Font size
WorksheetsRepaso Inteligencia Artificial
Total questions: 92
Worksheet time: 2hrs 32mins
Las maquinas aprenden por:
Experiencia
Repeticion de una tarea
Algoritmo que envuelve llevar a cabo una tare
Ninguna de las anteriores
No es parte del flujo de Machine Learning:
Entender el dominio del problema
Integracion de datos
Agregacion de datos
Procesar la informacion
No es un sub-grupo de Machine Learning
Aprendizaje Supervisado
Aprendizaje No Supervisado
Programacion Linguistica
Ninguna de las anteriores
No es una habilidad requerida por un Cientifico de Datos
Programacion
Visualizacion de la Informacion
Diseño UI/UX
Ninguna de las anteriores
Es una area intimamente relacionada con la estadistica, al inteligencia artificial y las bases de datos
NoSQL
K-Means
Data Mining
Ninguna de las anteriores
Es un elemento de "Aprendizaje Profundo"
Procesamiento del Lenguaje Natural
Robotica
Redes Neuronales convolucionadas
Ninguna de las anteriores
No es un framework de "Aprendizaje Profundo"
TensorFlow
Keras
Kanban
Ninguna de las anteriores
1.El termino data wharehouse significa:
a) Proceso de recogida y gestión de datos procedentes de diferentes fuentes
b) Recolección de información proveniente de una base de datos en especifica
c) Elección de un sistema de extracción, carga y modificación de un sistema
7.Machine learning es:
a) Herramienta creado por big data para la ejecución de manejo de la información.
b) El aprendizaje automático por la inteligencia artificial
c) Elementos creados por la inteligencia artificial
¿Cuál es uno de los mitos más generalizados sobre Machine Learning?
Machine Learning se puede utilizar para cualquier aplicación
Machine Learning es costoso
Machine Learning es nuevo
Machine Learning reemplazará a los humanos
¿En qué se centra el Machine Learning en comparación con la programación tradicional?
En la definición de criterios visuales
En la creación de algoritmos complejos
En el aprendizaje automático del sistema
En la interacción e hipótesis detalladas
¿Cuál es la entrada más importante para una herramienta de Machine Learning?
El algoritmo utilizado
La velocidad de procesamiento
Los datos y la información y contenido seleccionado
La cantidad de datos procesados
¿Qué es necesario para que un sistema de Machine Learning llegue a una respuesta?
Una supercomputadora
Buenos datos
Un algoritmo complejo
Datos incorrectos
¿Qué es necesario para tomar mejores decisiones en Machine Learning?
Datos calificados
Más datos
Datos relacionales y estructurados
Más potencia de procesamiento
¿En qué se basan las decisiones de las computadoras en Machine Learning?
En la experiencia y el conocimiento
En la verdad absoluta
En la intuición humana
En la lógica pura
¿Cuál es uno de los beneficios clave del Machine Learning en la medicina?
La reducción de costos
El reemplazo de médicos
El aumento de errores médicos
La disminución de la precisión en diagnósticos
¿Qué papel juega la retroalimentación en el Machine Learning?
Es esencial para el aprendizaje continuo
No tiene impacto en el rendimiento
Es útil solo en casos específicos
Es perjudicial para el proceso de aprendizaje
Es un elemento de "Aprendizaje Profundo"
Procesamiento del Lenguaje Natural
Robotica
Redes Neuronales convolucionadas
Ninguna de las anteriores
En "Machine Learning" las maquinas aprenden por:
Experiencia
Repeticion de una tarea
Algoritmo que envuelve llevar a cabo una tare
Ninguna de las anteriores
¿Qué es Machine Learning?
Es una forma de la IA que permite a un sistema aprender de los datos.
Conjuntos de datos que precisan de aplicaciones informáticas para tratarlos adecuadamente (Big Data)
Interconexión digital de objetos cotidianos con internet.
¿Qué empresa implementó primero Machine Learning?
Microsoft
Amazon
Cuentan con un aprendizaje previo basado en un sistema de etiquetas asociadas a unos datos que les permite tomas decisiones o hacer predicciones.
¿A qué concepto corresponde la anterior definición?
Aprendizaje no supervisado.
Aprendizaje por refuerzo.
Aprendizaje supervisado.
