1

Hoje, iniciaremos a nossa aula sobre Machine Learning, I.A e Big Data.
Voltada para o concurso da DPF. O último concurso foi realizado pelo
CESPE/CEBRASPE. Através de um minucioso estudo, escolhi,
criteriosamente, questões que irão suprir as suas necessidades para a sua
aprovação.

Atenção! Para estudarmos Machine Learning e Big Data, é

imprescindível estudarmos o conceito de I.A.

Não esqueça de avaliar a nossa aula! ☺

Machine Learning - I.A (inteligência Artificial) – Big Data

O termo inteligência artificial foi criado em 1956, mas só se

popularizou hoje graças aos crescentes volumes de dados disponíveis,
algoritmos avançados, e melhorias no poder e no armazenamento
computacionais.
 2

Inteligência Artificial (IA) é um ramo da ciência da computação que

se propõe a elaborar dispositivos que simulem a capacidade humana de
raciocinar, perceber, tomar decisões e resolver problemas, enfim, a
capacidade de ser inteligente.

EVOLUÇÃO DA I.A
 3

Rede neural pode ser interpretada como um esquema de

processamento capaz de armazenar conhecimento baseado em
aprendizagem (experiência) e disponibilizar este conhecimento para a
aplicação em questão.

Os sistemas baseados em redes neurais artificiais, também chamados

de sistemas conexionistas, que podem ser classificados como uma subárea
da Inteligência Artificial, são sistemas computacionais construídos através
de técnicas que procuram imitar o cérebro humano com suas conexões de
elementos de processamento.
 4

Existem, basicamente, 3 tipos de aprendizado nas redes neurais

artificiais:

o Supervisionado: neste tipo, a rede neural recebe um conjunto

de entradas padronizados e seus correspondentes padrões de
saída, onde ocorrem ajustes nos pesos sinápticos (região de
ligação) até que o erro entre os padrões de saída gerados pela
rede tenha um valor desejado;

o Não-supervisionado: neste tipo, a rede neural trabalha os

dados de forma a determinar algumas propriedades dos
conjuntos de dados. A partir destas propriedades é que o
aprendizado é constituído;

o Híbrido: neste tipo ocorre uma "mistura" dos tipos

supervisionado e não-supervisionado. Assim, uma camada pode
trabalhar com um tipo enquanto outra camada trabalha com o
outro tipo.

Perceptron

Em 1958, a Rede Neural Artificial Perceptron foi introduzida por Frank

Rosenblatt, inspirado nos trabalhos de Walter Pitts e Warren Sturgis
McCulloch. Esse modelo é um dos mais antigos e lida com um único
neurônio, classificando o resultado de forma linear.
 5

Com o intuito de lidar com os problemas não linearmente separáveis,

foram adicionadas camadas de neurônio ocultas (hidden) no modelo de
Rosenblatt, formando então a Rede Neural Artificial Multilayer Perceptron
(MLP).

Rede Neural na Medicina

Uma grande ajuda que a Informática tem dado na área médica diz
respeito ao diagnóstico. O diagnóstico médico se baseia na análise de uma
série de dados e informações coletadas pelo profissional em diversas fontes
de diferentes tipos, inclusive toda a experiência já vivenciada pelo médico
em outros diagnósticos do mesmo tipo. A quantidade desses dados,
informações e conhecimentos vem crescendo progressivamente, e para um
 6

médico desempenhar bem suas funções, deve estar sempre atualizado

frente às novidades que surgem a cada dia.

Sistema de Apoio ao Diagnóstico (SAD)

“A revolução da tecnologia da informação está mudando os métodos

para interpretação de imagens médicas. Cada nova edição de periódico de
imagens médicas traz novas técnicas de imagem, novas aplicações ou
novos resultados de estudos de observação e de testes clínicos e pré-
clínicos de tais métodos. No futuro, é provável que todas as imagens
médicas tenham alguma forma de diagnóstico apoiado por computador
executado para beneficiar os cuidados com pacientes e os resultados.”5
[Giger, 2002, p.3].

