(Originais Teachy 2023) - Questão Fácil de Programação em Python

Em um projeto de aprendizado de máquina utilizando a biblioteca Scikit-learn, um cientista de dados está trabalhando com um conjunto de dados que contém atributos categóricos e numéricos. Para que esses dados possam ser utilizados em um modelo de classificação supervisionada, é necessário realizar a codificação dos atributos categóricos, bem como a padronização ou normalização dos atributos numéricos, a fim de evitar viés no treinamento do classificador. Considerando as etapas de preparação de dados em um fluxo de aplicação de técnicas de machine learning com Scikit-learn, qual o procedimento adequado para codificação de atributos categóricos e para a padronização dos atributos numéricos no contexto deste projeto?

Durante a aula de Programação em Python, os alunos do 1° ano do ensino médio estão se preparando para o projeto final, no qual deverão aplicar os conceitos aprendidos para resolver um problema prático. O projeto envolve o desenvolvimento de um aplicativo simplificado para gerenciamento de tarefas, que permite aos usuários criar, listar, atualizar e deletar tarefas. Considerando as etapas iniciais do projeto, os alunos precisam definir o problema a ser resolvido, selecionar as tecnologias mais adequadas para a implementação do aplicativo e criar um plano de projeto que inclua as etapas de desenvolvimento, testes e documentação. Com base nos conhecimentos de planejamento e design de projetos, e considerando a importância de uma boa arquitetura de software e interface amigável para o usuário, qual seria o passo inicial fundamental para o planejamento do projeto e por que ele é crucial para o sucesso da implementação? (ENEM - Inep)

Ao desenvolver um modelo de Machine Learning em Python, um passo importante é a avaliação do desempenho do modelo. Uma prática comum é a utilização de técnicas de validação cruzada para estimar a capacidade de generalização do modelo. Considerando um cenário em que um estudante está aprendendo a usar a biblioteca 'scikit-learn' para criar e avaliar modelos de classificação, e deseja entender como a validação cruzada ajuda a selecionar o melhor modelo, qual método da biblioteca 'scikit-learn' permite realizar a avaliação de um modelo através de uma validação cruzada com k partições, onde k é um parâmetro ajustável que determina o número de subdivisões dos dados para o treinamento e teste do modelo?

Durante um projeto de ciências, um grupo de alunos do ensino médio decidiu criar um sistema para organizar e analisar os dados coletados em uma pesquisa sobre o clima. Eles planejaram usar Python para ler um grande volume de dados de um arquivo de texto, processar as informações e gerar estatísticas de saída para apresentar em gráficos. O arquivo original contém medidas de temperatura e umidade, sendo que cada linha segue o formato 'data, temperatura (°C), umidade (%)'. Os alunos precisam desenvolver um código que não apenas leia e processe o arquivo corretamente, mas também tenha um desempenho eficiente, considerando o tamanho do arquivo e a necessidade de apresentar resultados em tempo hábil. Qual método de leitura e processamento de arquivos em Python é o mais apropriado para este cenário, levando em conta a otimização do tempo de execução e a eficiência na manipulação de grandes volumes de dados?