ATIVIDADE 2 – CDAC – RECONHECIMENTO DE PADRÕES – 53_2025

Segundo Sutter (2018, p. 10 apud COSTA, 2021, p. 155), “os métodos de agrupamento ou clusterização também estão bem presentes no ramo de Aprendizado de Máquina para finanças. O grande volume de dados pode dificultar as análises de predição dos ativos financeiros em função da volatilidade e valores discrepantes. Análises preditivas usam dados, algoritmos estatísticos e técnicas de machine learning para identificar a probabilidade de resultados futuros a partir de dados históricos. O objetivo é ir além de saber o que aconteceu para obter uma melhor avaliação do que poderá acontecer no futuro”.

Fonte: COSTA, J. L. da. Reconhecimento de Padrão. Maringá: UniCesumar, 2021.

Sobre o exposto, analise as afirmativas a seguir:

I. A análise preditiva é usada para determinar as respostas ou compras dos clientes, além de promover oportunidades de venda cruzada. Os modelos preditivos ajudam as empresas a atrair, reter e expandir seus clientes mais valiosos.

II. As pontuações de crédito são usadas para avaliar a probabilidade de padrões de compra de um consumidor e são um exemplo bem conhecido de análise preditiva.

III. Apesar da predominância de softwares interativos e fáceis de usar, a análise preditiva ainda é exclusividade de matemáticos e estatísticos.

É correto o que se afirma em:

Uma das aplicações práticas do reconhecimento de padrões em negócios é a segmentação de clientes com base em seus hábitos de consumo. Ao agrupar clientes por variáveis, como frequência de compra e valor médio por transação, empresas conseguem criar perfis de comportamento que ajudam a personalizar ofertas, prever rotatividade e otimizar campanhas de marketing. Métodos como o clustering (agrupamento não supervisionado) são comumente usados nesse processo, pois permitem identificar grupos com características semelhantes, mesmo sem que esses grupos estejam previamente definidos.

Cenário:

Imagine que você está agrupando clientes de uma loja virtual com base em duas variáveis:

– Frequência de compra.

– Valor médio por compra.

Clientes A e B compram muitas vezes por mês, mas com valores baixos.

Clientes C e D compram raramente, mas com valores altos.

Com base no texto apresentado, no que se refere à quantidade de grupos distintos que fazem sentido nessa situação e qual critério seria mais adequado para separá-los, assinale a alternativa correta:

Os dispositivos tecnológicos estão cada vez mais conectados à nossa vida, sua incrível capacidade muitas vezes passa despercebida por nós. baseando-se nessa afirmação, avalie as afirmativas, e marque a alternativa correta.

I. Os aparatos tecnológicos, se não são a tecnologia em si, são o seu arauto em diferentes épocas e regiões.

II. Hoje temos a representação social do computador como o ícone da inovação e do desenvolvimento.

III. O próprio sistema computacional das Redes Sociais online, cria obstáculos, de segurança, no que se refere a localização de amigos através de uma combinação de informações.

Segundo Costa (2021, p. 143), em referência ao material de Henke et al. (2011), “as técnicas de Aprendizagem de Máquina são conhecidas por apresentarem bons desempenhos no Reconhecimento de Padrões, tendo seu uso em agentes automatizados, como em worms, vírus e trojans, que podem ser detectados com base em modelos de tráfego de rede de saída”. Também de acordo com o material de referência do autor Mena (2003), “técnicas de Aprendizagem de Máquina e mineração de dados podem ser aplicadas na detecção de intrusão, fraude e perfis criminais”.

Fonte: COSTA, J. L. da. Reconhecimento de Padrão. Maringá: UniCesumar, 2021.

​Na utilização de Aprendizagem de Máquina, especificamente, no treino de classificadores de imagens, assinale a alternativa que demonstra a sequência de procedimentos correta:

Suponha que temos um sistema de detecção de spam em e-mails. Este sistema recebe e-mails como entrada e classifica-os como “spam” ou “não spam”. Para treinar o sistema, ele é alimentado com um grande conjunto de dados de e-mails previamente classificados como “spam” ou “não spam”. Cada e-mail no conjunto de treinamento é representado por um conjunto de características relevantes, como palavras-chave, frequência de certos termos, presença de links suspeitos, entre outros.

Segue seu funcionamento:

– Probabilidades a priori: O sistema calcula a probabilidade a priori de um e-mail ser “spam” ou “não spam” com base na frequência com que esses tipos de e-mails aparecem no conjunto de treinamento.

– Probabilidades condicionais: O sistema calcula a probabilidade condicional de observar cada característica específica em um e-mail dado que ele é “spam” ou “não spam”. Por exemplo, a probabilidade de uma palavra como “oferta” aparecer em um e-mail “spam” é maior do que em um e-mail “não spam”.

– Probabilidade a posteriori: Quando um novo e-mail chega, o sistema calcula a probabilidade a posteriori de que ele seja “spam” ou “não spam” para cada classe. Isso é feito multiplicando as probabilidades condicionais de cada característica no e-mail dado a classe correspondente e, em seguida, multiplicando pelo a priori dessa classe.

– Classificação: O sistema compara as probabilidades a posteriori calculadas para determinar a classe mais provável para o novo e-mail. Se a probabilidade de ser “spam” for maior do que a de ser “não spam”, o e-mail é classificado como “spam”, e vice-versa.

Fonte: Elaborado pelo professor, 2024.

​Dessa forma, com base neste exemplo, qual teoria é essencial para a classificação precisa de e-mails em sistemas de detecção de spam, aproveitando a probabilidade condicional das características dos e-mails para fazer a classificação informada?