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.
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.