Questões
Pratique com questões de diversas disciplinas e universidades
6.098 questões encontradas(exibindo 10)
Em sistemas de robótica móvel, a navegação é um aspecto crucial para a operação autônoma. Um dos métodos utilizados para navegação em ambientes desconhecidos é a SLAM (Simultaneous Localization and Mapping).
Qual das alternativas a seguir descreve corretamente a técnica SLAM?
Uma técnica que se baseia apenas em sensores de distância para mapear o ambiente.
Um algoritmo que permite ao robô mapear um ambiente enquanto se localiza dentro dele simultaneamente.
Um método que requer conhecimento prévio do ambiente antes de qualquer operação.
Uma abordagem que utiliza apenas dados visuais para navegação.
I – A inteligência artificial pode servir como uma ferramenta de auxílio para a tomada de decisões jurídicas, justificando as decisões, mas não como substituta à atividade humana.
II – A inteligência artificial pode integrar todos os elementos essenciais a uma decisão judicial, sem qualquer impeditivo legal.
III – O resultado obtido por um sistema jurídico inteligente de uma máquina será mais justo e equitativo do que aquele feito por um ser humano.
IV – Julgar, em um processo, principalmente por envolver processo de valoração, é uma atividade única e exclusivamente humana, atribuída à pessoa do juiz.
V – Os algoritmos atuam de forma mecânica, eficiente e correta, por isso têm credibilidade no sistema judicial, sendo assim, são à prova de falhas.
A respeito dessas afirmativas, assinale a alternativa que apresenta as apenas as corretas.
O modelo Snowflake é o resultado da decomposição de uma ou mais dimensões que não possuam hierarquias entre seus membros. O modelo Snowflake é o resultado da composição de uma ou mais dimensões que possuam hierarquias entre seus membros. O modelo Snowflake não é o resultado da decomposição de uma ou mais dimensões que possuam hierarquias entre seus membros. O modelo Snowflake é o resultado da decomposição de uma ou mais dimensões que possuam hierarquias entre seus membros.
Relacione as afirmacoes com as estratégias de busca a seguir e depois marque a alternativa com a sequência correta:
Caso se tenha algum conhecimento sobre o problema, pode-se restringir a busca a um nível limite de expansão dos nós.
Combina os benefícios da busca em profundidade e da busca em extensão.
O nó raiz é expandido, depois os nós sucessores do nó raiz, depois os sucessores dos sucessores e assim por diante.
Variante da busca em amplitude por considerar a expansão do nó que possui o custo mais baixo.
Pode ser implementada por um algoritmo de busca em árvore com uma estrutura de pilha.
Qual é a principal função dos sistemas de propulsão nos veículos espaciais?
Controlar a temperatura interna da nave
Gerar energia elétrica para os sistemas a bordo
Prover a força necessária para lançar e manobrar a nave no espaço
Facilitar a comunicação com a Terra
Qual das seguintes afirmacoes descreve corretamente a influência da Revolução Industrial sobre as cidades europeias no século XIX?
As cidades cresceram lentamente, mantendo suas características rurais.
A industrialização levou à urbanização rápida e ao crescimento populacional nas áreas urbanas.
A Revolução Industrial não teve impacto significativo na demografia das cidades.
As cidades se tornaram menos populosas, pois as pessoas preferiam viver no campo.
Qual é o papel da função de ativação em redes neurais?
Transformar os dados de entrada em uma forma que a rede pode processar.
Introduzir não-linearidade no modelo, permitindo que a rede aprenda padrões complexos.
Normalizar os dados de entrada.
Ajustar os pesos das camadas de maneira linear.
Combinar os resultados de diferentes camadas da rede.
Qual foi o nome da primeira missão bem-sucedida da NASA a pousar em outro corpo celeste, e qual corpo celeste foi atingido?
Qual a diferença entre bagging e boosting?
Bagging treina os modelos de forma sequencial, enquanto boosting os treina em paralelo.
Bagging foca em aumentar a precisão do modelo, enquanto boosting foca em reduzir a variância.
Bagging reduz a variância, enquanto boosting melhora a precisão combinando modelos fracos.
Bagging é utilizado apenas em problemas de regressão, enquanto boosting é para classificação.
Bagging e boosting são essencialmente a mesma técnica de ensemble.