Control de lectura - sesión 1

Machine Learning se refiere exclusivamente a la creación de modelos predictivos

• Verdadero

• Falso

Answer explanation

1. Falso – Machine Learning no se limita exclusivamente a la creación de modelos predictivos, también se usa en minería de datos y modelado.

¿Qué representa un modelo en Machine Learning?

• 1. Un conjunto de imágenes utilizadas en entrenamiento

• 1. Una relación matemática o probabilística entre variables

• 1. Un archivo de texto con datos

• 1. Una base de datos organizada

Answer explanation

1. Un modelo en Machine Learning define la relación entre variables para hacer predicciones

1. El aprendizaje supervisado utiliza datos sin etiquetas para entrenar modelos.

• Verdadero
• Falso

Answer explanation

1. Falso – El aprendizaje supervisado sí utiliza datos etiquetados para entrenar los modelos

Un modelo de Machine Learning con alto sesgo y baja varianza tiende a sobreajustarse a los datos.

• Falso
• Verdadero

Answer explanation

1. Falso – Un modelo con alto sesgo y baja varianza no tiende a sobreajustarse, sino a subajustarse.

1. ¿Cuál de las siguientes es una aplicación común de Machine Learning?

• 1. Clasificar emails como spam o no spam

• 1. Graficar dashboards descriptivos

• 1. Controlar la temperatura de un refrigerador

• 1. Traducir documentos a mano

Answer explanation

1. Clasificar emails como spam o no spam es una de las aplicaciones más comunes de Machine Learning. Recuerda que la idea acá es predecir, no contar lo que ya sucedió

El sobreajuste ocurre cuando un modelo generaliza bien en datos nuevos.

• Falso
• Verdadero

Answer explanation

1. Falso – El sobreajuste ocurre cuando un modelo aprende demasiado los datos de entrenamiento y no generaliza bien en datos nuevos.

¿Cómo se puede evitar el sobreajuste en un modelo de Machine Learning?

• 1. Usando todos los datos de entrenamiento sin hacer pruebas

• 1. Dividiendo los datos en conjuntos de entrenamiento y prueba

• 1. Aumentando el número de capas en la red neuronal

• 1. Eliminando completamente los datos de entrenamiento

Answer explanation

Esta estrategia ayuda a prevenir el sobreajuste.

¿Cuál de las siguientes afirmaciones sobre la selección de características es correcta?

• 1. Tener más características siempre mejora el rendimiento del modelo

• 1. La selección de características ayuda a evitar el sobreajuste

• 1. Se deben incluir todas las variables disponibles sin analizarlas

• 1. No afecta significativamente al resultado del model

Answer explanation

Tener demasiadas características puede llevar al modelo a ajustarse demasiado a los datos de entrenamiento.

Cuando un modelo de Machine Learning tiene una alta varianza, ¿qué problema puede presentar?

• 1. No aprende lo suficiente de los datos de entrenamiento

• 1. Generaliza correctamente en cualquier conjunto de datos

• 1. Se adapta demasiado a los datos de entrenamiento y no funciona bien con nuevos datos

• 1. No es afectado por la cantidad de datos usados en el entrenamiento

Answer explanation

Un modelo con alta varianza no generaliza bien fuera del conjunto de entrenamiento.

Si queremos predecir el salario de una persona basado en sus años de experiencia, ¿qué tipo de modelo sería más adecuado?

• 1. Árbol de decisión

• 1. Modelo de regresión

• 1. Red neuronal convolucional

• 1. Clustering k-means

Answer explanation

La regresión es la mejor opción para predecir el salario en función de años de experiencia.