Font size
WorksheetsProcesamiento de datos y machine learning
Total questions: 13
Worksheet time: 9mins
¿Cuál es la diferencia entre precisión y exactitud?
Precisión es consistencia entre mediciones; exactitud es cercanía al valor verdadero.
Exactitud es consistencia entre mediciones; precisión es cercanía al valor verdadero.
Precisión y exactitud son lo mismo.
Exactitud es variabilidad; precisión es cercanía a un estándar.
¿Qué representa la matriz de confusión en el análisis de modelos de clasificación?
La matriz de confusión muestra la relación entre las predicciones correctas e incorrectas de un modelo.
La matriz de confusión calcula la exactitud global del modelo.
La matriz de confusión predice los resultados futuros basados en datos históricos.
La matriz de confusión se utiliza para comparar la velocidad de diferentes modelos de clasificación.
¿Qué es un "falso positivo" (FP) en la evaluación de un modelo de clasificación?
Un "falso positivo" ocurre cuando el modelo predice incorrectamente una clase positiva.
Un "falso positivo" ocurre cuando el modelo predice correctamente una clase positiva.
Un "falso positivo" ocurre cuando el modelo predice incorrectamente una clase negativa.
Un "falso positivo" ocurre cuando el modelo predice correctamente una clase negativa.
¿Cuál es la función de los datos de entrenamiento, desarrollo y prueba?
Entrenamiento para ajustar el modelo, desarrollo para ajustar hiperparámetros, prueba para evaluar rendimiento.
Entrenamiento para evaluar rendimiento, desarrollo para ajustar parámetros, prueba para ajustar hiperparámetros.
Entrenamiento para ajustar hiperparámetros, desarrollo para evaluar rendimiento, prueba para ajustar el modelo.
Entrenamiento para ajustar parámetros, desarrollo para ajustar el modelo, prueba para evaluar hiperparámetros.
¿Cuál es el propósito de los datos de entrenamiento, desarrollo y prueba?
Entrenamiento para ajustar el modelo, desarrollo para validar, prueba para evaluar.
Entrenamiento para validar, desarrollo para evaluar, prueba para ajustar el modelo.
Entrenamiento para ajustar hiperparámetros, desarrollo para entrenar, prueba para validar.
Entrenamiento para evaluar, desarrollo para ajustar el modelo, prueba para validar.
¿Qué es un hiperparámetro en el contexto de modelos de aprendizaje automático?
Un valor ajustable que se fija antes del entrenamiento del modelo.
Un parámetro que el modelo aprende durante el entrenamiento.
Un valor que solo se utiliza en la evaluación del modelo.
Un tipo de dato que el modelo genera como salida.
¿Qué emplea el DL para funcionar?
Redes Neuronales
Aprendizaje Supervisado
Aprendizaje No Supervisado
Aprendizaje Reforzado
Los autos de conducción autónomos, son ejemplos clásicos de:
Redes Neuronales
Aprendizaje por Reforzado
Aprendizaje Supervisado
Aprendizaje No Supervisado
¿Esta sentencia obliga a nunca usarse en los procesos legales de Colombia por parte de los jueces?
En algunos casos
Imposible
La corte constitucional lo ha prohibido para todos
Falta legislación al respecto
¿El profesor tiene una niña de cuantos años?
6
8
10
No tiene
¿Cuál de los siguientes no es un tipo de aprendizaje?
Aprendizaje semi-no supervisado
Aprendizaje no supervisado
Aprendizaje supervisado
Aprendizaje por refuerzo
Calcular la precisión de un modelo, teniendo en cuenta: True Positives (TP): 80
False Positives (FP): 15
False Negatives (FN): 20
True Negatives (TN): 85
¿Cuál es el componente de hardware mas importante para el uso de la IA?
(a)