O desenvolvimento de sistemas de apoio ao diagnóstico médico

baseados em redes neurais artificiais vem sendo amplamente pesquisado
nos últimos anos. Pode-se facilmente encontrar referências de sua
utilização em diversas aplicações relacionadas a problemas da área médica,
com resultados satisfatórios em diferentes especialidades, tendo inclusive
obtido destaque de divulgação na mídia não especializada , onde foi
apresentado um sistema baseado em redes neurais artificiais para
 7

diagnóstico e prevenção de ataques cardíacos que obteve resultados

melhores que os próprios médicos especialistas.

No processamento de informações médicas, o uso de sistemas

baseados em redes neurais artificiais apresenta como principais benefícios
[Keller, 1998]:

• é treinada por exemplos obtidos de regras genéricas;

• é automática;

• elimina processos de fadiga humana (por exemplo, na análise

• excessiva de dados);

• apresenta rápida identificação;

• apresenta análises de condições e diagnósticos em tempo real. Dentre

as aplicações mais pesquisadas, destacam-se o apoio ao diagnóstico,
a análise química, a análise de imagens e o desenvolvimento e
aprimoramento de novas drogas.

APPLE WATCH FAZ ECG (ELETROCARDIOGRAMA)

 8

Machine Learning é uma tecnologia onde os computadores tem a

capacidade de aprender de acordo com as respostas esperadas por meio
associações de diferentes dados, os quais podem ser imagens, números e
tudo que essa tecnologia possa identificar. Ele usa métodos de redes
neurais, estatística, pesquisas de operações e física para encontrar insights
(compreensão) escondidos em dados, sem ser especificamente programado
para olhar um determinado lugar ou chegar a uma determinada conclusão.

Quando se desenvolve um sistema de aprendizado de máquina, a

estrutura utilizada na programação é diferente da programação de software
tradicional.

No método tradicional se cria um conjunto de regras para gerar uma

resposta a partir do processamento dos dados introduzidos. Já os
algoritimos de Machine Learning são criados a partir dos dados que serão
análisados e as as repostas (ou resultados) que se esperam dessa análise,
no final do processo o sistema cria as próprias regras ou perguntas.
 9

Aprendizado de Máquina Iterativo

A tecnologia Machine Learning permite que os modelos sejam

treinados em conjuntos de dados antes de serem implementados. Um
aplicativo ou software com Machine Learning é um tipo de programa que
melhora automaticamente e gradualmente com o número de experiências
em que ele é colocado para treinar.

Nessa primeira etapa o treinamento é assistido. O processo iterativo

leva à uma melhoria nos tipos de associações feitas entre elementos e
dados, os quais são apresentados em uma grande quantidade. Devido a
essa grande quantidade de dados que serão analisados, os padrões e
associações feitas somente por observação humana poderiam resultar
ineficientes, em caso de que sejam feitas sem um suporte das tecnologias
Machine Learning.

Após o treinamento inicial de um aplicativo ou software de Machine

Learning ele poderá ser usado em tempo real para aprender sozinho com
os dados apresentando maior precisão nos resultados com o passar do
tempo.

Abordagens de Machine Learning

Deep learning (ML / DL)

 10

Deep learning é um método específico de aprendizado de máquina

que incorpora redes neurais em camadas sucessivas para aprender com os
dados de uma maneira iterativa.

Aprendizado por reforço

O aprendizado por reforço é um modelo de aprendizado

comportamental. O algoritmo recebe feedback da análise de dados,
orientando o usuário para o melhor resultado. O aprendizado de reforço
difere de outros tipos de aprendizado supervisionado, porque o sistema não
é treinado com o conjunto de dados de amostra. Em vez disso, o sistema
aprende por meio de tentativa e erro.