La tecnología del Machine Learning ayuda a la industria de transporte a hacer las rutas mas eficientes y anticipar problemas potenciales para incrementar la rentabilidad.
Falso.
Verdadero.
¿Qué tipo de machine learning sirve para hacer predicciones cuando se cuenta con datos de entrada y se conocen las respuestas correctas?
Aprendizaje supervisado
Aprendizaje no supervisado
Clustering
Reinforcement learning
¿Qué tipo de modelo de ML se usa para buscar patrones, cuando los datos no contienen las etiquetas correctas?
Aprendizaje no supervisado
Aprendizaje errático
Aprendizaje semisupervisado
Árboles de decisión
¿Cuál es la principal diferencia entre el aprendizaje supervisado y el aprendizaje no supervisado?
El aprendizaje supervisado se aplica directamente a un problema de regresión o clasificación, mientras que el aprendizaje no supervisado infiere patrones de un conjunto de datos sin referencia a resultados conocidos o etiquetados.
El aprendizaje no supervisado se aplica directamente a un problema de regresión o clasificación, mientras que el aprendizaje supervisado infiere patrones de un conjunto de datos sin referencia a resultados conocidos o etiquetados.
El aprendizaje supervisado no requiere de datos etiquetados, mientras que el aprendizaje no supervisado sí los requiere.
No hay diferencia entre el aprendizaje supervisado y el aprendizaje no supervisado.
¿Qué función tienen los algoritmos de Machine Learning en las redes sociales?
Reducir el spam publicado en la red social
Detectar noticias falsas en las publicaciones de los usuarios
Bloquear automáticamente contenidos no permitidos en retransmisiones en directo
Todas las anteriores
¿Qué es VERDADERO acerca del Machine Learning?
Machine Learning es una tecnología completamente nueva
Las computadoras pueden aprender y tomar decisiones como lo hacen los humanos
Las computadoras pueden procesar grandes cantidades de datos, pero las mejores decisiones se basan en datos cualificados
Machine Learning no requiere una gran cantidad de datos para tomar decisiones precisas
6. El aprendizaje supervisado requiere de datos de entrada y marcadores de salida
VERDADERO
FALSO
4. El aprendizaje por Refuerzo es un método Clásico del Machine Learning.
VERDADERO
FALSO
7. El aprendizaje profundo extrae características particulares que redimensionan el dato total en partes más pequeñas
VERDADERO
FALSO
¿Cuál es el objetivo principal de la regresión lineal?
El objetivo principal de la regresión lineal es predecir resultados categóricos.
El objetivo principal de la regresión lineal es modelar la relación entre dos variables dependientes.
El objetivo principal de la regresión lineal es ajustar una ecuación no lineal a los datos observados.
El objetivo principal de la regresión lineal es modelar la relación entre una variable dependiente y una o más variables independientes ajustando una ecuación lineal a los datos observados.
¿Cuáles son las ventajas de utilizar redes neuronales para tareas de aprendizaje automático?
Son incapaces de aprender de grandes cantidades de datos
Tienen baja precisión en predicción y clasificación
Solo pueden manejar tareas simples
Algunas ventajas de usar redes neuronales para tareas de aprendizaje automático incluyen su capacidad para aprender de grandes cantidades de datos, su capacidad para manejar tareas complejas y su potencial para alta precisión en predicción y clasificación.
¿Qué es el overfitting en el aprendizaje automático?
El overfitting ocurre cuando un modelo aprende los datos de entrenamiento de manera demasiado suelta, ignorando patrones y detalles importantes
El overfitting en el aprendizaje automático ocurre cuando un modelo aprende los datos de entrenamiento demasiado bien, incluyendo ruido y fluctuaciones aleatorias, lo que lleva a un rendimiento deficiente en nuevos datos.
El overfitting es cuando un modelo tiene un buen rendimiento en nuevos datos pero un rendimiento deficiente en los datos de entrenamiento
El overfitting es un resultado deseable en el aprendizaje automático, lo que lleva a predicciones precisas
¿Cuáles son los métodos comunes para la evaluación de modelos en aprendizaje automático?
Usar solo una métrica de evaluación
Algunos métodos comunes para la evaluación de modelos en aprendizaje automático incluyen validación cross-validation, confusion matrix, accuracy, precision, recall, F1 score, y analisis ROC curve.
