Quiz do Módulo 2: Controle de Versão para ML

Teste seu entendimento sobre práticas de controle de versão para projetos de ML com estas 30 perguntas.

---

Pergunta 1

Para que o DVC é usado principalmente em projetos de ML?

1. Formatação de código
2. Versionamento de dados e modelos junto com o código
3. Fazer deploy de modelos em produção
4. Monitoramento de performance do modelo

---

Pergunta 2

Qual arquivo o DVC cria ao rastrear um arquivo de dados?

1. .dvcconfig
2. Arquivo .dvc (ex.: data.csv.dvc)
3. .dvcignore
4. .gitattributes

---

Pergunta 3

Qual é o propósito do .gitignore em um projeto de ML?

1. Ignorar todos os arquivos Python
2. Excluir arquivos do rastreamento do Git (como grandes conjuntos de dados e modelos)
3. Ignorar todos os arquivos DVC
4. Rastrear apenas arquivos importantes

---

Pergunta 4

Qual comando inicializa o DVC em um projeto?

1. dvc start
2. dvc setup
3. dvc init
4. dvc create

---

Pergunta 5

Para que serve o Git LFS?

1. Gerenciar branches do Git
2. Gerenciar arquivos grandes em repositórios Git
3. Fazer deploy de repositórios Git
4. Criar hooks do Git

---

Pergunta 6

Na versionamento semântico (ex.: 2.1.3), o que representa o número do meio?

1. Versão major (mudanças incompatíveis)
2. Versão minor (novas funcionalidades, compatível com versões anteriores)
3. Versão patch (correção de bugs)
4. Número de build

---

Pergunta 7

O que faz o comando dvc push?

1. Envia código para o GitHub
2. Faz upload dos dados/modelos rastreados para o armazenamento remoto
3. Cria um novo branch DVC
4. Instala dependências do DVC

---

Pergunta 8

Quais backends de armazenamento o DVC suporta para armazenamento remoto?

1. Apenas armazenamento local
2. Apenas AWS S3
3. S3, GCS, Azure, SSH e outros
4. Apenas armazenamento em nuvem

---

Pergunta 9

O que é um model registry?

1. Um banco de dados de dados de treinamento
2. Um repositório centralizado para armazenar, versionar e gerenciar modelos de ML
3. Um banco de dados governamental de modelos de IA
4. Uma lista de hiperparâmetros do modelo

---

Pergunta 10

Qual ferramenta oferece o recurso de model registry?

1. Git
2. Apenas DVC
3. MLflow
4. Docker

---

Pergunta 11

O que é model lineage?

1. O número de camadas em uma rede neural
2. Rastreamento do histórico completo desde os dados até o deploy do modelo
3. A idade de um modelo em produção
4. A árvore genealógica de arquiteturas de modelos

---

Pergunta 12

O que faz o comando dvc repro?

1. Reporta erros no pipeline
2. Reproduz o pipeline de ML executando os estágios necessários
3. Replica o repositório
4. Cria um backup do repositório

---

Pergunta 13

Qual arquivo define os pipelines do DVC?

1. pipeline.yaml
2. dvc.yaml
3. Dvcfile
4. stages.yaml

---

Pergunta 14

Qual é o propósito dos pre-commit hooks em projetos de ML?

1. Pré-treinar modelos
2. Executar verificações automáticas antes dos commits (lint, formatação, etc.)
3. Fazer commit do código automaticamente
4. Criar mensagens de commit

---

Pergunta 15

O que o nbstripout faz com notebooks Jupyter?

1. Remove células de código dos notebooks
2. Remove células de saída e metadados antes do commit
3. Converte notebooks em scripts Python
4. Criptografa o conteúdo do notebook

---

Pergunta 16

No MLflow, em quais estágios uma versão de modelo pode estar?

1. Draft, Published, Deleted
2. None, Staging, Production, Archived
3. New, Testing, Live, Deprecated
4. Created, Validated, Deployed

---

Pergunta 17

O que é uma model card?

