Questões de Concurso CESGRANRIO

aprimorar o modelo utilizando Random Search para explorar uma amostra limitada de hiperparâmetros, complementado por AutoML para automatizar a escolha da melhor arquitetura de modelo, mas sem a necessidade de ajuste posterior dos hiperparâmetros.

aplicar Random Search para selecionar aleatoriamente uma combinação de hiperparâmetros, testando apenas uma pequena amostra do espaço de busca e, em seguida, utilizar AutoTuning para selecionar automaticamente as features mais relevantes.

empregar algoritmos de otimização como Bayesian Optimization ou Tree-structured Parzen Estimators (TPE ), para explorar o espaço de hiperparâmetros de maneira mais eficiente que o Grid Search ou Random Search, ajustando o modelo com base nas amostras mais promissoras.

executar AutoFeature Engineering antes de qualquer otimização de hiperparâmetros para garantir que o conjunto de dados esteja completamente preparado, utilizando Grid Search para testar uma única combinação de hiperparâmetros previamente selecionada.

utilizar Grid Search para testar todas as possíveis combinações de hiperparâmetros sem um espaço definido, seguido por AutoML para realizar a engenharia automática de features, ajustando o modelo de acordo com os melhores resultados.

aplicar as técnicas de similaridade textual para realizar a rotulação de partes do discurso (POS-tagging), atribuindo uma etiqueta gramatical a cada palavra com base em sua posição no texto.

empregar a extração de informação para identificar e classificar as relações entre as entidades em um corpus de documentos, e em seguida aplicar a sumarização de texto para criar resumos automáticos do conteúdo.

executar a tradução automática para transformar um texto em outro idioma, utilizando NER para determinar a similaridade entre os textos traduzidos e os originais.

implementar a classificação de texto para categorizar automaticamente os documentos, utilizando POS-tagging para melhorar a precisão da rotulação gramatical e a consistência das classes atribuídas.

utilizar a análise de sentimento para identificar e extrair entidades nomeadas (NER) dos textos, facilitando a categorização automática das informações extraídas.

Armazenar os dados em servidores locais e realizar backups esporádicos, eliminando a necessidade de políticas de privacidade ou controles de acesso, uma vez que os dados não estão na nuvem.

Centralizar todos os dados da empresa em um único data warehouse, eliminando a necessidade de controles de acesso e permitindo que todos os funcionários tenham livre acesso aos dados, para facilitar a transparência e a colaboração.

Focar exclusivamente na conformidade com a LGPD, já que a conformidade regulatória é o único aspecto importante da governança de dados.

Implementar processos de limpeza de dados (data cleansing) e monitoramento contínuo de qualidade de dados para garantir que os dados sejam precisos e confiáveis, e designar um Data Protection Officer (DPO) para assegurar a conformidade com as leis de proteção de dados.

Permitir que os departamentos gerenciem seus próprios dados de forma independente, descentralizando a governança, para que possam ser mais ágeis na adaptação às suas necessidades específicas e que implementem suas próprias políticas de privacidade.

Boxplot para a distribuição de idades, gráfico de barras para a comparação de receitas, gráfico de radar para a proporção de vendas e gráfico de pizza para a análise de correlação.

Gráfico de barras para a distribuição de idades, gráfico de dispersão para a comparação de receitas, gráfico de linhas para a proporção de vendas e boxplot para a análise de correlação.

Gráfico de dispersão para a distribuição de idades, gráfico de barras para a comparação de receitas, gráfico de pizza para a proporção de vendas e gráfico de radar para a análise de correlação.

Histograma para a distribuição de idades, gráfico de linhas para a comparação de receitas, gráfico de pizza para a proporção de vendas e gráfico de dispersão para a análise de correlação.

Mapa de calor para a distribuição de idades, gráfico de bolhas para a comparação de receitas, histograma para a proporção de vendas e gráfico de linhas para a análise de correlação.

Centralizar o layout do dashboard em um gráfico de radar para comparar o desempenho das vendas por produto, sem necessidade de interatividade, e adicionar uma tabela detalhada com todos os dados brutos abaixo dos gráficos.

Escolher um layout minimalista, com gráficos de dispersão para todas as visualizações para facilitar o entendimento, e permitir que os usuários explorem detalhes dos dados por meio de cliques em pontos específicos dos gráficos, sem a necessidade de poluir a interface com legendas ou explicações adicionais.

Organizar o dashboard em seções, usando gráficos de barras empilhadas para comparar vendas por produto e período, com um layout responsivo que ajusta a visualização para diferentes dispositivos, e incluir filtros interativos para drill-down em dados regionais.

Utilizar gráficos de pizza para representar a distribuição de vendas por região, colocar todos os gráficos e tabelas em uma única página para evitar que o usuário precise navegar, e priorizar a quantidade de dados exibidos.

Utilizar um gráfico de bolhas para mostrar todas as variáveis em um único board, garantindo que todas as interações e drill-downs ocorram automaticamente ao passar o mouse sobre os elementos gráficos, sem necessidade de cliques.