Ciência de Dados e Inteligência Artificial
Fundamentos estatísticos
O candidato deve dominar medidas de tendência central e dispersão, distribuições, amostragem, correlação e causalidade. Entenda que correlação não implica causalidade e reconheça variáveis de confusão. Saiba ler probabilidades condicionais e o teorema de Bayes de forma conceitual, além de interpretar intervalos de confiança e testes de hipótese (erros tipo I e II).
Aprendizado de máquina
Diferencie aprendizado supervisionado (classificação e regressão), não supervisionado (agrupamento e redução de dimensionalidade) e por reforço. Compreenda divisão treino/teste, validação cruzada, overfitting e underfitting, além de métricas como acurácia, precisão, recall e F1. Em classificação desbalanceada, acurácia engana: prefira precisão, recall ou F1. Conheça também conceitos de IA generativa, viés algorítmico, explicabilidade e privacidade de dados (LGPD).
Armadilhas comuns
Questões confundem precisão com recall: precisão mede acertos entre os positivos previstos; recall, positivos encontrados entre os reais. Overfitting ocorre quando o modelo memoriza o treino e falha em dados novos. Não confunda dado estruturado com não estruturado. Cuidado com a ideia de que mais dados sempre resolvem tudo: qualidade e representatividade importam.
Exemplo resolvido
Um modelo sinaliza 100 transações como fraude; 80 são realmente fraudulentas, e existem 200 fraudes no total. Precisão = 80/100 = 80%; recall = 80/200 = 40%. Regra de ouro: o denominador da precisão é o total de positivos previstos; o do recall, o total de positivos reais.