Prova da Parte I — Ciência de Dados

Estado da arte capturado em 2026-08 · histórico

Isto não vale nota, e o livro diz isso por escrito. A identificação é autodeclarada, o livro fica aberto e o enunciado está publicado no Markdown do repositório. O que esta prova produz é evidência de prática, não de aprendizado. A recomendação do livro a quem dá aula é pontuar por ter feito, nunca por ter acertado: pontuar esforço remove o incentivo de colar, pontuar acerto o cria.

O que esta prova é

Dez itens sobre os seis capítulos da Parte I, de I.1 a I.6. Cada item cruza dois capítulos ou mais, e é essa a diferença entre uma prova e mais uma lista: o exercício de capítulo pergunta dentro de um capítulo, e aqui um item só fecha quando as duas pontas estão no lugar.

Nenhum item traz o "volte para" — a prova mede o que você recupera sem rota de volta. Todo cenário é inédito, para que reconhecer o exemplo não substitua entender o conceito. E todos os itens são corrigidos na hora, sem consultar modelo de linguagem.

Exercícioprova-parte-i-q1escolha uma

Uma rede de academias quer prever quais alunos vão cancelar a matrícula. A equipe técnica se reúne na segunda-feira e sai com uma lista de trinta atributos derivados do histórico de frequência.

Na sexta, a área comercial informa que só consegue agir sobre um aluno no dia da renovação mensal, e que a lista precisa estar pronta sete dias antes.

O que essa informação torna necessário?

Nada nos atributos: basta programar a entrega da lista com sete dias de antecedência.
Refazer os atributos com corte na data de decisão, porque qualquer um que use frequência dos últimos sete dias não existirá no momento em que a lista precisa sair.
Trocar o modelo por um de série temporal, já que agora há uma data envolvida.
Aumentar a janela de histórico de trinta para noventa dias, para compensar os sete dias perdidos.

Exercícioprova-parte-i-q2escolha uma

Um pipeline monta o conjunto de treino de um modelo de cancelamento juntando a tabela de contratos com a tabela de clientes. A tabela de clientes é sincronizada toda madrugada, sobrescrevendo a linha do cliente. A coluna situacao vem dessa tabela.

O modelo atinge desempenho três vezes melhor que qualquer tentativa anterior. Onde está o problema, e de que tipo ele é?

É um problema de modelagem: o modelo está com capacidade demais e decorou o treino.
É um problema de integração: a junção não recorta o tempo, então situacao chega com o estado de hoje colado num contrato antigo, e o rótulo entra disfarçado de atributo.
É um problema de amostragem: a base tem contratos demais de um período só.
Não há problema: desempenho melhor indica que os atributos novos funcionaram.

Exercícioprova-parte-i-q3escolha todas que valem

Uma analista precisa mostrar à diretoria o tempo de espera no atendimento. Média 14 min, mediana 6 min, e uma cauda de casos acima de 90 min.

Quais escolhas respeitam o que a Parte I ensina? (marque todas que valem)

Reportar a mediana como o tempo típico, e a cauda separadamente.
Usar histograma ou boxplot, porque a pergunta é de distribuição.
Usar um gráfico de barras com a média por dia da semana, que é a forma mais legível para diretoria.
Escrever no título a conclusão, por exemplo que metade é atendida em até 6 minutos e uma minoria espera mais de uma hora.
Reportar só a média, porque um número único é mais fácil de decidir em cima.

Exercícioprova-parte-i-q4escolha uma

Uma equipe explora a base por três semanas, cruza dezenas de variáveis e encontra que clientes de um determinado plano cancelam muito mais. Reporta o achado como conclusão, com o valor-p calculado sobre a mesma base, e a diretoria aprova mudar o plano.

Quais são os dois erros, e de que fases eles são?

Explorar demais e reportar rápido demais; os dois são da fase 2.
Confirmar a hipótese no conjunto que a escolheu, e tratar um achado da fase 2 como decisão da fase 5 sem passar pela pergunta da fase 1.
Usar valor-p em vez de intervalo de confiança, e não estratificar a amostra.
Não há erro: exploração longa aumenta a confiança no achado.

Exercícioprova-parte-i-q5responda com um número

Uma variável categórica turno tem 3 valores. Ela entra numa regressão logística com intercepto, e a validação é feita por validação cruzada de 5 dobras.

Quantas colunas dummy devem ser criadas para turno?

Exercícioprova-parte-i-q6escolha uma

Um sistema industrial coleta leituras de 60 sensores em 14 máquinas, por dois anos, via fila de mensagens. O modelo vai prever falha em máquinas do mesmo parque, incluindo três que serão instaladas no ano que vem.

Qual conjunto de cuidados a divisão exige?

Embaralhar as leituras e estratificar pela taxa de falha, que é rara.
Dividir por tempo, garantir que nenhuma máquina apareça nos dois lados, e deduplicar antes, porque a fila entrega ao menos uma vez.
Dividir por máquina apenas, já que a estrutura de grupo é a mais forte aqui.
Usar validação cruzada de 10 dobras sobre as leituras, que é mais robusta que divisão única.

Exercícioprova-parte-i-q7escolha todas que valem

Uma equipe vai usar uma base pública de imagens médicas, baixada sem cadastro, para treinar um produto comercial. Quais perguntas a Parte I obriga a responder antes? (marque todas que valem)

Qual é a licença, e se ela permite uso comercial e redistribuição.
Como um exemplo entrou nesta base, que é onde mora o viés de seleção.
Como o alvo foi rotulado, e por quem.
Qual é a correlação de cada atributo com o diagnóstico, para descartar os fracos cedo.
Se há dado pessoal e, havendo, se está anonimizado.

Exercícioprova-parte-i-q8escolha uma

Uma tabela tem renda_mensal (milhares de reais, distribuição com cauda longa à direita) e anos_de_estudo (0 a 25). A equipe vai comparar dois modelos: um k-NN e uma floresta aleatória.

O que a diferença de escala exige de cada um?

Dos dois, porque escalas díspares sempre prejudicam o treino.
Do k-NN, que soma unidades diferentes numa distância; da floresta, nada, porque cada corte olha um atributo por vez.
Da floresta, que compara atributos entre si ao escolher o corte.
De nenhum, desde que a renda seja transformada por logaritmo antes.

Exercícioprova-parte-i-q9escolha uma

Um time de quatro pessoas técnicas opera há dois anos um modelo que aprova pedidos de reembolso. A base de treino cresce todo mês com os pedidos processados. O desempenho medido nunca caiu. Ninguém foi designado para conversar com a área que recebe as reclamações dos reembolsos negados.

Qual é o diagnóstico mais completo?

Não há problema: desempenho estável por dois anos é o melhor sinal possível.
Duas fases estão sem dono, e a base cresce por uma porta que o próprio modelo filtra, então o desempenho estável mede uma fatia cada vez mais estreita.
Há viés de seleção, e a solução é coletar mais dados por mais tempo.
Falta um engenheiro de ML, que é quem monitoraria a fase 6.

Exercícioprova-parte-i-q10complete a lacuna

Complete a fase do CRISP-DM em que se decide como o dado vira uma tabela treinável, com atributos construídos e rótulo definido. É também a fase mais revisitada do ciclo:

fase ______ — preparação dos dados

Prova da Parte I — Ciência de Dados #

O que esta prova é #

Prova da Parte I — Ciência de Dados

O que esta prova é