Questões de concursos

exploratória sequencial de métodos mistos;

explanatória sequencial de métodos mistos;

transformativa sequencial de métodos mistos;

de triangulação convergente de métodos mistos;

transformativa convergente de métodos mistos.

aderir ao programa Capacita GOV.BR para obter dados e analisar o resultado da capacitação de alunos aplicando algoritmos de Aprendizado de Máquina, como o Random Forest;

coletar indicadores de desempenho escolar da Infovia Brasília e implementar as métricas correspondentes em um ambiente de visualização com dashboards;

acessar os recursos de dados sobre o tema Educação no Portal Brasileiro de Dados Abertos (https://dados.gov.br) e analisá-los por meio de métricas usando uma ferramenta como o Power BI;

desenvolver um projeto de Ciência de Dados fazendo uso de linguagens como Python para coletar dados disponíveis nos sites dos órgãos de educação e realizar o Reconhecimento de Entidades Nomeadas;

utilizar o serviço Modelo de Acessibilidade em Governo Eletrônico (eMAG) para avaliar o nível de acesso dos alunos às escolas públicas e outros índices educacionais.

a latência na atualização do modelo 3D é irrelevante para decisões operacionais, desde que os dados históricos estejam completos, pois o valor do gêmeo digital reside em análises retroativas;

o uso de IA no gêmeo digital é restrito a aprendizado supervisionado, pois modelos supervisionados não conseguem lidar com séries temporais oriundas de múltiplos sensores ambientais;

a integração de dados heterogêneos no gêmeo digital exige normalização semântica e temporal, de modo que informações de sensores com diferentes frequências e formatos possam alimentar modelos preditivos de forma coerente;

o emprego de câmeras e sensores no gêmeo digital substitui a necessidade de modelagem física, já que o fluxo contínuo de dados garante previsões corretas sem simulação de cenários;

a arquitetura de um gêmeo digital para riscos climáticos prioriza o desacoplamento entre as camadas de ingestão e de visualização, mas não requer interoperabilidade com sistemas externos, pois todo o ecossistema de dados é necessariamente fechado.

switch;

firewall;

storage all-flash;

chave criptográfica;

nuvem comunitária.

o Transformer substitui mecanismos recorrentes por atenção, mas não utiliza codificação posicional, pois o alinhamento sequencial é aprendido implicitamente pelas cabeças de atenção;

a introdução do multi-head attention permite ao modelo aprender relações diferentes entre tokens em subespaços de projeção distintos, preservando a informação posicional por meio de codificadores específicos;

o Transformer original evita camadas feed-foward densas para reduzir a complexidade, compensando essa ausência com mais cabeças de atenção por bloco;

o mecanismo de scaled dot-product attention multiplica os escores de similaridade pela raiz quadrada da dimensão das keys para intensificar as diferenças entre tokens distantes;

a arquitetura de encoder-decoder é composta por blocos distintos no encoder e no decoder, sem reutilização estrutural, a fim de especializar cada parte para tarefas diferentes.