Clase1-MachineLearningII

¿Qué tipo de aprendizaje utiliza datos etiquetados con resultados correctos conocidos para entrenar un modelo?

• Aprendizaje supervisado
• Aprendizaje no supervisado
• Aprendizaje por refuerzo

En un problema de aprendizaje supervisado, ¿qué término describe las clases o valores que queremos predecir?

• Objetivos
• Características
• Parámetros
• Hiperparámetros

¿Cuál de las siguientes NO es una aplicación típica del aprendizaje no supervisado?

• Diagnosticar insuficiencia cardíaca
• Agrupamiento de tejidos cerebrales
• Detección de patrones ocultos en datos

¿Cuál es un ejemplo de un problema de clasificación binaria?

• Predecir si un paciente está sano o tiene insuficiencia cardíaca
• Predecir la dosis de un medicamento
• Agrupar tipos de cáncer

¿Cómo se llama la técnica que divide los datos en subconjuntos para evaluar el rendimiento del modelo de manera robusta?

• Validación cruzada
• Muestreo estratificado
• Preprocesamiento de datos

¿Cuál es el propósito de dividir los datos en conjuntos de entrenamiento, validación y prueba?

• Evitar el sobreajuste y evaluar la generalización del modelo
• Acelerar el tiempo de entrenamiento
• Reducir el tamaño del modelo

¿Qué técnica se utiliza para mejorar la calidad de los datos cuando tenemos pocos ejemplos?

• Aumento de datos
• Imputación de datos
• Regularización

¿Qué pasa cuando un modelo de aprendizaje automático aprende demasiado bien los datos de entrenamiento, pero tiene un rendimiento deficiente con datos nuevos?

• Sobreajuste
• Subajuste
• Generalización

¿Cuál es el objetivo principal del agente en el aprendizaje por refuerzo?

• Maximizar las recompensas acumuladas
• Minimizar las penalizaciones
• Optimizar las características

En un problema de regresión, ¿qué queremos predecir?

• Un valor numérico continuo
• Una clase discreta
• Un hiperparámetro