Ignorar el desequilibrio en el conjunto de datos
Adivinanza aleatoria
¿Cuál es la unidad básica de una red neuronal?
La unidad básica de una red neuronal es una célula.
La unidad básica de una red neuronal es una molécula.
La unidad básica de una red neuronal es una neurona.
La unidad básica de una red neuronal es un gen.
¿Cuáles son los diferentes tipos de métricas de evaluación de modelos?
Los diferentes tipos de métricas de evaluación de modelos incluyen precisión, exactitud, recall, puntuación F1, área bajo la curva ROC y error cuadrático medio.
Error promedio
Adivinanza aleatoria
Error total
¿Cuál es el propósito de la función de activación en una red neuronal?
La función de activación en una red neuronal es introducir no linealidades en el modelo, permitiendo que la red pueda aprender y representar relaciones complejas entre las entradas y las salidas.
Hacer que la red neuronal sea más lenta
Introducir solo relaciones lineales en el modelo
Disminuir la complejidad del modelo
¿Cuál es la diferencia entre el underfitting y el overfitting?
El underfitting ocurre cuando un modelo es demasiado complejo y se ajusta demasiado a los datos de entrenamiento, mientras que el overfitting ocurre cuando un modelo es demasiado simple y no puede capturar la complejidad de los datos.
Que es overfitting?, son primos con underfitting?
El underfitting ocurre cuando un modelo es demasiado complejo y se ajusta demasiado a los datos de entrenamiento, mientras que el overfitting ocurre cuando un modelo es demasiado simple y se ajusta de manera suelta a los datos de entrenamiento.
El underfitting ocurre cuando un modelo es demasiado simple y no puede capturar la complejidad de los datos, mientras que el overfitting ocurre cuando un modelo es demasiado complejo y se ajusta demasiado a los datos de entrenamiento, lo que lleva a una mala generalización a nuevos datos.
¿Cuál es el papel de la función de pérdida(Loss) en una red neuronal?
La función de pérdida no tiene impacto en el proceso de entrenamiento en una red neuronal
El papel de la función de pérdida en una red neuronal es medir la diferencia entre la salida predicha y la salida real, y proporcionar retroalimentación a la red para ajustar sus parámetros durante el proceso de entrenamiento.
La función de pérdida mide la similitud entre la salida predicha y la salida real
La función de pérdida en una red neuronal se utiliza para generar salidas aleatorias
Cual es el input y el output de la red?
3 y 4
4 y 2
4 y 3
8 y 6
¿Cuál es la interpretación geométrica de la pendiente de una línea recta en un plano cartesiano?
La distancia entre la línea y el punto de origen
La distancia entre dos puntos de la línea
La inclinación o la "pendiente" de la línea con respecto al eje x
La distancia vertical entre dos puntos dividida por la distancia horizontal entre ellos
¿Cuál de las siguientes opciones describe mejor el término "underfitting" en el contexto del aprendizaje automático?
Un modelo que se ajusta demasiado bien a los datos de entrenamiento, pero no generaliza bien a nuevos datos
Un modelo que no se ajusta lo suficientemente bien a los datos de entrenamiento y tampoco generaliza bien a nuevos datos
Un modelo que se ajusta adecuadamente a los datos de entrenamiento y generaliza bien a nuevos datos
Un modelo que se ajusta perfectamente a los datos de entrenamiento y generaliza perfectamente a nuevos datos
¿Cuál de las siguientes afirmaciones describe mejor el overfitting en el contexto del aprendizaje automático?
Overfitting ocurre cuando un modelo es demasiado simple para capturar la estructura subyacente de los datos
Overfitting ocurre cuando un modelo se ajusta adecuadamente a los datos de entrenamiento, pero no puede generalizar bien a nuevos datos
Overfitting ocurre cuando un modelo es demasiado flexible y puede generalizar bien a nuevos datos
Overfitting ocurre cuando un modelo se ajusta demasiado bien a los datos de entrenamiento y captura el ruido aleatorio en ellos
¿Cuál de las siguientes situaciones sería más adecuada para aplicar un modelo de regresión múltiple en lugar de un modelo de regresión simple?
