WorksheetsEvaluación Módulo 7 - Ciencia de Datos
Total questions: 60
Worksheet time: 2hrs 0mins
Name
Class
Date
1.
¿Qué caracteriza al aprendizaje no supervisado?
a)
Uso de datos etiquetados
b)
Uso de datos no etiquetados
c)
Uso de recompensas
d)
Uso de regresiones lineales
2.
¿Cuál es un ejemplo de tarea de aprendizaje no supervisado?
a)
Clasificación
b)
Clusterización
c)
Regresión
d)
Red neuronal supervisada
3.
¿Qué técnica se usa comúnmente para segmentar clientes?
a)
K-Means
b)
Regresión logística
c)
Random Forest
d)
Naive Bayes
4.
¿Qué busca la clusterización?
a)
Predecir valores continuos
b)
Agrupar observaciones similares
c)
Maximizar precisión
d)
Reducir el sesgo
5.
¿Qué librería de Python se utiliza para K-Means?
a)
scikit-learn
b)
matplotlib
c)
numpy.linalg
d)
keras
6.
¿Qué tipo de problemas resuelve el aprendizaje no supervisado?
a)
Problemas de predicción
b)
Problemas de clasificación
c)
Problemas de exploración y agrupamiento
d)
Problemas de regresión
7.
¿Qué es un cluster en Machine Learning?
a)
Un modelo de regresión
b)
Un grupo de observaciones similares
c)
Una red neuronal
d)
Un tipo de parámetro
8.
¿Qué medida se puede usar para evaluar la calidad de un clustering?
a)
Coeficiente de Silueta
b)
R²
c)
MAE
d)
Precisión
9.
¿Qué tipo de salida produce un algoritmo de clustering?
a)
Etiquetas de clases conocidas
b)
Grupos o clusters asignados
c)
Un valor continuo
d)
Un intervalo de confianza
10.
¿Qué ventaja tiene el aprendizaje no supervisado?
a)
No requiere etiquetas
b)
Siempre obtiene 100% de precisión
c)
No necesita datos
d)
Usa regresión múltiple
11.
¿Qué es el análisis de componentes principales (PCA)?
a)
Un algoritmo de clustering
b)
Una técnica de reducción de dimensionalidad
c)
Una red neuronal
d)
Un método de regularización
12.
¿Qué técnica no es de aprendizaje no supervisado?
a)
K-Means
b)
DBSCAN
c)
Regresión logística
d)
PCA
13.
¿Qué significa K en K-Means?
a)
Número de clusters
b)
Número de variables
c)
Número de filas
d)
Número de clases
14.
¿Qué función de sklearn implementa K-Means?
a)
KMeans()
b)
fit_predict()
c)
DBSCAN()
d)
AgglomerativeClustering()
15.
¿Qué significa centroid en K-Means?
a)
El valor máximo de un cluster
b)
El punto central de un cluster
c)
El error de predicción
d)
El número de iteraciones
16.
¿Qué es DBSCAN?
a)
Un algoritmo jerárquico
b)
Un algoritmo basado en densidad
c)
Un algoritmo de regresión
d)
Un método supervisado
17.
¿Qué parámetro de DBSCAN define el radio de vecindad?
a)
min_samples
b)
n_clusters
c)
eps
d)
max_iter
18.
¿Qué característica tiene el clustering jerárquico?
a)
Forma clusters secuenciales mediante divisiones o uniones
b)
Siempre necesita k inicial
c)
No maneja datos categóricos
d)
Es un modelo supervisado
19.
¿Qué herramienta gráfica se usa en clustering jerárquico?
a)
Histograma
b)
Dendrograma
c)
Boxplot
d)
Scatter
20.
¿Qué métrica es útil para evaluar el número óptimo de clusters?
a)
Coeficiente de Silueta
b)
MAE
c)
Accuracy
d)
R²
21.
¿Qué desventaja tiene K-Means?
a)
Requiere normalizar datos
b)
Es sensible a outliers
c)
No funciona con datos numéricos
d)
No usa distancias
22.
¿Qué ventaja tiene DBSCAN frente a K-Means?
a)
Detecta clusters de cualquier forma
b)
Siempre es más rápido
c)
No necesita parámetros
d)
No requiere datos
23.
¿Qué significa GMM?
a)
Gaussian Mixture Model
b)
General Mean Method
c)
Grouped Median Model
d)
Graphical Mean Map
24.
¿Qué librería de Python implementa DBSCAN?
a)
scikit-learn
b)
matplotlib
c)
keras
d)
pandas
25.
¿Qué significa PCA?
a)
Principal Component Analysis
b)
Predictive Classification Algorithm
c)
Partial Correlation Adjustment
d)
Probabilistic Component Analysis
26.
¿Qué objetivo tiene PCA?
a)
Reducir la dimensionalidad conservando varianza
b)
Eliminar outliers
c)
Normalizar datos
d)
Clasificar instancias
27.
¿Qué es t-SNE?
a)
Un algoritmo de reducción de dimensionalidad no lineal
b)
Un algoritmo supervisado
c)
Un método de clustering
d)
Un método de regularización
28.
¿Qué ventaja tiene t-SNE frente a PCA?
a)
Es más rápido
b)
Captura relaciones no lineales
c)
No requiere normalización
d)
Siempre obtiene 100% precisión
29.
¿Qué librería de Python incluye PCA y t-SNE?
a)
scikit-learn
b)
keras
c)
matplotlib
d)
pandas
30.
¿Qué es un autoencoder?
a)
Un modelo de deep learning para reducción de dimensionalidad
b)
Un algoritmo supervisado
c)
Un método de clustering
d)
Una métrica de validación
31.