Aprendizado de máquina supervisionado

O aprendizado supervisionado geralmente começa com um conjunto

estabelecido de dados e um certo entendimento de como esses dados são
classificados. O aprendizado supervisionado destina-se a encontrar padrões
em dados que possam ser aplicados em um processo analítico. Esses dados
rotularam recursos que definem o significado dos dados. Por exemplo, é
possível criar um aplicativo de machine learning que distinga entre milhões
de animais, com base em imagens e descrições escritas.
 11

Aprendizado de máquina não supervisionado

O aprendizado não supervisionado é usado quando o problema requer

uma grande quantia de dados não rotulados. Por exemplo, aplicativos de
mídia social, como Twitter, Instagram e Snapchat, têm grandes quantias de
dados não rotulados. Entender o significado por trás desses dados requer
algoritmos que classificam os dados com base nos padrões encontrados.

O aprendizado não supervisionado conduz um processo iterativo,

analisando dados sem intervenção humana. Exemplo: É usado com
tecnologia de detecção de spam por e-mail.
 12

Deep learning utiliza grandes redes neurais com muitas camadas de

unidades de processamento, aproveitando-se de avanços no poder
computacional (Big Data) e em técnicas de treinamento aprimoradas para
aprender padrões complexos em grandes quantidades de dados. Aplicações
comuns incluem reconhecimento de imagem e fala.

A aprendizagem profunda é responsável por avanços recentes em

visão computacional, reconhecimento de fala, processamento de linguagem
natural e reconhecimento de áudio. O aprendizado profundo é baseado no
conceito de redes neurais artificiais, ou sistemas computacionais que
imitam a maneira como o cérebro humano funciona.
 13

USO DA DEEP LEARNING

Reconhecimento de fala

Empresas e universidades adotaram o deep learning para o

reconhecimento de fala. Xbox, Skype, Google Now e a Siri®, por exemplo,
empregam tecnologias de deep learning em seus sistemas para reconhecer
padrões de fala e voz.

Processamento de linguagem natural

Redes neurais, um componente central de deep learning, têm sido

usadas para analisar e processar textos escritos há muitos anos. Uma
especialização da mineração de texto, essa técnica pode ser usada para
descobrir padrões em reclamações de clientes, relatórios médicos ou
boletins informativos, por exemplo.
 14

Reconhecimento de imagem

Uma aplicação prática do reconhecimento de imagem é a legendação

(ou descrição de cena) automática. Isso pode ser crucial em investigações
criminais para identificar atividades transgressoras em meio a milhares de
fotos enviadas por quem estiver presente em áreas onde um crime ocorreu.
Os carros autônomos também serão beneficiados com reconhecimento de
imagem através do uso de câmeras com tecnologia 360º.

Sistemas de recomendação

A Amazon e a Netflix popularizaram o conceito de sistemas de

recomendação através de boas chances de acertar no que você pode estar
interessado depois de realizar uma ação, a partir de comportamentos
anteriores. O deep learning pode ser usado para aprimorar as
recomendações em ambientes complexos, como para músicas ou
preferências de roupas em múltiplas plataformas.

Os Domínios da Inteligência Artificial

 15

As aplicações da IA podem ser agrupadas em três áreas principais:

1 - Ciência Cognitiva

Esta área da inteligência artificial é baseada em pesquisas em

biologia, neurologia, psicologia, matemática e muitas disciplinas afins. Ela
se concentra em pesquisar como o cérebro humano funciona e como os
seres humanos pensam e aprendem. Os resultados dessas pesquisas em
processamento humano de informações são a base para o desenvolvimento
de uma diversidade de aplicações de inteligência artificial
computadorizadas.

As aplicações da IA na área da ciência cognitiva incluem:

• Sistemas Especialistas – Um sistema de informação

computadorizado que utiliza seu conhecimento sobre uma área de
aplicação específica e complexa para atuar como um consultor
especializado para os usuários. O sistema consiste em uma base de
conhecimento e módulos de software que executam inferências no
conhecimento e transmitem respostas para as perguntas de um
usuário.

