NEW
Font size
WorksheetsHT - 07 Identifica principales aplicaciones
Total questions: 20
Worksheet time: 7mins
¿Para qué se usa Scikit-Learn en el Caso 1 del documento?
Para reconocimiento de voz
Para clasificación de imágenes médicas
Para reconocer dígitos escritos a mano
Para predecir precios de acciones
¿Qué tipo de problema se resuelve en el Caso 2 con PyTorch?
Clasificación de dígitos
Segmentación de texto
Predicción de precios de viviendas
Reconocimiento facial
¿Cuántas capas ocultas tiene la red neuronal en el Caso 1?
2
3
4
Ninguna
¿Cuál es el tamaño de las capas ocultas en el modelo de Scikit-Learn?
200, 100, 50
50, 25, 10
100, 50, 25
64, 32, 16
¿Qué se debe hacer con las imágenes antes de entrenar el modelo?
Reducirlas a blanco y negro
Aplanarlas
Codificarlas en JSON
Guardarlas como PNG
¿Qué métrica se utiliza para evaluar el margen de error?
R2 Score
Mean Squared Error (MSE)
F1-Score
Precisión binaria
¿Qué se desea respecto al valor del MSE?
Que sea mayor a 1
Que sea igual a 10
Que se aproxime a 0
Que sea negativo
¿Qué indica una exactitud (accuracy) cercana a 1?
Que el modelo es lento
Que el modelo no aprende
Que el modelo es altamente preciso
Que hay sobreajuste
¿Con qué se prueba el modelo una vez entrenado?
Con imágenes borrosas
Con datos no supervisados
Con 5 dígitos aleatorios
Con datos de texto
¿Cuál es el primer paso en ambos casos?
Hacer predicciones
Entrenar el modelo
Importar las librerías necesarias
Crear una interfaz
¿Qué representa “Y” en el caso de regresión con PyTorch?
Los datos de entrada
Las variables independientes
La variable objetivo o salida
Las imágenes
¿Qué se hace antes de convertir los datos a tensores en PyTorch?
Validación cruzada
Limpieza de outliers
Estandarización de los datos
Guardar en CSV
¿En qué paso se define el modelo de red neuronal en PyTorch?
Paso 3
Paso 5
Paso 7
Paso 11
¿Qué se debe definir junto con la instancia del modelo en PyTorch?
Gráfico de barras
Función de pérdida y optimizador
Valores nulos
Algoritmo de compresión
¿Qué se representa en la curva de pérdida?
El aumento de la exactitud
El número de muestras
La reducción del error durante el entrenamiento
La arquitectura de la red
¿En qué paso se evalúa el modelo en PyTorch?
Paso 6
Paso 8
Paso 10
Paso 13
¿Qué se hace después de evaluar el modelo en PyTorch?
Generar código HTML
Calcular el tiempo de entrenamiento
Desnormalizar las predicciones y valores reales
Eliminar los tensores
¿Qué dos métricas se calculan para evaluar el rendimiento en regresión?
MSE y R2
Accuracy y Recall
MSE y MAE
Confusion y Recall
¿Qué se compara visualmente en el paso 12 del Caso 2?
Variables de entrada y salida
Predicciones vs valores reales
Número de capas
Niveles de precisión
¿En qué consiste el paso 13 del Caso 2?
Graficar el entrenamiento
Clasificar nuevos dígitos
Hacer predicción para una nueva casa
Exportar el modelo a Excel
