ML Não Supervisionado
K-Means, clustering hierárquico, DBSCAN, PCA, t-SNE, UMAP, silhouette score, elbow method
1Qual é a principal diferença entre aprendizado supervisionado e não supervisionado?
Qual é a principal diferença entre aprendizado supervisionado e não supervisionado?
Resposta
O aprendizado não supervisionado trabalha com dados não rotulados, buscando descobrir estruturas ou padrões ocultos sem uma variável alvo predefinida. Diferente do supervisionado que prevê um valor conhecido (label), o não supervisionado explora os dados para encontrar grupos naturais, reduzir dimensionalidade ou detectar anomalias. Algoritmos como K-Means, PCA ou DBSCAN são exemplos típicos de aprendizado não supervisionado.
2Como funciona o algoritmo K-Means para particionar dados?
Como funciona o algoritmo K-Means para particionar dados?
Resposta
K-Means é um algoritmo iterativo que particiona os dados em K clusters. Inicializa K centroides aleatoriamente, depois alterna entre duas etapas: atribuir cada ponto ao centroide mais próximo (etapa de atribuição) e recalcular as posições dos centroides como a média dos pontos atribuídos (etapa de atualização). O algoritmo converge quando as atribuições não mudam mais ou após um número máximo de iterações.
3Qual método usar para determinar o número ótimo de clusters K no K-Means?
Qual método usar para determinar o número ótimo de clusters K no K-Means?
Resposta
O elbow method plota a inércia (soma das distâncias ao quadrado entre cada ponto e seu centroide) contra K. O ponto onde a curva forma um cotovelo indica o K ótimo, pois além disso adicionar clusters não melhora mais significativamente a inércia. Este método é complementado pelo silhouette score para validar a qualidade dos clusters.
O que o silhouette score mede no contexto de clustering?
Qual é o intervalo de valores do silhouette score e como interpretar um score de 0.7?
+19 perguntas de entrevista
Outros temas de entrevista Data Science & ML
Fundamentos de Python
Programação Orientada a Objetos em Python
Estruturas de dados em Python
Fundamentos do Git
Fundamentos de SQL
Fundamentos de NumPy
Fundamentos de Pandas
Jupyter & Google Colab
SQL Joins e consultas avançadas
Pandas avançado
Visualização com Matplotlib & Seaborn
Visualizações interativas com Plotly
Estatística descritiva
Estatística inferencial
Web Scraping
BigQuery & Cloud Data
Feature Engineering
ML Supervisionado: Regressão
ML Supervisionado: Classificação
Árvores de Decisão e Ensembles
Pipelines ML e Validação
Séries Temporais e Previsão
Fundamentos de Deep Learning
TensorFlow & Keras
CNN e classificação de imagens
RNN e Sequências
Transformers e Attention
NLP e Hugging Face
GenAI e LangChain
MLOps e Implantação
Domine Data Science & ML para sua proxima entrevista
Acesse todas as perguntas, flashcards, testes tecnicos, exercicios de code review e simuladores de entrevista.
Comece gratis