• Sistemas Baseados no Conhecimento – Um sistema de

informação que adiciona uma base de conhecimento e algumas
faculdades de raciocínio ao banco de dados e a outros componentes
encontrados em outros tipos de sistemas de informação
computadorizados.
 16

• Sistemas de Aprendizagem Adaptativa – Um sistema de

informação que pode modificar seu comportamento com base em
informações adquiridas enquanto opera.

• Sistemas de Lógica Difusa – Sistemas computadorizados que

podem processar dados incompletos ou apenas parcialmente
corretos. Esses sistemas podem resolver problemas não estruturados
com conhecimento incompleto mediante o desenvolvimento de
inferências e respostas aproximadas.

• Rede Neural – o software pode aprender processando exemplos de

problemas e suas soluções. À medida que as redes neurais começam
a reconhecer padrões, elas podem começar a se programar para
resolver esses problemas por si mesmas.

• Algoritmo Genético – o software utiliza a randomização darwiniana

(sobrevivência do mais apto) e outras funções matemáticas para
simular processos evolutivos que podem gerar soluções cada vez
melhores para os problemas.

• Agentes Inteligentes – Utilizam sistema especialista e outras

tecnologias de IA para atuarem como substitutos de software para
uma diversidade de aplicações dos usuários finais.
 17

As aplicações da IA podem ser agrupadas em três áreas principais:

2- Robótica

IA, engenharia e fisiologia são as disciplinas básicas da robótica. Esta

tecnologia produz máquinas-robôs com faculdades físicas semelhantes às
humanas, inteligência de computador e controle por computador.

As aplicações da IA na área da Robótica incluem:

• 1. Percepção visual (visão)

• 2. Faculdades táteis (tato)

• 3. Destreza (habilidade no manuseio e manipulação)

• 4. Locomoção (capacidade para se mover sobre qualquer terreno)

• 5. Condução (encontrar adequadamente seu caminho até um ponto

de destino)
 18

As aplicações da IA podem ser agrupadas em três áreas principais:

3- Interface Natural

O desenvolvimento de interfaces naturais é considerado uma das

principais áreas de aplicação da IA e é essencial ao uso natural de
computadores por seres humanos. O desenvolvimento de linguagens
naturais e reconhecimento do discurso, por exemplo, são importantes
objetivos desta área. Ser capaz de conversar com computadores e robôs
em linguagens humanas de conversação e conseguir que eles nos
“compreendam” é uma meta da pesquisa da IA. Esta área de aplicação
envolve pesquisa e desenvolvimento em linguística, psicologia, informática
e outras disciplinas.

As aplicações da IA na área da Interface Natural incluem:

• Linguagem Natural – uma linguagem de programação que é muito

próxima da linguagem humana. Além disso, é chamada de linguagem
de alto nível.

• Interfaces Multi-sensoriais – A capacidade que os sistemas de

computadores possuem para reconhecer uma diversidade de
movimentos do corpo humano que lhes permite operar.

• Reconhecimento de voz – A capacidade que um sistema de

computador possui para reconhecer modelos de voz e para operar
utilizando esses modelos.
 19

• Realidade Virtual – A utilização de interfaces multissensoriais

homem- computador que permitem aos usuários humanos
experimentarem objetos, entidades, espaços e “mundos” simulador
por computador como se estes realmente existissem.

DIRETO DO CONCURSO

1- (CESPE/INMETRO/PESQUISADOR) As diversas aplicações da

inteligência artificial podem ser agrupadas em três grandes áreas: ciência
cognitiva, robótica e interfaces naturais. Assinale a opção correspondente
aos itens relacionados à ciência cognitiva.

A) sistemas de aprendizagem, lógica delphi e locomoção

B) sistemas especialistas, lógica difusa e algoritmos genéticos.

C) reconhecimento do discurso, realidade virtual e sensoriamento

remoto.

D) condução física, e-business e algoritmos matriciais.

E) lógica vetorial, percepção visual e destreza.

Comentário

Gabarito: LETRA B.

