Ciencia de Datos 001 - Prueba Sesión 6

¿Cuál de las siguientes no es una categoría principal de aprendizaje automático?

• Aprendizaje supervisado

• Aprendizaje no supervisado

• Aprendizaje no semisupervisado

• Aprendizaje semisupervisado

¿Qué tipo de datos no incluye un punto cero verdadero?

• Escala de razón

• Datos discretos

• Datos continuos

• Escala de intervalo

¿Cuál de las siguientes técnicas no se utiliza en la minería de datos para segmentar clientes?

• K-means

• Regresión logística

• DBSCAN

• Análisis de conglomerados jerárquicos

¿Cuál es el objetivo principal del análisis descriptivo en la ciencia de datos?

• Predecir tendencias futuras

• Resumir datos históricos para entender cambios pasados

• Optimizar procesos empresariales

• Detectar patrones en datos no estructurados

¿Qué método de validación cruzada se usa para la evaluación de modelos?

• k-fold cross-validation

• b-fold cross-validation

• d-fold cross-validation

• g-fold cross-validation

¿Cuál de las siguientes no es una técnica de transformación de características mencionada en los estudios de caso?

• One-hot encoding

• PCA (Análisis de Componentes Principales)

• Normalización

• Codificación ordinal

¿Cuál es el propósito de la minería de datos en la estrategia empresarial?

• Reemplazar a los analistas de datos

• Extraer conocimiento valioso de grandes conjuntos de datos

• Simplificar los procesos de negocio

• Descubrir anomalías en los datos

¿Qué herramienta es para el monitoreo continuo de modelos de machine learning (precisión, f1-score, recall etc.) ?

• Apache Spark

• KNIME

• MLflow

• Tableau

¿Qué se utiliza en la validación cruzada en machine learning?

• Conjuntos de datos de entrenamiento y prueba

• Algoritmos de optimización

• Redes neuronales convolucionales

• Series temporales

¿Qué es la optimización de hiperparámetros en machine learning?

• El uso de datos para entrenar un modelo parámetros 'hiper'

• La validación de un modelo utilizando k-fold cross-validation

• El proceso de ajustar parámetros de un modelo para mejorar su rendimiento

• La recolección de datos para análisis hiperprofundo