Provas

O princípio do Apriori é: se um itemset é frequente, todos os seus subconjuntos são frequentes; equivalentemente, se um itemset é infrequente, todos os seus superconjuntos são infrequentes. É isso que permite a poda do espaço de busca. A assertiva inverte a relação ao dizer que os superconjuntos seriam frequentes.

No aprendizado supervisionado, o modelo ajusta uma função que mapeia entradas em saídas usando exemplos rotulados, com o objetivo de generalizar para dados novos, ainda não vistos.

O agrupamento hierárquico constrói um dendrograma, e o número de clusters é definido depois, cortando-o na altura desejada. O k-means exige informar k antes da execução.

A regularização L2 penaliza a soma dos quadrados dos coeficientes, reduzindo sua magnitude e a variância do modelo (mitigando overfitting), mas raramente os zera. Por isso não faz seleção automática de variáveis, diferentemente da L1 (Lasso).

O PCA é técnica não supervisionada de redução de dimensionalidade que projeta os dados nas direções de maior variância (autovetores da matriz de covariância), sem necessidade de rótulos.

Na validação cruzada k-fold, os dados são divididos em k partições, e cada uma serve uma vez como teste enquanto as demais treinam. Assim, cada instância aparece no teste uma única vez (e no treino k-1 vezes), o que dá uma avaliação mais equilibrada.

As CNNs usam filtros convolucionais que detectam bordas e texturas nas camadas iniciais e, nas camadas mais profundas, combinam esses padrões em formas e objetos complexos. Essa hierarquia as torna fundamentais em visão computacional.

Os transformers superaram RNN/LSTM sobretudo pelo mecanismo de atenção, que captura dependências de longo alcance e permite processamento paralelo no treinamento. Não têm menor custo computacional: a autoatenção tem custo quadrático no comprimento da sequência.

A composição de transformações lineares é linear, então uma rede sem ativações não lineares equivale a uma única camada linear. Funções como ReLU, sigmoide e tanh introduzem não linearidade, permitindo aprender representações complexas.

Em modelos de difusão, o treinamento adiciona ruído gaussiano progressivamente às imagens, e a geração faz o processo inverso: parte de ruído puro e o remove passo a passo (denoising), guiado por exemplo pelo texto. Não se aplica ruído sobre imagem em branco no mesmo procedimento do treino.

Em MLOps, o monitoramento em produção abrange desempenho técnico (latência, throughput), mas também qualidade de dados, drift de dados e de conceito, desempenho preditivo e viés/equidade. O viés pode surgir ou se agravar após a implantação, então não se restringe ao desenvolvimento.

Um dos princípios do Data Mesh é tratar dados como produto, e cada domínio de negócio é responsável por disponibilizar, manter, documentar e garantir a qualidade de seus dados, para que sejam descobertos e usados por outros.

O Data Mesh propõe arquitetura descentralizada, com propriedade orientada a domínios, dados como produto, plataforma self-service e governança federada. Não adota modelo centralizado e foi pensado justamente para ganhar escalabilidade organizacional.

A primeira forma normal exige que o domínio de todos os atributos seja atômico, ou seja, sem atributos compostos, multivalorados ou relações aninhadas (grupos repetitivos). A assertiva descreve corretamente essa definição.

A 4FN exige que a tabela já esteja na FNBC e elimina dependências multivaloradas não triviais. Dependências parciais e transitivas são tratadas na 2FN e 3FN, respectivamente, e a 4FN não dispensa a FNBC prévia.

Bancos de grafos modelam dados como nós, arestas (relacionamentos) e propriedades, com esquema flexível e foco nas conexões. Não se baseiam em tabelas com tuplas fixas e normalizadas como o modelo relacional.

Em bancos NoSQL orientados a documentos (ex.: MongoDB), é prática comum desnormalizar e embutir dados relacionados em estruturas aninhadas. Isso permite recuperar tudo em uma única leitura, sem junções, melhorando a performance de leitura (ao custo de redundância e atualizações mais complexas).

O UPDATE é DML e modifica valores de registros. A mudança do tipo de dado de uma coluna, como de VARCHAR para DATE, exige ALTER TABLE, que é DDL.