Ciência Robótica = sistemas especialistas, lógica difusa e algoritmos

genéticos.

Big Data
 20

É a área do conhecimento que estuda como tratar, analisar e obter

informações a partir de conjuntos de dados grandes demais para serem
analisados por sistemas tradicionais. Big Data é um conjunto de dados
extremamente amplos que, por isto, necessitam de ferramentas especiais
para comportar o grande volume de dados que são encontrados, extraídos,
organizados, transformados em informações que possibilitam uma análise
ampla e em tempo hábil.

BIG DATA = GRANDES DADOS OU GRANDES VOLUMES

DE DADOS?

Na verdade, não é simplesmente o volume de dados que define o Big

Data, o conceito é calcado em um pilar de 5 itens...
 21

VOLUME – VOLUME DOS DADOS (Relacionado ao volume de

dados gerados)

O conceito de volume no Big Data é melhor evidenciado pelos fatos

do quotidiano: diariamente, o volume de troca de e-mails, transações
bancárias, interações em redes sociais, registro de chamadas e tráfego de
dados em linhas telefônicas. Todos esses servem de ponto de partida para
a compreensão do volume de dados presentes no mundo atualmente. Pense
em todos os e-mails, mensagens de Twitter, fotos e vídeos que circulam na
rede a cada instante. Não são terabytes e sim zetabytes etc. Só no Facebook
são 10 bilhões de mensagens, 4,5 bilhões de curtidas e 350 milhões de
fotos compartilhadas todos os dias.

• 1 Byte = 8 bits

• 1 kilobyte (KB ou Kbytes) = 1024 bytes

• 1 megabyte (MB ou Mbytes) = 1024 kilobytes

 22

• 1 gigabyte (GB ou Gbytes) = 1024 megabytes

• 1 terabyte (TB ou Tbytes) = 1024 gigabytes

• 1 petabyte (PB ou Pbytes) = 1024 terabytes

• 1 exabyte (EB ou Ebytes) = 1024 petabytes

• 1 zettabyte (ZB ou Zbytes) = 1024 exabytes

• 1 yottabyte (YB ou Ybytes) = 1024 zettabytes

VELOCIDADE – VELOCIDADE DOS DADOS (agilidade)

Hoje para alguns negócios, 1 minuto pode ser muito tempo, detecção
de fraudes, liberações de pagamentos, análises de dados médicos ou
qualquer outra informação sensível a tempo. A maior parte dos projetos de
DW/BI (Data Warehouse e Business Intelligence) ainda tem latência em D-
1, ou seja, carregamos o dia anterior. Ainda acreditamos que essa solução
se aplique a muitos negócios, porém, para algumas análises, quanto mais
próximo do tempo real, maior pode ser o incremento de negócio.
 23

VARIEDADE – DADOS VARIADOS

Big Data também poderia ser considerado como Any Data (qualquer
dado), hoje temos capacidade de capturar e analisar dados estruturados e
não estruturados, texto, sensores, navegação Web, áudio, vídeo, arquivos
de logs, catracas, centrais de ar condicionado, entre outros.

• O Facebook armazena, acessa e analisa mais de 50 petabytes de

informações geradas pelos usuários, a cada mês são gerados mais de
700 milhões de minutos por mês.

• A cada minuto são feitos uploads de 48 horas de vídeos no Youtube,

ou seja, nunca ninguém conseguirá assistir todos os vídeos do
Youtube.

• Diariamente mais de 500 milhões de mensagens são enviadas pelo

Twitter, com uma média de 5700 TPS (Twittes per Second ou
Mensagens por Segundo), o recorde é de 143.199 TPS.

• O Google processa diariamente mais de 3 bilhões de pesquisas em

todo o mundo, sendo desse total 15% totalmente inéditas. Seu
“motor” de pesquisa rastreia 20 bilhões de sites diariamente,
armazenando 100 petabytes de informação. Sem contar todas as
informações que as companhias geram diariamente, sejam elas
estruturadas ou não.
 24

DADOS

• Dados estruturados: são armazenados em bancos de dados,

sequenciados em tabelas.

