01 – O que podemos afirmar sobre o “Furacão Frances” ?

a)     Através de estudos de eventos passados podemos “prever” necessidades dos clientes em situações que se assemelham e então se preparar melhor para atender a demanda que foge das necessidades cotidianas.

b)    Através de estudos de eventos futuros podemos “prever” necessidades dos clientes em situações que se assemelham e então se preparar melhor para atender a demanda que foge das necessidades cotidianas.

c)     Através de estudos de eventos passados podemos “prever” necessidades dos clientes em situações que não se assemelham e então se preparar melhor para atender a demanda que foge das necessidades cotidianas.

d)    Através de estudos de eventos passados podemos “prever” necessidades dos clientes em situações que se assemelham e então se preparar melhor para atender a demanda que não foge das necessidades cotidianas.

e)    Através de estudos de eventos passados podemos “prever” necessidades dos clientes em situações que se assemelham e então se preparar melhor para atender a demanda que foge das necessidades não cotidianas.

02 – O que é “Rotatividade de cliente”?

a)     A transferência de clientes de uma empresa para outra é chamada de rotatividade

b)    Desistência do cliente do serviço sem assinar outro de outro concorrente

c)     Contratação múltipla de serviços de empresas diferentes sem o cancelamento prévio da atual

d)    Compartilhamento de mesma senha entre clientes de endereços distintos

e)    Uso de serviços sem o devido pagamento

03 – O que podemos afirmar sobre DOD ?

a)     Tomada de decisão orientada por dados (DOD)

b)    Prática de basear as decisões na análise dos dados

c)     Tomar decisões sem ser pela intuição

d)    Tomar decisões pela intuição

e)    Prática de basear as decisões sem análise dos dados

04 – Explique a frase com suas palavras “A melhor equipe de data science pode gerar pouco valor sem os dados adequados”.

a)     Se os dados não forem suficientes ou incompletos, nem o melhor algoritmo ou o melhor time conseguirá tomar uma decisão inteligente em cima disto.

b)    Se os dados forem suficientes ou completos, nem o melhor algoritmo ou o melhor time conseguirá tomar uma decisão inteligente em cima disto.

c)     Se os dados não forem suficientes ou incompletos, nem o melhor algoritmo ou o melhor time não conseguirá tomar uma decisão inteligente em cima disto.

d)    Se os dados não forem suficientes ou incompletos, o melhor algoritmo ou o melhor time conseguirá tomar uma decisão inteligente em cima disto.

e)    Se os dados não forem suficientes ou incompletos, o melhor algoritmo ou o melhor time não conseguirá tomar uma decisão inteligente em cima disto.

05 – Qual a principal função do pensamento analítico dos dados?

a)     Maximizar os lucros e minimizar os custos.

b)    Minimizar os custos e maximizar os lucros.

c)     Lucrar o máximo possível e investir o mínimo possível.

d)    Minimizar os lucros e minimizar os custos

e)    Maximizar os lucros e maximizar os custos.

06  – Como a metodologia “Dividir para conquistar” funciona na resolução de problemas usando Data Science?

a)     Em colaboração com os investidores da empresa, os cientistas de dados decompõem um problema de negócios em sub-tarefas

b)    As soluções para as subtarefas podem, então, ser compostas para resolver o problema geral.

c)     Em colaboração com os investidores da empresa, os cientistas de dados decompõem um problema de negócios em tarefas menores

d)    As soluções para as subtarefas não podem ser compostas para resolver o problema geral.

e)    Em colaboração com os investidores da empresa, os cientistas de dados decompõem um problema de negócios em tarefas medianas

07  – A mineração de dados consegue resolver todo e qualquer tipo de problema?

a)     Não. Apesar do grande número de algoritmos específicos de mineração de dados desenvolvidos ao longo dos anos, há apenas um punhado de tipos de tarefas fundamentalmente diferentes tratadas por esses algoritmos.

b)    Sim

c)     Parcialmente

d)    Em nenhum caso

08 – Defina o que é Classificação dentro do conceito de mineração de dados:

a)     Classificação e estimativa de probabilidade de classe tentam prever, para cada indivíduo de uma população, a que (pequeno) conjunto de classes este indivíduo pertence.

b)    Classificação e estimativa de probabilidade de classe tentam prever, para cada indivíduo de uma população, a que (grande) conjunto de classes este indivíduo pertence.

c)     Classificação e estimativa de probabilidade de classe tentam prever, para cada grupo de uma população, a que (pequeno) conjunto de classes este indivíduo pertence.

d)    Classificação e estimativa de probabilidade de classe tentam prever, para cada indivíduo de uma população, a que (pequeno) conjunto de classes este grupo pertence.

e)    Classificação e estimativa de probabilidade de individuo tentam prever, para cada indivíduo de uma população, a que (pequeno) conjunto de classes este indivíduo pertence.

