Machine Learning

¿Qué hizo Alan Turing que fue relevante para la historia del machine learning?

• Inventó la máquina de Turing, que es un modelo abstracto de computación.

• Propuso el test de Turing, que es un criterio para evaluar la inteligencia artificial.

• Desarrolló el algoritmo de Turing, que es un método para resolver problemas de optimización.

• Todas las anteriores

¿Qué es el machine learning?

• Es una rama de la inteligencia artificial que se ocupa de crear sistemas que aprenden de los datos.

• Es una técnica de programación que se basa en el uso de reglas lógicas y heurísticas.

• Es una forma de estadística aplicada que se enfoca en el análisis y la predicción de datos

• Es una disciplina científica que estudia los procesos cognitivos y el comportamiento humano.

¿Cómo se pueden clasificar los algoritmos de machine learning según el tipo de aprendizaje?

• Supervisado, no supervisado y reforzado.

• Lineal, no lineal y polinomial.

• Determinista, estocástico y probabilístico.

• Secuencial, paralelo y distribuido.

¿Qué es un algoritmo?

• Es un conjunto de reglas o principios que se siguen para resolver un problema o tomar una decisión.

• Es una función matemática que se aplica a un conjunto de datos para transformarlos o clasificarlos.

• Es una secuencia finita y ordenada de instrucciones que se ejecutan para obtener un resultado

• Es una estructura de datos que almacena y organiza la información de forma eficiente

¿Cuáles son algunas características y ventajas del machine learning?

• Permite automatizar tareas complejas, adaptarse a nuevos escenarios y mejorar con la experiencia.

• Permite extraer conocimiento útil, descubrir patrones ocultos y generar predicciones precisas.

• Permite reducir el costo computacional, optimizar el uso de recursos y aumentar la eficiencia.

• Todas las anteriores. *

¿Qué diferencias e implicancias hay entre el sobreajuste (overfitting), el subajuste (underfitting) y el ajuste óptimo (optimalfitting) de los modelos de machine learning?

• El sobreajuste ocurre cuando el modelo se adapta demasiado a los datos de entrenamiento y pierde capacidad de generalización. El subajuste ocurre cuando el modelo no capta la complejidad de los datos y tiene un rendimiento bajo. El ajuste óptimo ocurre cuando el modelo tiene un buen equilibrio entre el sesgo y la varianza.

• El sobreajuste ocurre cuando el modelo tiene un alto sesgo y una baja varianza. El subajuste ocurre cuando el modelo tiene una baja varianza y un alto sesgo. El ajuste óptimo ocurre cuando el modelo tiene una varianza y un sesgo moderados

• El sobreajuste ocurre cuando el modelo tiene muchos parámetros y una alta complejidad. El subajuste ocurre cuando el modelo tiene pocos parámetros y una baja complejidad. El ajuste óptimo ocurre cuando el modelo tiene la complejidad adecuada para los datos

• Todas las anteriores son equivalentes.

¿Por qué es importante medir el rendimiento de los modelos de machine learning?

• Porque permite comparar diferentes modelos y elegir el más adecuado para el problema

• Porque permite evaluar si el modelo cumple con los objetivos y los requisitos establecidos.

• Porque permite detectar posibles errores, anomalías o mejoras en el modelo o en los datos.

• Todas las anteriores

¿Cuál es el flujo de trabajo típico de un proyecto de machine learning?

• Recopilar los datos, definir el problema, construir el modelo, preparar los datos, entrenar el modelo, explorar los datos, evaluar el modelo y desplegar el modelo.

• Definir el problema, recopilar los datos, explorar los datos, preparar los datos, construir el modelo, entrenar el modelo, evaluar el modelo y desplegar el modelo.

• Definir el problema, construir el modelo, recopilar los datos, preparar los datos, explorar los datos, entrenar el modelo, evaluar el modelo y desplegar el modelo.

• Recopilar los datos, explorar los datos, definir el problema, preparar los datos, construir el modelo, entrenar el modelo, evaluar el modelo y desplegar el modelo.

¿Cómo podemos tratar a los valores faltantes (missing values) en los datos? ¿Qué técnicas de imputación existen? ¿Cuándo aplicarlas?

• Podemos borrar los datos que faltan, poner el promedio o la moda de la variable, o usar otros métodos más complejos. La opción depende de cuántos y qué tipo de datos faltan, y de lo que queremos hacer con los datos.

• Podemos dejar los datos que faltan, poner cero o un valor cualquiera, o usar métodos más simples. La opción depende de cuántos y cómo son los datos, y de qué modelo vamos a usar.

• Podemos llenar los datos que faltan usando técnicas que usan otras variables. La opción depende de si la variable es numérica o no, y de cómo se relaciona con las otras variables.

• No podemos hacer nada con los datos que faltan porque cambian el resultado del análisis. Lo mejor es no tenerlos o quitarlos desde el principio.

¿Qué es la normalización de datos? ¿Cuándo se debe aplicar para un modelo de machine learning?

• Es un proceso que cambia la forma de los datos para que tengan una distribución normal, es decir, una curva en forma de campana. Se debe aplicar cuando los datos tienen valores extremos o asimétricos, y cuando el modelo asume que los datos siguen una distribución normal

• Es un proceso que cambia el tipo de los datos para que sean numéricos o categóricos. Se debe aplicar cuando los datos tienen formatos o estructuras diferentes, y cuando el modelo requiere un tipo específico de dato.

• Es un proceso que cambia la escala de los datos para que tengan un rango común, como entre 0 y 1. Se debe aplicar cuando los datos tienen unidades o magnitudes muy diferentes, y cuando el modelo se basa en la distancia o el ángulo entre los datos

• Es un proceso que cambia el contenido de los datos para que sean más relevantes o informativos. Se debe aplicar cuando los datos tienen ruido, errores o inconsistencias, y cuando el modelo se beneficia de tener más o menos variables.