GoConqr hat ein neues Design! Sag uns, wie es dir gefällt.

Kostenlos registrieren

Quiz

Prova 5

marcio carvalho 10 Fragen

Quiz starten

Fragen in diesem Quiz (10)

  1. 1O modelo CBOW (Continuous Bag of Words) no processamento de linguagem natural emprega uma técnica inovadora para prever uma palavra central em uma sentença, baseando-se nas palavras de contexto que a cercam. Utilizando uma notação de ([palavras de contexto], palavra alvo), o modelo analisa as palavras adjacentes para prever a palavra central. Esta abordagem remove a camada oculta não linear e utiliza uma camada de projeção compartilhada, em que todas as palavras são projetadas na mesma posição, independente da ordem na sentença.

    Sobre o modelo CBOW em processamento de linguagem natural, analise as afirmativas a seguir:

    I. O modelo CBOW ignora as palavras do futuro na projeção.
    II. O CBOW visa prever a palavra central com base nas palavras de contexto.
    III. O CBOW utiliza uma camada de projeção compartilhada para todas as palavras.
    IV. No modelo CBOW, a projeção é afetada pela ordem das palavras na sentença de forma significativa.

    É correto o que se afirma em:
    1. AIV, apenas.
    2. BII e IV, apenas.
    3. CI, II, III e IV.
    4. DI e III, apenas.
    5. EI, II e III, apenas.
  2. 2As pontuações TF-IDF fornecem informações valiosas sobre a importância dos termos dentro de um corpus de documentos. Entender como interpretar essas pontuações pode auxiliar em diversas tarefas de mineração de texto e recuperação de informações.

    Com base no texto sobre a interpretação dos scores(pontuações) TF-IDF, assinale a alternativa correta:
    1. APontuações TF-IDF altas indicam que um termo é pouco frequente em um documento específico e comum em todo o corpus.
    2. BPontuações TF-IDF baixas indicam que um termo é pouco frequente em um documento específico e raro em todo o corpus.
    3. CPontuações TF-IDF altas indicam que um termo é frequente em um documento específico e raro em todo o corpus.
    4. DPontuações TF-IDF altas indicam que um termo é comum em um documento específico e pouco frequente em todo o corpus.
    5. EPontuações TF-IDF baixas indicam que um termo é pouco relevante para a compreensão de um documento específico.
  3. 3Para obter os melhores resultados na análise do TF-IDF, é importante considerar a otimização de seus parâmetros e explorar diferentes variações da técnica. Aqui, discutimos estratégias para otimizar os parâmetros do TF-IDF e destacamos algumas variações que podem ser exploradas para aumentar sua eficácia. Uma das estratégias de otimização é a normalização da frequência dos termos, que pode ser realizada por meio da escala logarítmica ou da dupla normalização. Essa normalização ajusta a importância dos termos com base em seu uso em documentos, contribuindo para uma análise mais precisa do TF-IDF.

    Com base na otimização de parâmetros e variações do TF-IDF, acerca da normalização da frequência dos termos, analise as afirmativas a seguir:

    I. A normalização da frequência dos termos é um parâmetro relevante no TF-IDF.
    II. A normalização da frequência dos termos é um parâmetro otimizável no TF-IDF.
    III. A normalização da frequência dos termos pode ser feita pela escala logarítmica ou pela dupla normalização.
    IV. A normalização da frequência dos termos pode ser feita pela escala logarítmica, um dos métodos comuns de normalização utilizados no TF-IDF.

    É correto o que se afirma em:
    1. AI e III, apenas.
    2. BI e II, apenas.
    3. CII e IV, apenas.
    4. DI, II, III e IV.
    5. EIII e IV, apenas.
  4. 4As representações vetoriais densas capturam informações contextuais e permitem comparações de similaridades semânticas ou sintáticas entre palavras. Um exemplo clássico é a analogia "rei - homem + mulher = rainha". Com o avanço dos algoritmos, busca-se aprimorar essas representações com custos computacionais mais baixos e avaliações eficazes, sendo a análise de analogias um método destacado para avaliar a eficiência desses modelos.

