¿Cuál es la idea central de la metodología Bag-of-Words (BoW)?

• Crear vectores que capturen el significado semántico de las palabras.

• Representar un documento contando la frecuencia de cada palabra, ignorando el orden.

• Agrupar palabras en entidades como "Persona" o "Lugar".

Answer explanation

Justificación: BoW se enfoca únicamente en la frecuencia de las palabras (cuántas veces aparecen), tratando el documento como una "bolsa" donde el orden no importa.

¿Cuál es la principal limitación de los modelos basados en frecuencia como BoW y TF-IDF?

• Son muy lentos para procesar textos cortos.

• Solo funcionan para el idioma inglés.

• No entienden el significado (semántica) de las palabras ni su contexto.

Answer explanation

Justificación: Estos modelos no saben que "coche" y "auto" son sinónimos, ya que tratan cada palabra como un token único sin comprender su significado.

En el modelo TF-IDF, ¿qué mide el componente IDF (Inverse Document Frequency)?

• La frecuencia de una palabra dentro de un único documento.

• La importancia de una palabra, dándole más peso a las que son raras en todo el corpus.

• El número total de palabras en todo el corpus.

Answer explanation

Justificación: El IDF penaliza las palabras que son muy comunes en todos los documentos (como las stopwords) y premia a las que son raras y distintivas.

¿Para qué se utiliza TfidfVectorizer de Scikit-learn?

• Para entrenar un modelo de clasificación de texto.

• Para realizar el etiquetado gramatical (POS Tagging) de un texto.

• Para automatizar la creación de una matriz TF-IDF a partir de un corpus de texto.

Answer explanation

Justificación: TfidfVectorizer encapsula todo el proceso de tokenización, conteo y cálculo de pesos TF-IDF en un solo objeto.

¿Cuál es el objetivo principal del Reconocimiento de Entidades Nombradas (NER)?

• Reducir las palabras a su raíz o lema.

• Identificar y clasificar entidades como personas, lugares y organizaciones en un texto.

• Contar la frecuencia de los nombres propios en un documento.

Answer explanation

Justificación: NER se enfoca en extraer información estructurada (entidades con sus categorías) de texto no estructurado.

¿Cuál es la principal ventaja de spaCy sobre NLTK para realizar NER en español?

• NLTK no puede tokenizar texto.

• spaCy ofrece modelos pre-entrenados de alto rendimiento para español, mientras que el NER de NLTK es principalmente para inglés.

• El código de spaCy es más difícil de entender que el de NLTK.

Answer explanation

Justificación: La fortaleza de spaCy es su enfoque multilingüe y sus modelos listos para usar en producción para muchos idiomas, incluido el español.

En el contexto de NER, ¿qué significa la etiqueta B-ORG?

• Que el token está fuera (Outside) de una entidad de tipo Organización.

• Que el token está dentro (Inside) de una entidad de tipo Persona.

• Que el token es el comienzo (Beginning) de una entidad de tipo Organización.

Answer explanation

Justificación: El esquema BIO utiliza 'B' para el inicio, 'I' para el interior de una entidad, y el sufijo (ORG) para indicar el tipo de entidad.

¿Qué paso es necesario en el pipeline de NLTK antes de poder usar ne_chunk para NER?

• Realizar el etiquetado gramatical (POS Tagging) con pos_tag.

• Convertir el texto a una matriz TF-IDF.

• Entrenar un modelo Word2vec.

Answer explanation

Justificación: ne_chunk (el reconocedor de entidades de NLTK) necesita las etiquetas gramaticales como entrada para poder agrupar los tokens en entidades.

¿Qué problema fundamental resuelven los Word Embeddings que TF-IDF no puede?

• La eliminación de stopwords.

• El conteo de la frecuencia de las palabras.

• La captura del significado semántico.

Answer explanation

Justificación: Los embeddings crean vectores donde palabras con significados similares están cerca, algo que TF-IDF, basado en frecuencia, no puede hacer.

¿Cuál es la tarea de entrenamiento de la arquitectura Skip-gram de Word2vec?

• Predecir la palabra central a partir de las palabras de su contexto.

• Predecir las palabras del contexto a partir de una palabra central.

• Clasificar si una oración tiene un sentimiento positivo o negativo.

Answer explanation

Justificación: Skip-gram "salta" desde la palabra central para intentar adivinar las palabras que la rodean.