Despliegue del Modelo

¿Qué es la etapa de despliegue en el modelo CRISP-DM?

• La preparación de datos.

• La implementación del modelo en un entorno real.

• La selección de técnicas de modelado.

• La exploración de datos.

¿Cuál es el propósito principal del despliegue?

• Diseñar nuevos modelos.

• Realizar análisis exploratorio de datos.

• Hacer operativo el modelo para apoyar decisiones empresariales.

• Validar el modelo en pruebas internas.

¿Cuál de las siguientes actividades se realiza durante el despliegue?

• Selección de algoritmos.

• Limpieza de datos.

• Creación de reportes para usuarios finales.

• Identificación de variables objetivo.

¿Qué herramienta se utiliza comúnmente para visualizar resultados en el despliegue?

• TensorFlow.

• Tableau.

• NumPy.

• Scikit-learn.

¿Qué es crucial antes de implementar un modelo en un entorno operativo?

• Cambiar los objetivos del proyecto.

• Validar los resultados del modelo.

• Entrenar a nuevos empleados.

• Seleccionar un nuevo algoritmo.

¿Qué significa automatizar un modelo en la etapa de despliegue?

• Realizar análisis manuales de los datos.

• Permitir que el modelo genere predicciones automáticamente en un flujo continuo.

• Ajustar manualmente los parámetros del modelo.

• Reentrenar el modelo sin supervisión.

¿Qué herramienta puede ser útil para implementar modelos en producción?

• Excel.

• Docker.

• SPSS.

• Hadoop.

¿Qué se debe hacer si los datos cambian significativamente después del despliegue?

• Ignorar los cambios.

• Reentrenar el modelo con los nuevos datos.

• Modificar los resultados manualmente.

• Detener el uso del modelo.

¿Cuál es el objetivo del monitoreo después del despliegue?

• Detener el modelo cuando no funciona.

• Mejorar la calidad del modelo continuamente.

• Eliminar los datos antiguos.

• Reducir la complejidad de los datos.

¿Qué significa "deriva de datos"?

• Cambios en los datos que afectan la precisión del modelo.

• Incremento en el volumen de datos.

• Uso de datos incorrectos durante el entrenamiento.

• Pérdida de datos en la base de datos.