    Sobre os Word Embeddings, analise as afirmativas a seguir:

    I. O custo computacional dos Word Embeddings é excessivamente alto, impedindo sua aplicação prática.
    II. O Word embeddings possibilitam comparações de similaridades semânticas ou sintáticas entre palavras.
    III. A análise de analogias é um método eficaz para avaliar a eficiência de modelos baseados em Word Embeddings.
    IV. A analogia "rei - homem + mulher = rainha" exemplifica a capacidade dos Word Embeddings em capturar relações contextuais.

    É correto o que se afirma em:
    1. AII e III, apenas.
    2. BI, apenas.
    3. CII, III e IV, apenas.
    4. DI e IV, apenas.
    5. EI, II, III e IV.
  5. 5Implementar TF-IDF em Python usando o nltk oferece várias vantagens. Ao utilizar o nltk para implementar o TF-IDF, você terá acesso a um conjunto abrangente de ferramentas para pré-processamento de texto, como tokenização, remoção de StopWords e stemming, o que facilita a preparação dos dados para o cálculo do TF-IDF.

    Considerando as vantagens da implementação do TF-IDF usando o nltk em Python, assinale a alternativa correta:
    1. AOutras bibliotecas oferecem vantagens semelhantes à implementação do TF-IDF pelo nltk, devido à ausência de ferramentas exclusivas no nltk.
    2. BA documentação e a sintaxe do nltk são comparáveis às de outras bibliotecas, sem vantagens claras.
    3. CO nltk oferece funcionalidades básicas de pré-processamento que são comuns em outras bibliotecas de PLN.
    4. DA implementação do TF-IDF usando o nltk facilita a preparação dos dados para o cálculo do TF-IDF.
    5. EO pré-processamento extensivo dos documentos de texto é complexado ao implementar o TF-IDF usando o nltk.
  6. 6O modelo Skip-Gram, uma das arquiteturas do Word2Vec, adota uma abordagem inversa ao CBOW no processamento de linguagem natural. Neste modelo, o objetivo é identificar as palavras de contexto a partir de uma palavra central. A eficácia do Skip-Gram aumenta com a ampliação da faixa de contexto analisada, embora isso também eleve a complexidade computacional. Esta abordagem difere significativamente do CBOW, focando em prever palavras circundantes a partir de uma palavra central, o que é evidenciado em sua representação visual e na maneira como é estruturada a camada de entrada e saída do modelo.

    Com base nas informações apresentadas, avalie as asserções a seguir e a relação proposta entre elas:

    I. No modelo Skip-Gram, a complexidade computacional aumenta à medida que a faixa de contexto analisada se amplia.

    PORQUE

    II. O modelo Skip-Gram utiliza um classificador log-linear com uma camada de projeção contínua para prever palavras de contexto a partir de uma palavra central, exigindo mais cálculos à medida que o contexto se expande.

    A respeito dessas asserções, assinale a opção correta:
    1. AAs asserções I e II são verdadeiras, mas a II não é uma justificativa correta da I.
    2. BA asserção I é uma proposição verdadeira, e a II é uma proposição falsa.
    3. CA asserção I é uma proposição falsa, e a II é uma proposição verdadeira.
    4. DAs asserções I e II são verdadeiras, e a II é uma justificativa correta da I.
    5. EAs asserções I e II são falsas.
  7. 7No campo do processamento de linguagem natural (PLN), modelos como CBOW (Continuous Bag of Words) e Skip-Gram desempenham papéis fundamentais. O CBOW prevê uma palavra-alvo com base em palavras de contexto, operando eficientemente em conjuntos de dados menores. Em contraste, o Skip-Gram prevê palavras de contexto a partir de uma palavra central, sendo mais eficaz com grandes conjuntos de dados e produzindo representações de palavras de alta qualidade. Ambos os modelos são cruciais para entender a estrutura e o significado nas linguagens.

    Sobre os modelos CBOW e Skip-Gram, analise as afirmativas a seguir:

    I. O Skip-Gram é eficiente em prever palavras centrais a partir de palavras de contexto.
    II. O CBOW é mais rápido para treinar em grandes conjuntos de dados que o Skip-Gram.
    III. O CBOW tenta prever a palavra central com base nas palavras de contexto circundantes.
    IV. O Skip-Gram produz representações de palavras de qualidade superior em grandes conjuntos de dados.