1. Um cartão físico contendo os pesos do modelo
2. Documentação estruturada descrevendo o propósito, desempenho e limitações de um modelo
3. Um cartão de crédito para computação em nuvem
4. Uma visualização da arquitetura do modelo

---

Pergunta 18

Qual comando exibe o pipeline do DVC como um grafo?

1. dvc graph
2. dvc show
3. dvc dag
4. dvc pipeline

---

Pergunta 19

Qual é a estratégia de branching recomendada para experimentos de ML?

1. Todos os experimentos na branch main
2. Branches separadas para experimentos que podem ser mescladas quando bem-sucedidas
3. Sem branching, apenas tags
4. Uma branch por cientista de dados

---

Pergunta 20

O que faz o comando dvc checkout?

1. Faz checkout do código do git
2. Atualiza os arquivos de dados do workspace para coincidir com o commit atual do Git
3. Valida a integridade dos dados
4. Remove todos os dados rastreados

---

Pergunta 21

Por que a reprodutibilidade é importante em projetos de ML?

1. Para fazer o código rodar mais rápido
2. Para recriar os mesmos resultados com as mesmas entradas para validação e depuração
3. Para reduzir custos de armazenamento
4. Para automatizar o deploy

---

Pergunta 22

Quais informações devem ser rastreadas para model lineage?

1. Apenas o arquivo do modelo
2. Apenas o código de treinamento
3. Versão do código, versão dos dados, hiperparâmetros, ambiente e métricas
4. Apenas a configuração de deploy

---

Pergunta 23

Qual é o propósito do dvc.lock?

1. Impedir que outros executem o pipeline
2. Registrar o estado exato dos inputs e outputs para reprodutibilidade
3. Travar arquivos para edição
4. Criptografar dados sensíveis

---

Pergunta 24

Qual comando executa experimentos DVC com diferentes parâmetros?

1. dvc run --params
2. dvc exp run --set-param
3. dvc experiment new
4. dvc params set

---

Pergunta 25

Qual é a forma recomendada de lidar com notebooks Jupyter no controle de versão?

1. Rastrear todas as saídas para reprodutibilidade
2. Remover as saídas antes do commit e/ou usar Jupytext
3. Nunca versionar notebooks
4. Converter todos os notebooks em PDFs

---

Pergunta 26

O que a validação de modelo em um registry normalmente inclui?

1. Apenas verificar se o arquivo do modelo existe
2. Testes de performance, checagem de latência e comparação com produção
3. Apenas revisão de código
4. Apenas revisão de documentação

---

Pergunta 27

O que é Jupytext?

1. Um editor de texto para Jupyter
2. Uma ferramenta que mantém notebooks e scripts Python sincronizados
3. Um tema para Jupyter
4. Uma ferramenta de criptografia de notebooks

---

Pergunta 28

No DVC, o que é um remote?

1. Uma máquina remota para treinamento
2. Local de armazenamento externo para arquivos de dados e modelos
3. Um repositório Git remoto
4. Uma conexão de desktop remoto

---

Pergunta 29

Qual é o benefício de convenções de mensagens de commit em projetos de ML?

1. Deixar os commits mais profissionais
2. Criar um histórico claro e pesquisável das mudanças por tipo (dados, modelo, treinamento)
3. Exigido pelo GitHub
4. Corrige o código automaticamente

---

Pergunta 30

O que deve motivar um aumento de versão de modelo de 1.0.0 para 2.0.0?

1. Qualquer novo treinamento do modelo
2. Correções de bugs
3. Mudanças incompatíveis como nova arquitetura ou alterações incompatíveis na API
4. Adicionar documentação

---

🎉 Quiz Concluído!

Você concluiu o quiz do Módulo 2. Revise as perguntas que errou e retorne às seções relevantes.

Interpretação da Pontuação:

• 27-30 corretas: Excelente! Você domina controle de versão para ML.
• 22-26 corretas: Bom entendimento, revise os tópicos que errou.
• 17-21 corretas: Razoável, recomenda-se reler o módulo.
• Abaixo de 17: Revise todo o módulo antes de prosseguir.

---

Próximo: Módulo 3: Experiment Tracking