Machine Learning Basics CITM

¿Cuál es el objetivo principal de la regresión lineal?

• El objetivo principal de la regresión lineal es predecir resultados categóricos.

• El objetivo principal de la regresión lineal es modelar la relación entre dos variables dependientes.

• El objetivo principal de la regresión lineal es ajustar una ecuación no lineal a los datos observados.

• El objetivo principal de la regresión lineal es modelar la relación entre una variable dependiente y una o más variables independientes ajustando una ecuación lineal a los datos observados.

¿Qué algoritmo se utiliza para la clasificación en el aprendizaje automático?

• Los algoritmos utilizados para la clasificación en el aprendizaje automático pueden ser: SVM, ANN, RNN, CNN

• El algoritmo de optimización

• Lasso y regresión lineal

• El algoritmo de K-means

¿Cuáles son las ventajas de utilizar redes neuronales para tareas de aprendizaje automático?

• Son incapaces de aprender de grandes cantidades de datos

• Tienen baja precisión en predicción y clasificación

• Solo pueden manejar tareas simples

• Algunas ventajas de usar redes neuronales para tareas de aprendizaje automático incluyen su capacidad para aprender de grandes cantidades de datos, su capacidad para manejar tareas complejas y su potencial para alta precisión en predicción y clasificación.

¿Qué es el overfitting en el aprendizaje automático?

• El overfitting ocurre cuando un modelo aprende los datos de entrenamiento de manera demasiado suelta, ignorando patrones y detalles importantes

• El overfitting en el aprendizaje automático ocurre cuando un modelo aprende los datos de entrenamiento demasiado bien, incluyendo ruido y fluctuaciones aleatorias, lo que lleva a un rendimiento deficiente en nuevos datos.

• El overfitting es cuando un modelo tiene un buen rendimiento en nuevos datos pero un rendimiento deficiente en los datos de entrenamiento

• El overfitting es un resultado deseable en el aprendizaje automático, lo que lleva a predicciones precisas

¿Cuáles son los métodos comunes para la evaluación de modelos en aprendizaje automático?

• Usar solo una métrica de evaluación

• Algunos métodos comunes para la evaluación de modelos en aprendizaje automático incluyen validación cross-validation, confusion matrix, accuracy, precision, recall, F1 score, y analisis ROC curve.

• Ignorar el desequilibrio en el conjunto de datos

• Adivinanza aleatoria

¿Cuál es la unidad básica de una red neuronal?

• La unidad básica de una red neuronal es una célula.

• La unidad básica de una red neuronal es una molécula.

• La unidad básica de una red neuronal es una neurona.

• La unidad básica de una red neuronal es un gen.

¿Cuál de los siguientes es un ejemplo de modelo de aprendizaje profundo (Deep Learning)?

• Árbol de decisión

• Red neuronal convolucional (CNN)

• Máquina de vectores de soporte (SVM)

• Regresión de Lasso

¿Qué es el aprendizaje supervisado en el contexto de la inteligencia artificial?

• La máquina aprende únicamente por ensayo y error sin intervención humana.

• La máquina aprende a partir de un conjunto de datos etiquetados.

• La máquina aprende sin ningún tipo de datos previos.

• La máquina aprende a partir de datos no estructurados y sin etiquetar.

¿Cuáles son los diferentes tipos de métricas de evaluación de modelos?

• Los diferentes tipos de métricas de evaluación de modelos incluyen precisión, exactitud, recall, puntuación F1, área bajo la curva ROC y error cuadrático medio.

• Error promedio

• Adivinanza aleatoria

• Error total

¿Cuál es el propósito de la función de activación en una red neuronal?

• La función de activación en una red neuronal es introducir no linealidades en el modelo, permitiendo que la red pueda aprender y representar relaciones complejas entre las entradas y las salidas.

• Hacer que la red neuronal sea más lenta

• Introducir solo relaciones lineales en el modelo

• Disminuir la complejidad del modelo