    É correto o que se afirma em:
    1. AII e III, apenas.
    2. BI, II, III e IV.
    3. CI e IV, apenas
    4. DIII e IV, apenas.
    5. EI e II, apenas.
  8. 8O TF-IDF está evoluindo para oferecer resultados mais precisos e relevantes na análise de texto. As tendências futuras incluem a incorporação de informações contextuais, o desenvolvimento de modelos específicos de domínio e a melhoria da avaliação dos resultados. Com a integração de informações contextuais, o TF-IDF pode capturar o significado sutil das palavras com base no contexto ao redor. Os modelos específicos de domínio levam em consideração as características linguísticas de áreas especializadas, enquanto a avaliação aprimorada busca métricas mais precisas e interpretabilidade dos resultados. Essas tendências visam aprimorar a eficácia do TF-IDF e fornecer insights mais relevantes na análise de texto.

    Considerando as tendências futuras no TF-IDF, analise as afirmativas a seguir que descrevem a evolução na técnica:

    I. A utilização do TF-IDF para processamento de imagens e reconhecimento de padrões visuais.
    II. A substituição completa do TF-IDF por técnicas de aprendizado profundo, como deep learning.
    III. A integração de informações contextuais para capturar a semântica das palavras com base no contexto ao redor.
    IV. O desenvolvimento de modelos TF-IDF específicos de domínio para fornecer resultados mais precisos em áreas especializadas.

    É correto o que se afirma em:
    1. AIII e IV, apenas.
    2. BII e III, apenas.
    3. CI, II e III, apenas.
    4. DI e IV, apenas.
    5. EII, III e IV, apenas.
  9. 9A marcação de parte da fala (POS) é essencial na lematização, aplicando regras gramaticais para determinar as formas base das palavras. Além disso, a lematização é crucial para normalizar a variação morfológica das palavras em um texto, contribuindo para uma análise mais precisa e eficiente da linguagem.

    Com base no papel da marcação de parte da fala (Part-of-speech ou POS) na lematização baseada em regras linguísticas, assinale a alternativa correta:
    1. AUtilizar análise sintática sem considerar aspectos semânticos.
    2. BUtilizar algoritmos probabilísticos para lematizar as palavras.
    3. CAtribuir etiquetas específicas às palavras indicando o número de letras do termo.
    4. DIdentificar o lemma das palavras com base em conhecimento predefinido.
    5. EAplicar regras gramaticais para definir as formas base das palavras.
  10. 10A lematização é um processo importante no PLN, visando extrair informações significativas dos textos. Ao identificar a forma canônica de uma palavra, considerando sua classe gramatical e contexto, os sistemas de PLN podem entender as relações semânticas e realizar análises mais precisas, aprimorando a compreensão do texto.

    Com base nas informações apresentadas, avalie as asserções a seguir e a relação proposta entre elas:

    I. A lematização identifica a forma canônica de uma palavra, levando em consideração sua classe gramatical e contexto.

    PORQUE

    II. A lematização permite que os sistemas de PLN entendam as relações semânticas entre palavras e extraiam informações significativas dos textos.

    A respeito dessas asserções, assinale a opção correta:
    1. AAs asserções I e II são falsas.
    2. BA asserção I é uma proposição verdadeira, e a II é uma proposição falsa.
    3. CAs asserções I e II são verdadeiras, e a II é uma justificativa correta da I.
    4. DA asserção I é uma proposição falsa, e a II é uma proposição verdadeira.
    5. EAs asserções I e II são verdadeiras, mas a II não é uma justificativa correta da I.

Informationen

Beschreibung
Vestibular PROCESSAMENTO DE LINGUAGEM NATURAL Quiz am Prova 5, erstellt von marcio carvalho am 17/06/2025.
Sprache
Português
Aufrufe
0
Bewertung
Noch keine Bewertungen
Bewerte dieses Quiz
Bewerte dieses Quiz

Feedback

Worum geht es?

Wie gefällt dir das neue Design?

Dein Eindruck