# ML Não Supervisionado (Data Science & ML) > K-Means, clustering hierárquico, DBSCAN, PCA, t-SNE, UMAP, silhouette score, elbow method - 22 perguntas de entrevista - Mid-Level - [Perguntas de entrevista: Data Science & ML](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista.md) ## 1. 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. ## 2. 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. ## 3. 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. ## Mais 19 perguntas disponiveis - 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? Cadastre-se gratis: https://sharpskill.dev/pt/login ## Outros temas de entrevista Data Science & ML - [Fundamentos de Python](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/python-basics.md): 25 perguntas, Junior - [Programação Orientada a Objetos em Python](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/python-oop.md): 20 perguntas, Junior - [Estruturas de dados em Python](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/python-data-structures.md): 20 perguntas, Junior - [Fundamentos do Git](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/git-fundamentals.md): 18 perguntas, Junior - [Fundamentos de SQL](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/sql-basics.md): 20 perguntas, Junior - [Fundamentos de NumPy](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/numpy-fundamentals.md): 22 perguntas, Junior - [Fundamentos de Pandas](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/pandas-basics.md): 22 perguntas, Junior - [Jupyter & Google Colab](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/jupyter-colab.md): 16 perguntas, Junior - [SQL Joins e consultas avançadas](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/sql-joins-advanced.md): 22 perguntas, Mid-Level - [Pandas avançado](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/pandas-advanced.md): 24 perguntas, Mid-Level - [Visualização com Matplotlib & Seaborn](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/matplotlib-seaborn.md): 20 perguntas, Mid-Level - [Visualizações interativas com Plotly](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/plotly-interactive.md): 18 perguntas, Mid-Level - [Estatística descritiva](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/statistics-descriptive.md): 20 perguntas, Mid-Level - [Estatística inferencial](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/statistics-inferential.md): 24 perguntas, Mid-Level - [Web Scraping](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/web-scraping.md): 18 perguntas, Mid-Level - [BigQuery & Cloud Data](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/bigquery-cloud.md): 18 perguntas, Mid-Level - [Feature Engineering](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/feature-engineering.md): 22 perguntas, Mid-Level - [ML Supervisionado: Regressão](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/ml-supervised-regression.md): 24 perguntas, Mid-Level - [ML Supervisionado: Classificação](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/ml-supervised-classification.md): 24 perguntas, Mid-Level - [Árvores de Decisão e Ensembles](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/ml-trees-ensembles.md): 24 perguntas, Mid-Level - [Pipelines ML e Validação](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/ml-pipelines-validation.md): 22 perguntas, Mid-Level - [Séries Temporais e Previsão](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/time-series-forecasting.md): 22 perguntas, Mid-Level - [Fundamentos de Deep Learning](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/deep-learning-fundamentals.md): 24 perguntas, Senior - [TensorFlow & Keras](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/tensorflow-keras.md): 22 perguntas, Senior - [CNN e classificação de imagens](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/cnn-image-classification.md): 24 perguntas, Senior - [RNN e Sequências](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/rnn-sequences.md): 22 perguntas, Senior - [Transformers e Attention](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/transformers-attention.md): 24 perguntas, Senior - [NLP e Hugging Face](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/nlp-huggingface.md): 24 perguntas, Senior - [GenAI e LangChain](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/genai-langchain.md): 24 perguntas, Senior - [MLOps e Implantação](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/mlops-deployment.md): 24 perguntas, Senior --- Source: SharpSkill (https://sharpskill.dev), tech interview preparation for your real stack. HTML version of this page: https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/ml-unsupervised