Predecir el precio de una casa basándose únicamente en el número de habitaciones
Predecir el rendimiento académico de los estudiantes en un examen basándose únicamente en el tiempo de estudio
Predecir la temperatura diaria basándose únicamente en la hora del día
Predecir el rendimiento de un automóvil en función de su velocidad y el peso del vehículo
¿Cuál de las siguientes acciones es una estrategia efectiva para solucionar el overfitting en modelos de aprendizaje automático?
Aumentar la complejidad del modelo para mejorar su capacidad de ajuste a los datos de entrenamiento
Utilizar técnicas de regularización, como la penalización de los coeficientes o la poda de árboles de decisión
Reducir la cantidad de datos de entrenamiento para disminuir la variabilidad del modelo
Aumentar el tamaño del conjunto de prueba para mejorar la capacidad del modelo de generalizar a nuevos datos
¿Cuál de las siguientes afirmaciones describe mejor el propósito del remuestreo en el balanceo de clases en el aprendizaje automático?
Remuestrear consiste en eliminar muestras de la clase mayoritaria para igualar el número de muestras en todas las clases
Remuestrear implica duplicar muestras de la clase minoritaria para igualar el número de muestras en todas las clases
Remuestrear consiste en generar nuevas muestras sintéticas de la clase minoritaria para aumentar su representación en el conjunto de datos
Remuestrear implica seleccionar aleatoriamente muestras de diferentes clases para construir un conjunto de datos equilibrado
¿Cuál de las siguientes opciones describe mejor el concepto de Clustering en el contexto del aprendizaje automático?
Clustering es una técnica de aprendizaje no supervisado que busca agrupar instancias de datos similares en grupos o clusters
Clustering es una técnica de aprendizaje supervisado que busca predecir la salida de datos nuevos a partir de ejemplos de entrenamiento
Clustering es un proceso de asignar una etiqueta de clase a cada instancia de datos basada en ejemplos de entrada y salida
Clustering es un proceso de reducción de la dimensionalidad que busca encontrar las características más importantes en un conjunto de datos
¿Qué efecto podría tener un learning rate demasiado grande durante el entrenamiento de un modelo de aprendizaje automático?
Acelerar el proceso de convergencia del modelo hacia la solución óptima
Hacer que el modelo tenga dificultades para converger y aumentar el riesgo de divergencia
Reducir la capacidad del modelo para generalizar a nuevos datos
Aumentar la precisión del modelo en los datos de entrenamiento, pero reducir su rendimiento en los datos de prueba
En el contexto del aprendizaje automático, ¿cómo se define el accuracy rate de un modelo?
El accuracy rate es una medida de cuán rápido converge un modelo durante el entrenamiento
El accuracy rate es una medida de cuánto se ajustan los parámetros de un modelo a los datos de entrenamiento
El accuracy rate es una medida de la proporción de predicciones correctas realizadas por un modelo sobre el total de predicciones realizadas
El accuracy rate es una medida de cuánto se asemejan las predicciones de un modelo a las etiquetas reales en los datos de prueba
En el contexto del aprendizaje automático, ¿cómo se identifican los falsos positivos en un modelo de clasificación?
Los falsos positivos son instancias negativas que fueron correctamente identificadas por el modelo
Los falsos positivos son instancias positivas que fueron correctamente identificadas por el modelo
Los falsos positivos son instancias negativas que fueron incorrectamente identificadas como positivas por el modelo
Los falsos positivos son instancias positivas que fueron incorrectamente identificadas como negativas por el modelo
¿Qué representa el valor de la inercia en un algoritmo de Clustering?
La medida de la distancia promedio entre cada muestra y el centro de su cluster más cercano.
La medida de cuántas veces los centroides de los clusters se movieron durante el proceso de optimización
La medida de cuán bien se ajusta el modelo a los datos de entrenamiento
La medida de la cantidad de ruido o outliers presentes en el conjunto de datos
¿Cuál es el propósito principal de utilizar la validación cruzada en el entrenamiento de modelos de aprendizaje automático?