• Dados semiestruturados: acompanham padrões heterogêneos, são

mais difíceis de serem identificados pois podem seguir diversos
padrões.

• Dados não estruturados: são uma mistura de dados com fontes

diversificadas como imagens, áudios e documentos online.

Dentre essas 3 categorias, estima-se que até 80% de todos os dados

no mundo estão a forma de dados não estruturados. (ICD, 2018).

VERACIDADE – DADOS VERDADEIROS x FAKE NEWS

Um dos pontos mais importantes de qualquer informação é que ela

seja verdadeira. Com o Big Data não é possível controlar cada hashtag do
Twitter ou notícia falsa na internet, mas com análises e estatísticas de
grandes volumes de dados é possível compensar as informações incorretas.
 25

VALOR – INFORMAÇÃO ÚTIL

O último V é o que torna Big Data relevante: tudo bem ter acesso a
uma quantidade massiva de informação a cada segundo, mas isso não
adianta nada se não puder gerar valor. É importante que empresas entrem
no negócio do Big Data, mas é sempre importante lembrar dos custos e
benefícios e tentar agregar valor ao que se está fazendo.
 26

TIPOS BÁSICOS DE DADOS

• Social Data: Dados coletados de redes sociais ou ambientes de

interação entre usuários, geralmente demográficos e
comportamentais, ou seja, ditam um padrão de um determinado
grupo com as mesmas característica. O Social Data é muito utilizado
na análise de campanhas de marketing, de maneira a oferecer um
serviço ou produto mais personalizado de acordo com diferentes
segmentos.

• Enterprise Data: Na tradução literal Dados Empresariais, coletados

pelo RH de empresas, setores de vendas, finanças, logística e
produção, esses dados são atributos sobre funcionários e setores
diferentes dentro de um ambiente empresarial, podem ser utilizados
para otimizar processos e identificar falhas ou fraudes dentro de uma
determinada seção, esse tipo de dado é um marco de investimento
estratégico de grandes empresas, que visam minimizar gastos e
otimizar lucros.

• Personal Data: Dados pessoais, facilmente relacionados ao conceito

da Internet das coisas, são dados obtidos através de aparelhos de uso
pessoal ou coletivo, tais como smartphones, geladeiras, televisões,
carros, etc. Esse tipo de dado mostra as preferências pessoais de um
determinado indivíduo através do estudo de padrões, por meio do uso
do Personal Data é possível desenvolver metodologias personalizadas
de interação com o cliente, de maneira a tornar a relação com o
produto menos mecanizada e robotizada.
 27

DIRETO DO CONCURSO

Em um big data, alimentado com os dados de um sítio de comércio

eletrônico, são armazenadas informações diversificadas, que consideram a
navegação dos usuários, os produtos comprados e outras preferências que
o usuário demonstre nos seus acessos.

Tendo como referência as informações apresentadas, julgue o item

seguinte.

2- (CESPE/DPF/PERITO) Pelo monitoramento do tráfego de rede no

acesso ao sítio em questão, uma aplicação que utiliza machine learning é
capaz de identificar, por exemplo, que os acessos diminuíram 20% em
relação ao padrão de acesso em horário específico do dia da semana.

Comentário

Gabarito: CERTO.

Seria um uso fundamental de machine learning, concorda?! Com

esses dados, decisões poderão ser tomadas.

3- (CESPE/TCE.RO/ANALISTA) Com relação a fundamentos e

conceitos de Big Data, julgue os itens a seguir.

I. O volume de dados é uma característica importante de Big

Data.

II. Em Big Data, a qualidade do dado não tem importância, porque

a transformação dos dados não impacta os negócios.

III. A característica de velocidade de entrada dos dados impacta o

modelo de processamento e armazenamento.

