MédiaMúltipla escolha

Questão de prática de AI-900

Uma equipe de fabricação deseja prever defeitos em produtos com base em leituras de sensores da linha de produção. Eles possuem 10.000 amostras históricas, cada uma rotulada como 'defeituoso' ou 'não defeituoso'. Qual tipo de aprendizado de máquina eles devem usar no Azure Machine Learning?

Escolha a melhor resposta.

Resposta correta

  • AAprendizado supervisionado

Explicação

Este é um problema de aprendizado supervisionado porque o conjunto de dados contém amostras históricas rotuladas (defeituoso ou não defeituoso), e o objetivo é prever um resultado categórico com base nas leituras dos sensores. No Azure Machine Learning, algoritmos de aprendizado supervisionado, como regressão logística de duas classes ou árvores de decisão impulsionadas (boosted decision trees), são usados para treinar um modelo que mapeia recursos de entrada para rótulos conhecidos.

Por que cada alternativa está certa ou errada

A

Correta

Aprendizado supervisionado

As 10.000 amostras carregam rótulos conhecidos de 'defeituoso' ou 'não defeituoso', fornecendo ao modelo uma verdade de base (ground truth) rotulada para aprender o mapeamento das leituras dos sensores para o resultado. A classificação supervisionada no Azure Machine Learning se encaixa perfeitamente porque existem rótulos, ao contrário de abordagens não supervisionadas ou por reforço.

B

Incorreta

Aprendizado não supervisionado

O aprendizado não supervisionado encontra estrutura em dados não rotulados, como clustering ou detecção de anomalias, portanto, não pode prever um resultado conhecido de defeituoso ou não defeituoso. Seria correto se os rótulos estivessem ausentes e a equipe quisesse descobrir agrupamentos naturais nas leituras dos sensores.

C

Incorreta

Aprendizado por reforço

O aprendizado por reforço otimiza ações sequenciais por meio de sinais de recompensa, portanto, não pode mapear leituras de sensores para um rótulo de defeituoso ou não defeituoso. É correto para cenários como controle robótico ou jogos, onde um agente aprende políticas interagindo com um ambiente e recebendo feedback.

D

Incorreta

Aprendizado semissupervisionado

O aprendizado semissupervisionado assume um pequeno conjunto rotulado mais dados não rotulados abundantes; aqui todas as 10.000 amostras já carregam rótulos, então a técnica não adiciona nada. Ele se adapta a casos onde a rotulagem é cara e a maioria dos dados não está rotulada, e não a um problema de classificação binária totalmente rotulado.

Para se aprofundar

O aprendizado supervisionado treina um modelo em exemplos rotulados, onde cada linha emparelha recursos de entrada com um destino conhecido. No Azure Machine Learning, isso normalmente significa criar um conjunto de dados tabular com uma coluna de rótulos e usar uma tarefa de classificação do AutoML ou um pipeline de designer com um algoritmo de classificação, como gradient boosting ou regressão logística. Com 10.000 amostras de sensores rotuladas e um destino binário, o modelo aprende um limite de decisão que mapeia leituras de sensores para defeituoso ou não defeituoso. Uma sutileza é o desequilíbrio de classes: se os defeitos forem raros, a acurácia é enganosa, portanto, métricas como precisão, revocação (recall) e AUC importam. Este cenário importa porque o modelo deve generalizar para novas leituras de sensores, o que requer uma divisão de teste separada (held-out) e validação cruzada em vez de memorizar as linhas de treinamento.

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.