Detecção de Anomalias com Machine Learning

Áudio automático ativado: as próximas questões serão lidas ao clicar em Continuar.

1. 1

   Em detecção de anomalias, o que caracteriza uma observação anômala?

   A Ela apresenta um padrão significativamente diferente do comportamento considerado normal. B Ela está sempre associada a um erro de coleta que deve ser removido. C Ela pertence necessariamente à classe mais frequente do conjunto de dados.
2. 2

   Em dados aproximadamente normais, qual regra baseada no escore z é frequentemente usada para sinalizar possíveis anomalias?

   A Classificar como anômalo todo valor com z igual a zero. B Investigar valores cujo módulo do escore z seja superior a 3. C Considerar anômalos apenas os valores acima da média.
3. 3

   Qual mecanismo permite que o Isolation Forest atribua maior grau de anomalia a determinadas observações?

   

   A Agrupar todas as observações em centroides definidos previamente. B Maximizar a distância entre classes conhecidas por meio de rótulos. C Aplicar divisões aleatórias e identificar observações isoladas por caminhos mais curtos.
4. 4

   O que o Local Outlier Factor (LOF) avalia para identificar uma possível anomalia?

   A A densidade local da observação em comparação com a densidade de seus vizinhos. B Somente a distância da observação até a média global. C A quantidade de árvores que classificam a observação em uma classe conhecida.
5. 5

   No gráfico, qual ponto deve receber maior prioridade em uma análise inicial de anomalias baseada em distância?

   

   A O ponto Q, localizado no centro do agrupamento. B O ponto P, isolado e distante do agrupamento principal. C Os pontos P e Q, pois possuem necessariamente a mesma distância dos vizinhos.
6. 6

   Por que a padronização das variáveis costuma ser importante antes de aplicar métodos de detecção baseados em distância?

   

   A Porque transforma automaticamente toda distribuição em uma distribuição normal. B Porque elimina todas as observações extremas antes do treinamento. C Porque evita que variáveis com escalas numéricas maiores dominem o cálculo das distâncias.
7. 7

   Em implementações de algoritmos como Isolation Forest, o que o parâmetro de contaminação geralmente representa?

   A Uma estimativa da proporção de anomalias esperada nos dados. B A quantidade obrigatória de variáveis que devem ser removidas. C A probabilidade de cada dado possuir valores ausentes.
8. 8

   Com base na matriz de confusão apresentada, qual é a precisão do detector para a classe anômala?

   

   A 75% B 90% C 95%
9. 9

   Para avaliar um detector quando as anomalias são extremamente raras, qual métrica resume melhor o equilíbrio entre precisão e revocação em diferentes limiares?

   A Acurácia global. B Erro quadrático médio das variáveis originais. C Área sob a curva precisão-revocação, ou PR-AUC.
10. 10

    Qual estratégia de validação é mais adequada ao detectar anomalias em uma série temporal?

    A Treinar com períodos anteriores e validar em períodos posteriores. B Embaralhar livremente todas as observações antes da divisão. C Usar o mesmo período completo para treinamento e validação.
11. 11

    Na representação de uma árvore do Isolation Forest, o ponto P foi isolado após duas divisões, enquanto o ponto Q exigiu oito. O que isso sugere?

    

    A Q possui necessariamente maior grau de anomalia. B P tende a receber maior grau de anomalia. C P e Q devem receber exatamente o mesmo grau.
12. 12

    No One-Class SVM, qual é uma interpretação correta do hiperparâmetro nu?

    A É o número exato de grupos normais que o algoritmo deve criar. B É a taxa de aprendizado usada para atualizar redes neurais. C Controla limites relacionados à fração de erros de treinamento e de vetores de suporte.
13. 13

    Qual é a prática mais adequada para escolher o limiar que transforma escores de anomalia em alertas?

    A Ajustá-lo em dados de validação, considerando métricas e custos dos diferentes tipos de erro. B Defini-lo sempre como zero, independentemente do algoritmo e do contexto. C Escolhê-lo diretamente no conjunto de teste até obter o melhor resultado.
14. 14

    Em um boxplot, Q1 vale 10 e Q3 vale 18. Pela regra de 1,5 vezes o intervalo interquartil, qual é o limite superior para detectar valores extremos?

    

    A 26 B 30 C 35
15. 15

    Como a alta dimensionalidade pode prejudicar detectores baseados em distância?

    A Ela garante que todas as anomalias fiquem perfeitamente separadas. B Ela impede matematicamente o cálculo de qualquer distância. C As distâncias podem se tornar menos discriminativas devido à concentração das observações.
16. 16

    Como um autoencoder pode ser utilizado na detecção de anomalias?

    A Treinando-o principalmente com padrões normais e sinalizando entradas com alto erro de reconstrução. B Usando-o somente para ordenar as linhas pela data de coleta. C Configurando-o para atribuir aleatoriamente um rótulo a cada observação.
17. 17

    A série mostra um intervalo prolongado com valores moderadamente elevados, embora nenhum ponto isolado ultrapasse o limite individual. Que tipo de anomalia esse padrão representa melhor?

    

    A Anomalia pontual. B Anomalia coletiva. C Valor ausente completamente ao acaso.
18. 18

    Após a implantação, a distribuição dos dados muda gradualmente e o detector passa a gerar muito mais alertas falsos. Qual ação é mais adequada?

    A Ignorar a mudança, pois detectores de anomalias não precisam de manutenção. B Remover todos os alertas novos sem investigar sua origem. C Monitorar a deriva, revisar o limiar e considerar o retreinamento com dados recentes validados.