WorksheetsTécnicas Supervisas y No Supervisadas
Total questions: 10
Worksheet time: 5mins
Una compañía de seguros quiere desarrollar un modelo de IA para predecir la probabilidad de que un cliente realice un reclamo en el próximo año. El modelo debe asignar a cada cliente a una de tres categorías: "Baja Probabilidad", "Media Probabilidad" o "Alta Probabilidad". ¿Qué tipo de técnica de aprendizaje automático es la más adecuada para este problema?
Regresión
Clustering
Clasificación
Reducción de Dimensionalidad
En el ejemplo de Weka, se eliminó la columna "CustomerID" antes de ejecutar el algoritmo de clustering. ¿Cuál es la razón técnica más importante para hacer esto?
Porque Weka no puede procesar columnas con números tan grandes
Para que el algoritmo se ejecute más rápido, aunque el resultado sea el mismo
Porque un ID no aporta información sobre comportamiento entre clientes y puede sesgar los resultados
Porque los datos de ID de cliente son confidenciales y no deben ser visualizados
Imagina que entrenas un modelo de clasificación de imágenes con Teachable Machine para diferenciar entre perros y gatos, pero todas tus fotos de perros fueron tomadas de día y todas las de gatos de noche. ¿Cuál es el riesgo más probable al probar el modelo con una foto nueva de un perro tomada de noche?
El modelo tendrá un rendimiento excelente porque aprendió las características principales de cada animal
El modelo podría clasificar al perro como "gato", porque aprendió a asociar la "noche" (poca luz) con los gatos
El modelo pedirá más datos de entrenamiento antes de dar un resultado
El modelo clasificará la imagen como perro, pero con una confianza del 50%
Un supermercado analiza millones de tickets de compra para descubrir qué productos se compran juntos con frecuencia (ej: "si compran pan, el 70% de las veces también compran leche"). ¿Qué técnica de aprendizaje no supervisado están utilizando?
Clustering
Regresión no lineal
Clasificación con árboles de decisión
Reglas de asociación
En la presentación se mostró que el algoritmo K-means fallaba al intentar agrupar datos en forma de anillos, mientras que DBSCAN lo hacía correctamente. ¿Por qué ocurre esto?
K-means es un algoritmo supervisado y necesita etiquetas para funcionar
DBSCAN es computacionalmente más simple y rápido que K-means
K-means agrupa los datos basándose en la cercanía a un centroide, mientras que DBSCAN agrupa por densidad
Los datos en forma de anillo son considerados "ruido" por el algoritmo K-means
Según el árbol de decisión para predecir el riesgo de un ataque al corazón, ¿Cuál sería el resultado para una persona de 25 años?
Riesgo bajo
Riesgo alto
Se necesita saber su peso
Se necesita saber si es fumador
Un analista de datos te muestra los "centroides finales" de un modelo de clustering K-means que agrupa a clientes de un gimnasio. ¿Qué información te están dando exactamente esos centroides?
La lista de los clientes más importantes de cada grupo
El número total de clientes que hay en cada uno de los clusters
Los límites o fronteras que separan un cluster de otro
El perfil promedio que representa las características típicas de un miembro de cada cluster
En el aprendizaje supervisado, se divide el conjunto de datos en un set de entrenamiento y un set de prueba. ¿Cuál es la función principal y crucial del set de prueba?
Evaluar de forma objetiva el rendimiento del modelo con datos que nunca ha visto antes
Entrenar el modelo con una mayor variedad de datos para que aprenda mejor
Realizar la limpieza final de los datos y eliminar valores atípicos
Etiquetar los datos que no tienen una categoría asignada
Una fábrica de motores instala 200 sensores en cada motor para monitorear su estado (temperatura, vibración, presión, etc.). Analizar 200 variables es muy complejo. Si se quiere simplificar el análisis creando un "índice de salud del motor" compuesto por 3 o 4 nuevas variables que resuman la información de los 200 sensores, ¿Qué técnica sería la más apropiada?
Clustering con K-means
Reducción de Dimensionalidad
Clasificación con Redes Neuronales
Reglas de asociación
¿Cuál de las siguientes afirmaciones describe la diferencia fundamental entre el aprendizaje supervisado y el no supervisado?
El aprendizaje supervisado utiliza algoritmos más complejos y modernos que el no supervisado
El aprendizaje no supervisado requiere un volumen de datos mucho mayor que el supervisado para poder funcionar
El aprendizaje supervisado se usa para encontrar grupos y el no supervisado para predecir valores
El aprendizaje supervisado se entrena con datos que contienen una "etiqueta", mientras que el no supervisado trabaja con datos sin etiquetar