¿Qué mide la varianza explicada en PCA?
a)
El error de predicción
b)
La proporción de información retenida
c)
El número de clusters
d)
El sesgo del modelo
32.
¿Qué desventaja tiene PCA?
a)
No funciona con datos categóricos
b)
Pierde interpretabilidad de variables originales
c)
No se puede usar en Python
d)
No conserva varianza
33.
¿Qué significa la curva de codo en PCA?
a)
Un gráfico para elegir el número de componentes principales
b)
Una métrica de error
c)
Un histograma
d)
Un boxplot
34.
¿Qué es la dimensionalidad?
a)
El número de observaciones
b)
El número de variables o características
c)
El número de clusters
d)
El número de algoritmos
35.
¿Qué significa t-SNE?
a)
t-distributed Stochastic Neighbor Embedding
b)
time-Series Normal Estimation
c)
Total Sample Normalization Estimator
d)
Tree-based Stochastic Neighbor Encoding
36.
¿Qué modelo de red neuronal se usa para reducción de dimensionalidad?
a)
Autoencoder
b)
CNN
c)
RNN
d)
GAN
37.
¿Qué evalúa el método del codo en K-Means?
a)
Número óptimo de clusters
b)
Número de variables
c)
Número de observaciones
d)
Número de parámetros
38.
¿Qué mide el coeficiente de Silueta?
a)
La proporción de varianza explicada
b)
La separación y cohesión de clusters
c)
El error cuadrático medio
d)
El sesgo del modelo
39.
¿Qué parámetro es crítico en DBSCAN además de eps?
a)
min_samples
b)
n_clusters
c)
max_iter
d)
alpha
40.
¿Qué es clustering jerárquico aglomerativo?
a)
Construye clusters dividiendo grupos grandes
b)
Construye clusters uniendo observaciones
c)
Un método supervisado
d)
Un PCA
41.
¿Qué representa un dendrograma?
a)
Relaciones jerárquicas entre clusters
b)
La varianza explicada
c)
La media de variables
d)
El error absoluto
42.
¿Qué problema tiene K-Means en presencia de outliers?
a)
Genera clusters perfectos
b)
Se distorsionan los centroides
c)
No encuentra clusters
d)
Pierde dimensionalidad
43.
¿Qué algoritmo de clustering es más robusto a outliers?
a)
K-Means
b)
DBSCAN
c)
PCA
d)
t-SNE
44.
¿Qué librería de Python permite calcular coeficiente de Silueta?
a)
matplotlib
b)
sklearn.metrics
c)
numpy
d)
keras
45.
¿Qué métrica de evaluación de clusters usa sklearn.metrics.silhouette_score()?
a)
Silueta
b)
Codo
c)
Varianza explicada
d)
MAE
46.
¿Qué significa AgglomerativeClustering en sklearn?
a)
Un algoritmo de clustering jerárquico
b)
Un método de PCA
c)
Un método de regularización
d)
Un modelo supervisado
47.
¿Qué parámetro define el número de clusters en K-Means?
a)
n_clusters
b)
eps
c)
min_samples
d)
max_iter
48.
¿Qué ventaja tiene el clustering jerárquico frente a K-Means?
a)
No requiere especificar número de clusters inicial
b)
Siempre es más rápido
c)
No usa distancias
d)
Es más preciso
49.
¿Qué significa explained_variance_ratio_ en PCA de sklearn?
a)
Proporción de varianza explicada por cada componente
b)
Número de clusters
c)
Coeficiente de silueta
d)
Error cuadrático medio
50.
¿Qué hace el método fit_transform() en PCA?
a)
Entrena y aplica la transformación al mismo tiempo
b)
Solo entrena
c)
Solo transforma
d)
Calcula silueta
51.
¿Qué es un gráfico de dispersión PCA?
a)
Un scatterplot con datos proyectados en componentes principales
b)
Un dendrograma
c)
Un boxplot
d)
Un heatmap
52.
¿Qué ventaja tiene usar PCA antes de K-Means?
a)
Reduce dimensionalidad y mejora eficiencia
b)
Elimina outliers
c)
Siempre aumenta precisión
d)
Normaliza datos
53.
¿Qué significa n_components en PCA?
a)
Número de variables de entrada
b)
Número de componentes principales a calcular
c)
Número de clusters
d)
Número de observaciones
54.
¿Qué función de sklearn implementa t-SNE?
a)
TSNE()
b)
fit_tsne()
c)
SNE()
d)
tSNEplot()
55.
¿Qué limitación tiene t-SNE?
a)
No captura relaciones no lineales
b)
Es costoso computacionalmente
c)
No funciona con sklearn
d)
No funciona con datos numéricos
56.
¿Qué es un autoencoder en keras?
a)
Una red neuronal entrenada para reconstruir entradas
b)
Un algoritmo de clustering
c)
Un PCA
d)
Un método de validación
57.
¿Qué ventaja tienen autoencoders sobre PCA?
a)
Capturan relaciones no lineales
b)
Son más rápidos siempre
c)
Requieren menos datos
d)
No necesitan entrenamiento
58.
¿Qué técnica gráfica permite visualizar reducción de dimensionalidad en 2D?
a)
Scatterplot
b)
Boxplot
c)
Dendrograma
d)
Heatmap
59.
¿Qué representa la dimensionalidad reducida en PCA?
a)
Un nuevo espacio de variables transformadas
b)
El número de clusters
c)
El error cuadrático medio
d)
El sesgo del modelo
60.
¿Qué librería en Python implementa PCA y t-SNE?
a)
scikit-learn
b)
keras
c)
matplotlib
d)
numpy
100 %
