WorksheetsMachine Learning II
Total questions: 22
Worksheet time: 31mins
Clasificar cada algoritmo según el tipo de problema que puede resolver:
Clasificación y regresión
Decision Tree
Solo regresión
Multiple linear regression
Solo clasificación
Logistic regression
¿Bajo cuál de las siguientes condiciones no se podría implementar una regresión lineal múltiple?
Los errores están correlacionados entre sí
Los errores son independientes entre sí
Los errores están distribuidos normalmente
El promedio de los errores es 0
Si setteo el parámetro drop='first' de la función OneHotEncoder de sklearn.preprocessing, ¿qué es lo que hace?
Borra todas las variables dummy menos la primera
Borra la primera variable dummy
Cambia el orden de las variables dummies
Establece la primera variable dummy como la categoría de referencia y la omite en el resultado final
¿Qué módulo de sklearn contiene las métricas de evaluación de los modelos? Escribir la respuesta toda en minúscula y sin espacios. Se considerarán incorrectas las respuestas que no cumplan con esto o que tengan errores de tipeo.
(a)
Los problemas de (a) son aquellos donde la variable target es categórica mientras que los problemas de (b) son aquellos en los que la variable target es (únicamente) (c) .
Unir cada problema con su tipo:
Regresión
Predecir la altura de una persona
Clasificación
Detección de fraude
No es un problema de machine learning
Ordenar una lista de números
Clasificación o filtrado colaborativo
Recomendar películas a un usuario
Clustering o clasificación no supervisada
Identificar temas, artículos de noticias
Unir cada métrica con su fórmula:
Recall or Sensitivity
Precision
Accuracy
F1 Score
Specificity
Ordenar el siguiente bloque de código siguiendo la lógica top-down:
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=99)
logisticRegr = LogisticRegression(max_iter=10000)
logisticRegr.fit(X_train, y_train)
y_pred = logisticRegr.predict(X_test)
¿Cuál de las siguientes opciones NO es una ventaja de los modelos KNN?
No tiene casi presuposiciones sobre los datos
Es facil de updatear una vez deployado en producción
Es poco sensible a outliers
Puede manejar datos multiclase
¿Cuál de los siguientes es un algoritmo no supervisado?
KNN
Decision trees
Logistic Regression
K-Means
Random Forest
Ordenar los siguientes bloques de código siguiendo la lógica top-down:
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score
arbol = DecisionTreeClassifier(criterion='gini', max_depth=2, min_samples_leaf=1, min_samples_split=2, ccp_alpha=0)
arbol.fit(X_train,y_train)
accuracy_score(y_train, arbol.predict(X_train))
¿Cuál de los siguientes NO es un componente principal de deep learning?
data
model
loss function
optimization algorithm
key function
En deep learning es necesario tener una target variable.
Verdadero
Falso
¿Cuál de las siguientes funciones de activación es la mejor opción para predecir un output binario representado por una probabilidad en la capa de salida de una red neuronal?
Softmax
Sigmoid
ReLU (Rectified Linear Unit)
Tanh (Hyperbolic tangent)
Leaky ReLU
Si queremos crear una capa completamente conectada con los siguientes hiperparámetros (ver imagen adjunta), ¿cuál es el código correcto?
model.add(tf.keras.layers.Dense(units=128, activation='relu', input_shape=(784, )))
model.add(tf.keras.layers.Dense(units=(784, ), activation='relu', input_shape=128))
model.add(tf.keras.layers.CNN2(units=128, activation='relu', input_shape=(784, )))
model.add(tf.keras.layers.CNN2(units=(784, ), activation='relu', input_shape=128))
¿Qué ocurre si tenemos un learning rate muy elevado en un algoritmo de optimización como el descenso del gradiente?
El algoritmo converge más rápidamente hacia el mínimo global.
Al algoritmo se le puede dificultar la convergencia.
El algoritmo garantiza la precisión del modelo.
La función de costo disminuye de manera más estable y uniforme.
¿Cuál de las siguientes NO es una ventaja de SGD (Descenso de Gradiente Estocástico)?
Actualizaciones frecuentes de los parámetros del modelo, por lo que converge en menos tiempo.
Requiere menos memoria ya que no es necesario almacenar los valores de las funciones de pérdida.
Puede encontrar nuevos mínimos.
Alta varianza en los parámetros del modelo.
Si tenemos datos dispersos, ¿cuál de los siguientes optimizadores sería la mejor opción?
SGD (Descenso de Gradiente Estocástico)
Adam
Momentum
RMSprop
¿Cuál es el módulo de nltk que contiene word_tokenize?
tokenize (i.e., nltk.tokenize)
token (i.e., nltk.token)
corpus (i.e., nltk.corpus)
word (i.e., nltk.word)
tag (i.e., nltk.tag)
¿Qué significan las siglas de NLTK?
Neural Language Transformation Kit
Natural Language Token
Natural Language Toolkit
Non-Linear Text Kernel
Network Language Transition Kernel
¿Cuál es el campo de NLP?
Ciencias de la computación
Inteligencia artificial
Lingüística
Estadística y matemáticas
Todas las mencionadas
¡Busca una calculadora o haz las cuentas a mano!
Si tenemos una imagen a color de tamaño 120x80 pixeles, ¿cuál es la dimensión del feature vector?
9600
28800
19200
600
8400