Dividir el conjunto de datos en dos partes: una para entrenamiento y otra para prueba
Evaluar el rendimiento del modelo en un único conjunto de datos de prueba
Ajustar los hiperparámetros del modelo para maximizar su rendimiento en el conjunto de entrenamiento
Estimar el rendimiento del modelo en datos no vistos al entrenarlo en múltiples subconjuntos de datos
¿Cómo se maneja los datos perdidos o dañados en un conjunto de datos?
Eliminar filas o columnas faltantes
Reemplazar los valores faltantes con media/mediana/moda
Asignar una categoría única a los valores faltantes
Todas las anteriores
Para generar un modelo de Machine Learning, los datos se dividen en:
Datos de entrenamiento, validacion y prueba
Datos de entrenamiento y prueba
Datos de entrenamiento y validacion
Datos de validacion y prueba
¿Cómo se conoce el término con el que los algoritmos de aprendizaje automático construyen un modelo basado en datos de muestra?
Transfer data
Data training
Training Data
Ninguna de las anteriores
En qué tipo de aprendizaje se utilizan los datos de entrenamiento etiquetados
Aprendizaje no supervisado
Aprendizaje reforzado
Aprendizaje supervisado
Ninguna de las anteriores
¿Qué tipo de machine learning sirve para hacer predicciones cuando se cuenta con datos de entrada y se conocen las respuestas correctas?
Aprendizaje supervisado
Aprendizaje no supervisado
Clustering
Reinforcement learning
¿Qué tipo de machine learning se usa para buscar patrones cuando los datos no contienen las etiquetas correctas?
Aprendizaje no supervisado
Aprendizaje errático
Aprendizaje semisupervisado
Árboles de decisión
Se cuenta con información de transacciones bancarias de las cuáles se conoce además si fueron fraudulentas o no. Se trata de un problema de...
Aprendizaje supervisado: clasificación
Aprendizaje supervisado: regresión
Aprendizaje no supervisado: clasificación
Aprendizaje no supervisado: regresión
¿Qué hace un modelo de clasificación?
Predice cantidades continuas (precio, temperatura, tiempo)
Predice una categoría
Agrupa unidades similares
Predice cambios en valores (precios, costos, temperatura)
¿Cómo podemos saber si un modelo de clasificación que construimos es bueno?
Viendo cómo funciona con los datos con los que fue ajustado
Probándolo sobre datos nuevos
¿Cómo se llama la situación en la que un modelo funciona bien para los datos de entrenamiento pero mal para los datos de test?
Overfitting
Underfitting
Sweet spot
Clustering
¿Cuál es la proporción en la que se dividen habitualmente los datos?
80% para entrenar y 20% para testear
20% para entrenar y 80% para testear
50% para entrenar y 50% para testear
"La mala calidad de los datos que se usan para un proyecto de machine learning puede ser compensada por un modelo de alta calidad"
Verdadero
Falso
¿Qué son las redes neuronales en el contexto de la inteligencia artificial?
Algoritmos de aprendizaje automático que han dado un nuevo resurgir al campo del machine learning
Un tipo de red de comunicación entre humanos
Un tipo de red de transporte público
Un tipo de red de supermercados
¿Qué es el deep learning?
Algoritmos de machine learning cada vez más complejos con múltiples capas
Un tipo de aprendizaje a largo plazo
Un tipo de aprendizaje superficial
Un tipo de aprendizaje rápido
¿Qué es el lenguaje natural processing en el contexto de la inteligencia artificial?
Un tipo de lenguaje de programación
Un tipo de traducción automática
El campo que se enfoca en la capacidad de entender y producir lenguaje humano
Un tipo de lenguaje de señas
Las tareas del científico de datos se resumen en:
1.Extraer datos.
2.Limpiar los datos.
3.Procesar los datos usando métodos estadísticos como inferencia estadística, modelos de regresión, pruebas de hipótesis, etc.
4.Diseñar experimentos adicionales en caso de ser necesario.
5.Crear visualizaciones gráficas de los datos relevantes de la investigación.
Verdadero
Falso
¿Cuales son las 3 grandes Sub Categorias de Machine Learning?
