está certa ou errada

A

Correta

Agrupar pontos de dados semelhantes sem rótulos predefinidos com base em padrões naturais

O clustering particiona dados não rotulados por similaridade, de modo que o algoritmo descobre agrupamentos naturais sem rótulos predefinidos. Isso satisfaz a restrição não supervisionada no enunciado, onde não existem classes de destino. É distinto da classificação, que requer dados de treinamento rotulados para mapear entradas para categorias conhecidas.

B

Incorreta

Classificar pontos de dados em categorias predefinidas usando exemplos de treinamento rotulados

O clustering agrupa pontos não rotulados por similaridade inerente; ele nunca usa categorias ou rótulos predefinidos. A opção descreve em vez disso a classificação supervisionada, que é exatamente o que você escolheria quando existem dados de treinamento rotulados e classes de destino conhecidas. O clustering não supervisionado descobre a estrutura sem nenhum rótulo.

C

Incorreta

Agrupar recursos de computação do Azure para trabalhos de treinamento distribuído

O clustering agrupa pontos de dados semelhantes por padrões inerentes, não infraestrutura de computação. Reunir a computação do Azure para treinamento distribuído é uma preocupação de orquestração de recursos tratada por ferramentas como os clusters de computação do Azure Machine Learning. Esse agrupamento estaria correto ao dimensionar trabalhos de treinamento em nós, não ao descobrir estruturas em dados não rotulados.

D

Incorreta

Organizar execuções de treinamento de modelos em grupos lógicos para rastreamento de experimentos

O clustering é um algoritmo não supervisionado que particiona dados não rotulados por similaridade; não é um recurso de organização de metadados. Agrupar execuções para rastreamento de experimentos é o que os experimentos e trabalhos do Azure Machine Learning fornecem. Esse agrupamento estaria correto ao comparar execuções de treinamento, não ao descobrir agrupamentos naturais dentro dos dados.

Para se aprofundar

O clustering é uma técnica não supervisionada que particiona dados em grupos para que os pontos dentro de um grupo sejam mais semelhantes entre si do que com pontos em outros grupos, usando uma medida de distância ou densidade, como distância euclidiana ou similaridade de cosseno. Algoritmos como k-means, DBSCAN e clustering hierárquico descobrem essas estruturas sem rótulos; o número de clusters pode ser um hiperparâmetro ou inferido dos dados. A avaliação usa métricas como o escore de silhueta ou o índice de Davies-Bouldin em vez de acurácia. Isso importa em cenários como segmentação de clientes, detecção de anomalias ou agrupamento de leituras de sensores, onde não existem rótulos de verdade fundamental e o objetivo é expor agrupamentos naturais para interpretação humana em vez de prever uma classe conhecida.

Sobre estas questões de prática

Esta é uma das questões de prática originais de AI-900 da Courseiva, escrita para o aprendizado e nunca copiada de provas reais nem de dumps.

Traduzida do original em inglês com IA e conferida quanto ao sentido. Códigos de exame, comandos e nomes de produtos são mantidos como aparecem na prova.