IV. A variedade dos dados não é característica intrínseca nos

fundamentos de Big Data.
 28

Estão certos apenas os itens

A) I e II.

B) I e III.

C) II e IV

D) I, III e IV.

E) II, III e IV.

Comentário

Gabarito: LETRA B.

II- Qualidade do dado tem importância e impacta os negócios. IV- A

variedade é uma característica intrínseca.

4- (CESPE/TCU/AUDITOR) Devido à quantidade de informações

manipuladas, a (cloud computing) computação em nuvem torna-se inviável
para soluções de big data.

Comentário

Gabarito: ERRADO.

Computação em nuvem e Big data, formam um casamento perfeito,

de acordo com o que estudamos.

5- (CESPE/TJ.SE/ANALISTA) Em soluções Big Data, a análise dos

dados comumente precisa ser precedida de uma transformação de dados
não estruturados em dados estruturados.

Comentário

Gabarito: CERTO.
 29

O dado não estruturado pode ser convertido em dados estruturados

ou semiestruturados. Da mesma forma, os dados de imagem, áudio e vídeo
precisam ser convertidos nos formatos que podem ser usados para análise.

6- (ESAF/ANAC?ANALISTA) Big Data é:

A. volume + variedade + agilidade + efetividade, tudo agregando

+ valor + atualidade.

B. volume + oportunidade + segurança + veracidade, tudo

agregando + valor.

C. dimensão + variedade + otimização + veracidade, tudo

agregando + agilidade.

D. volume + variedade + velocidade + veracidade, tudo

agregando + valor.

E. volume + disponibilidade + velocidade + portabilidade, tudo

requerendo - valor.

Gabarito: LETRA D.

Lembra dos 5Vs? Não esquece porque é a base da máteria.

7- (CESPE/DPF/PAPILOSCOPISTA) De maneira geral, big data não se

refere apenas aos dados, mas também às soluções tecnológicas criadas
para lidar com dados em volume, variedade e velocidade significativos.

Comentário

Gabarito: CERTO.

Exatamente, é a soma de todo esse contexto com os Vs.

 30

8- (FCC/SEFAZ.SC/AUDITOR) No âmbito da ciência de dados na

definição de Big Data, utilizam-se características ou atributos que alguns
pesquisadores adotam como sendo os cinco Vs. Porém, a base necessária
para o reconhecimento de Big Data é formada por três propriedades:

A. valor, velocidade e volume.

B. valor, veracidade e volume.

C. variedade, velocidade e volume.

D. variedade, valor e volume.

E. velocidade, veracidade e volume.

Comentário

Gabarito: LETRA C.

Ou pedem os 5Vs ou 3Vs, como nessa questão.

9- (IADES/APEX.BRASIL/ANALISTA) Assinale a alternativa que

apresenta o conceito de Big Data.

A. Conjuntos de dados de grande volume que se utilizam de

ferramentas especiais de processamento, pesquisa e análise, e
que podem ser aproveitados no tempo necessário, com precisão
e grande velocidade.

B. São bancos de dados de fácil acesso e rápida velocidade,

operados como computadores pessoais.

C. Manuseio de informações necessárias às empresas e aos

negócios do mundo moderno, que podem ser armazenadas em
computadores pessoais, utilizando-se a técnica de nuvem de
dados.
 31

D. São apenas grandes volumes de dados que precisam ainda ser

mais bem aproveitados pelo mundo corporativo.

E. Refere-se a um grande número de computadores pessoais (PC)

interligados entre si em uma grande rede de informação.

Comentário

Gabarito: LETRA A.

As alternativas erradas deram boas dicas ao utilizarem o termo

“computador pessoal” que não se aplica a Big Data. E já são bem
aproveitados no mundo corporativo.

Chegamos ao fim de mais uma aula.

Espero que tenha gostado e aprendido muito sobre esses conceitos

sobre os principais navegadores do mercado.

Até a próxima aula!!

Fabrício Melo

@infocomfabricio

Não esqueça de avaliar a nossa aula! ☺