Aprendizaje Supervisado - Redes neuronales - Aprendizaje por refuerzos
Aprendizaje Supervisado - Aprendizaje No Supervisado - Aprendizaje por refuerzos
Aprendizaje Supervisado - Redes neuronales - Navegacion
Elon Musk - Tesla - SpaceX
Para el modulo de preparación de datos, cual de estos conceptos no perteneces
cual de los siguientes conceptos pertenecen a un aprendizaje supervisado para machine learnig
Aprendizaje Supervisado
Aprendizaje no supervisado
Deep learning
Aprendizaje widrow hoff
Aprendizaje backpropagation
Aprendizaje Adaline
Regresion lineal
Regresion polinomial
Regresion multilenal
Aprendizaje por medio del error cuadratico medio
Aprendizaje eror cuadratico
Cual de las siguientes ecuaciones representa una regresión polinomica
en esta ecuación cual es la representación de la intercesión y los coeficientes
Nota: tiene que seleccionar dos respuestas
a
x
b
y
En un proceso de Moldeamiento para un sistema de clasificación se debe tener en cuenta lo siguiente:
Entrenar con el 50% y validarlo con el 50% restante
Entrenarlo 60% y validarlo con el 40% restante
Entrenarlo con el 70% y validarlo con el 30% restante
Entrenar con el 80% y validarlo con el 20% restante
¿En qué consiste el clustering?
En dividir la información en grupos diferentes
En crear, probar y trabajar con los modelos de minería
En analizar los datos para identificar errores
Ninguna de las anteriores
El objetivo principal del clustering es el de formar grupos cerrados y homogéneos a partir de un conjunto de elementos
Verdadero
Falso
Método de agrupamiento que divide un conjunto de datos en k grupos o clusters
Algoritmos de clustering
clustering jerárquico
K means
Ninguna de las anteriores
El algoritmo de K-means se detiene cuando .............
Todos los centroides se han ido
Los centroides se convierten en uno solo
La condicion k==0 se cumple
Los centroides se estabilizan (convergencia)
Encuentre el error en el codigo de la imagen
No hay errores
Deberia ser samples=boston
necesita importar Pandas
No puede usar .predict() antes del fitting
Para el paso #1 de K-means, como configuramos los centroides "k" para el set inicial de clusters?
Asignando a los centroides k la distancia mas lejana de otro centroide
Colocando los centroides k en (0, 0)
Asignando a los centroides k el centro de todos los datos
Asignando a los centroides k valores aleatorios
En la imagen anexa, suponiendo que se ha obtenido de un algoritmo tipo K-Nearest Neighbour, ¿cual sería el mejor valor de k?
50
10
1
20
¿Cuales de las siguientes afirmaciones son ciertas?
k-NN funciona mejor cuando todos los datos tienen la misma escala
k-NN trabaja mejor con un pequeño número de features (Xs)
k-NN no presupone el número de k
Todas son ciertas
¿Cual es la distancia Euclídea entre los siguientes puntos?
a(1,3)
b(3,3)
0
1
2
3
¿que afirmaciones son falsas?
kNN es sensible a la escala de los datos
kNN no es adecuado para problemas multi-clase
kNN resuelve problemas de regresión y clasificación
kNN no funciona bien cuando cuando hay más de 5 variables independientes
En un modelo de clasificación, las variables objetivo son
categoricas o discretas
numericas o continuas
ambas son ciertas
Si aumentamos el valor de k,
en el modelo se produce overfitting
en el modelo se produce underfitting
La distancia más corta entre dos puntos es casi siempre
la euclídea
la manhattan
Ninguna de las dos
De manera genérica, ¿que % se reserva para el test data durante el split de datos?
40%
50%-70%
15% - 30%
Depende de la situación
Según esta matriz de confusión,
¿cuál sería la exactitud (accuracy)?
0.92
0.77
0.80
0.37
¿Cómo se eligen los K vecinos en problemas de regresión con KNN?
El valor K se estima en función de los aciertos en las predicciones
Se hacen varias ejecuciones con diferentes valores de K y se toma el modelo más apropiado
K se obtiene según el error más bajo sobre los residuales obtenidos con el conjunto de test
K se obtiene según el error más bajo sobre los residuales obtenidos con el conjunto de validación
En la figura se aprecia una regresión (trazo azul)
¿Dirías que el modelo obtenido es correcto?
Sí, porque es capaz de seguir todos los datos con precisión
Sí, porque la media de los valores está representada con la linea negra
No, porque el modelo está sobreajustado
No, porque el modelo está subajustado
