Julgue o próximo item, a respeito de bancos de dados relacionais e não relacionais. 

Bancos de dados NO-SQL são mais adequados para situações em que os dados tenham de ser altamente consistentes e transacionais, uma vez que sua estrutura flexível permite validações de integridade referencial e controles complexos de relacionamento entre os dados. 

Julgue o próximo item, a respeito de bancos de dados relacionais e não relacionais. 

O modelo relacional, embora seja eficiente para operações de leitura e escrita simples, pode se tornar ineficiente em situações que exijam processamento de grandes volumes de dados semiestruturados, como logs ou eventos. Já o modelo orientado a documentos é mais flexível para consultas complexas que envolvam múltiplas junções entre documentos, oferecendo melhor desempenho em comparação ao modelo relacional.

Em relação a BI (Business Intelligence) e visualização de dados, julgue o item que se segue. 

O gráfico de dispersão pode ser uma ferramenta útil para explorar a relação entre as variáveis, possibilitando uma análise visual inicial; no entanto, técnicas adicionais, como suavização por regressão local, transformação de variáveis ou o uso de gráficos alternativos (como histogramas bivariados), podem ser necessárias para revelar padrões mais claramente. 

Em relação a BI (Business Intelligence) e visualização de dados, julgue o item que se segue. 

Para um data warehouse com grande volume de dados históricos e consultas frequentes, o esquema estrela geralmente apresenta melhor desempenho que o esquema snowflake, pois minimiza a complexidade das junções entre tabelas.

Em relação a BI (Business Intelligence) e visualização de dados, julgue o item que se segue. 

Em uma arquitetura de BI típica, o data warehouse integra dados de várias fontes externas, realizando extração, transformação e carga (ETL) antes de eles serem disponibilizados para análise. 

Acerca de técnicas utilizadas na ciência de dados, julgue o item a seguir. 

O algoritmo Naive Bayes é inadequado para, por exemplo, a análise de dados de produção agrícola na previsão da qualidade de grãos de café, pois exige uma independência completa entre variáveis como pH do solo, umidade e temperatura, e não apresenta bons resultados quando essas variáveis são correlacionadas. 

Acerca de técnicas utilizadas na ciência de dados, julgue o item a seguir. 

A PCA (análise de componentes principais) é uma técnica que transforma variáveis correlacionadas em componentes principais ortogonais, o que permite a redução da dimensionalidade dos dados; a seleção dos componentes principais é realizada com base na variância explicada por cada componente. 

Acerca de técnicas utilizadas na ciência de dados, julgue o item a seguir. 

O algoritmo Apriori gera primeiro todos os itemsets individuais (itens) e, em seguida, combina-os para gerar itemsets de tamanho maior. Já o algoritmo FP-growth constrói uma estrutura de dados compacta denominada FP-tree, permitindo a mineração de itemsets frequentes sem gerar candidatos. Quanto à eficiência, o Apriori é mais rápido que o FP-growth devido à simplicidade de sua abordagem. 

Acerca de técnicas utilizadas na ciência de dados, julgue o item a seguir. 

O K-means exige a definição do número de clusters como parâmetro de entrada e tem um desempenho eficiente em grandes conjuntos de dados, mas é sensível a outliers e só funciona bem para clusters esféricos e de densidade semelhante. 

Acerca de técnicas utilizadas na ciência de dados, julgue o item a seguir. 

A métrica lift é usada para medir a dependência entre dois itens em uma regra de associação: se o lift de uma regra de associação entre dois itens A e B for maior que 1, então A e B obrigatoriamente aparecerão em conjunto mais frequentemente do que seria esperado se A e B fossem independentes.