09 – Defina o que é Regressão dentro do conceito de mineração de dados:

a)     Regressão (“estimativa de valor”) tenta estimar ou prever, para cada indivíduo, o valor numérico de alguma variável.

b)    “Quanto determinado cliente usará do serviço?” A propriedade (variável) a ser prevista aqui é o uso do serviço, e um modelo poderia ser gerado analisando outros indivíduos semelhantes na população e seus históricos de uso.

c)     Um procedimento de regressão produz um modelo que, dado um indivíduo, calcula o valor da variável específica para aquele indivíduo.

d)    Um procedimento de regressão produz um dado que, dado um indivíduo, calcula o valor da variável específica para aquele indivíduo.

e)    Um procedimento de regressão produz um modelo que, dado um indivíduo, calcula o valor da variável específica para aquele grupo.

10  – Defina o que é Combinação por similaridade no conceito de mineração de dados:

a)     Combinação por similaridade tenta identificar indivíduos semelhantes com base nos dados conhecidos sobre eles.

b)    Combinação por similaridade tenta identificar grupos semelhantes com base nos dados conhecidos sobre eles.

c)     Combinação por similaridade tenta identificar indivíduos semelhantes com base nos dados aleatórios sobre eles.

d)    Combinação por similaridade tenta identificar indivíduos semelhantes com base nos requisitos conhecidos sobre eles.

e)    Combinação por similaridade tenta identificar indivíduos diferentes com base nos dados conhecidos sobre eles.

11 – O que é um modelo?

a)     Em geral, um modelo é uma representação simplificada da realidade criada para servir um propósito.

b)    Ele é simplificado com base em alguns pressupostos sobre o que é e o que não é importante para a finalidade específica ou, às vezes, com base nas limitações de informações ou tratabilidade.

c)     Por exemplo, um mapa é um modelo do mundo físico. Ele abstrai uma enorme quantidade de informações que o cartógrafo considera irrelevantes para sua finalidade.

d)    Combinação por similaridade tenta identificar indivíduos semelhantes com base nos requisitos conhecidos sobre eles.

e)    Combinação por similaridade tenta identificar indivíduos diferentes com base nos dados conhecidos sobre eles.

12 – Explique a terminologia previsão:

a)     No uso comum, previsão significa antecipar um evento futuro.

b)    Em data science, de forma mais geral, previsão significa estimar um valor desconhecido.

c)     Esse valor poderia ser algo no futuro (no uso comum, previsão verdadeira), mas também pode ser algo no presente ou no passado.

d)    Combinação por similaridade tenta identificar indivíduos semelhantes com base nos requisitos conhecidos sobre eles.

e)    Combinação por similaridade tenta identificar indivíduos diferentes com base nos dados conhecidos sobre eles.

13 – Explique a terminologia: Indução e Dedução.

a)     A indução pode ser contrastada com a dedução. Esta começa com regras gerais e fatos específicos, e cria outros fatos específicos a partir deles.

b)    A utilização dos nossos modelos pode ser considerada um procedimento de dedução (probabilística).

c)     A indução pode ser contrastada com a redução.

d)    A indução pode ser contrastada com contraste.

e)    A indução pode ser contrastada com extropecção.

14 – Explique o que é Segmentação Supervisionada:

a)     Segmentação é feita usando valores das variáveis que serão conhecidas quando o alvo não for, então, esses segmentos podem ser utilizados para prever o valor da variável alvo

b)    Segmentação é feita usando valores das variáveis que serão conhecidas quando o alvo  for, então, esses segmentos podem ser utilizados para prever o valor da variável alvo

c)     Segmentação é feita usando valores das constantes que serão conhecidas quando o alvo não for, então, esses segmentos podem ser utilizados para prever o valor da variável alvo

d)    Segmentação é feita usando valores das variáveis que serão conhecidas quando o alvo não for, então, esses segmentos podem ser utilizados para prever o valor da fixo alvo

e)    Segmentação é feita usando valores das variáveis que serão conhecidas quando o alvo não for, então, esses segmentos podem ser descartados para prever o valor da variável alvo

15  – No contexto da disciplina de inteligência de negócios defina o que são variáveis numéricas:

a)     As variáveis numéricas podem ser “descritas” escolhendo um ponto de divisão (ou muitos pontos de divisão) e, em seguida, tratando o resultado como um atributo categórico.

b)    As variáveis numéricas podem ser “descritas” restringindo um ponto de divisão (ou muitos pontos de divisão) e, em seguida, tratando o resultado como um atributo categórico.

c)     As variáveis numéricas podem ser “descritas” escolhendo um ponto de divisão (ou muitos pontos de divisão) e, em seguida, tratando o resultado como um atributo aleatório.

d)    As variáveis numéricas podem ser “descritas” escolhendo um ponto de divisão (ou muitos pontos de divisão) e, em seguida, filtrando o resultado como um atributo categórico.

e)    As variáveis numéricas podem ser “descritas” escolhendo um ponto de fusão (ou muitos pontos de divisão) e, em seguida, tratando o resultado como um atributo categórico.