Questão 66385

Uma professora de um curso de Licenciatura em Computação está introduzindo os conceitos de Aprendizagem de Máquina (Machine Learning). Ela quer que seus alunos, futuros professores, compreendam a diferença fundamental entre os dois principais tipos de aprendizagem supervisionada: classificação e regressão. Para isso, ela prepara uma atividade baseada em um conjunto de dados (dataset) sobre estudantes de uma escola fictícia, contendo as seguintes colunas: 'horas_de_estudo_semanal', 'numero_de_faltas', 'nota_semestre_anterior' e 'situacao_final'. Ela apresenta um trecho de 'Introduction to Machine Learning' de Ethem Alpaydin: "Na aprendizagem supervisionada, o objetivo é aprender um mapeamento a partir de entradas para saídas, com base em um conjunto de exemplos de pares entrada-saída. A natureza da saída determina o tipo de tarefa. Se a saída é um valor discreto, de uma categoria ou classe (ex: 'aprovado'/'reprovado', 'spam'/'não-spam'), a tarefa é de **classificação**. Se a saída é um valor contínuo, numérico (ex: preço de uma casa, temperatura de amanhã, nota final do aluno), a tarefa é de **regressão**." A professora então divide a turma em dois grupos e propõe dois problemas diferentes, usando o mesmo dataset inicial:

Problema A: Prever a 'situação_final' de um aluno, que pode ser 'Aprovado', 'Reprovado' ou 'Recuperação'.

Problema B: Prever a nota final exata de um aluno em uma escala de 0.0 a 10.0.

Os alunos devem identificar o tipo de tarefa de cada problema e selecionar um algoritmo apropriado.

Com base no referencial teórico e nos problemas propostos, qual é a análise correta das tarefas?