Aprendizaje de Máquina_DIP_BA

¿Qué es el aprendizaje supervisado?

• El aprendizaje supervisado se basa en datos no etiquetados.

• El aprendizaje supervisado es un método de aprendizaje automático que utiliza datos etiquetados para entrenar modelos.

• Es un método que no requiere entrenamiento previo.

• El aprendizaje supervisado se utiliza solo en redes neuronales.

¿Cuál es la diferencia entre aprendizaje supervisado y no supervisado?

• La diferencia es que el aprendizaje supervisado requiere datos etiquetados, y el no supervisado no.

• El aprendizaje no supervisado siempre requiere etiquetas.

• Ambos tipos de aprendizaje son idénticos.

• El aprendizaje supervisado no utiliza datos.

¿Por qué es útil aplicar técnicas de reducción de dimensionalidad en un conjunto de datos con muchas características?

• Para eliminar datos duplicados

• Para predecir resultados específicos

• Para disminuir el número de características, facilitando la visualización y análisis

• Para clasificar datos en categorías predefinidas

¿Cuál es el objetivo principal de utilizar técnicas de aprendizaje no supervisado para agrupar clientes en diferentes segmentos?

• Dividir a los clientes en grupos con comportamientos similares

• Clasificar a los clientes como "satisfechos" o "insatisfechos"

• Calcular el promedio de compras por cliente

¿Qué es K-means clustering?

• K-means clustering es una técnica de visualización de datos que no requiere agrupamiento.

• K-means clustering es un método de regresión que predice valores continuos.

• K-means clustering es un método de agrupamiento que organiza datos en K grupos basados en la similitud.

¿Cuáles son las etapas del algoritmo K-means?

• Inicialización, clasificación, optimización

• Repetición, agrupación, análisis

• Las etapas del algoritmo K-means son: inicialización, asignación, actualización y repetición.

• Asignación, evaluación, finalización

¿Qué significa PCA en el contexto de reducción de dimensionalidad?

• Transformación de Espacios de Datos

• Reducción de Variables Esenciales

• Análisis de Componentes Principales

• Análisis de Datos Avanzados

¿Cómo se utiliza PCA para reducir la dimensionalidad?

• PCA reduce la dimensionalidad al transformar los datos a un nuevo espacio definido por los componentes principales.

• PCA elimina todos los datos originales sin transformarlos.

• PCA solo se utiliza para clasificar datos sin reducir dimensiones.

• PCA aumenta la dimensionalidad al agregar más variables.

¿Qué son las redes neuronales?

• Las redes neuronales son modelos computacionales que simulan el funcionamiento del cerebro humano para el aprendizaje automático.

• Las redes neuronales son algoritmos que solo funcionan con datos estructurados.

• Las redes neuronales son dispositivos físicos que procesan datos en tiempo real.

• Las redes neuronales son sistemas de comunicación entre computadoras.

¿Qué tipo de problemas se pueden resolver con K-means?

• Problemas de clasificación de texto, logro asignar etiquetas como por ejemplo: positivo, negativo, y neutral.

• Problemas de regresión lineal.

• Problemas de predicción de series temporales.

• Problemas de agrupamiento y segmentación de datos.