Worksheets¿Qué es y Por qué usar bibliotecas en IA?
Total questions: 15
Worksheet time: 8mins
Según la definición presentada, ¿qué describe mejor una biblioteca en Python en el contexto de programación para IA?
Un entorno de ejecución que compila código automáticamente
Una colección organizada de funciones, clases y métodos reutilizables que extienden las capacidades de Python
Un editor visual para crear interfaces gráficas sin código
Un repositorio de datos públicos para entrenar modelos
Selecciona la ventaja que corresponde a la idea de "Extensión Sin Esfuerzo" al usar bibliotecas en Python.
Permiten añadir funcionalidades complejas sin escribir código repetitivo desde cero
Aumentan el tiempo de implementación por pruebas adicionales
Obligan a reescribir la lógica del negocio en cada proyecto
Sustituyen completamente el lenguaje base por uno nuevo
Un equipo debe construir rápidamente un prototipo de IA. Con base en el material, ¿qué razón justifica usar bibliotecas?
Aceleran el desarrollo al reutilizar código probado, optimizado y mantenido por la comunidad
Evitan cualquier dependencia externa y reducen el tamaño del proyecto
Garantizan que no habrá errores lógicos en el modelo
Eliminan la necesidad de comprender la lógica del negocio
Para un proyecto que requiere manipular y modelar grandes volúmenes de datos, ¿qué beneficio específico de las bibliotecas es más relevante?
Proporcionan un servidor web integrado
Ofrecen herramientas especializadas para el preprocesamiento, el análisis y el modelado avanzado de datos
Permiten compilar Python a código máquina sin dependencias
Aseguran que el entrenamiento del modelo siempre sea en tiempo real
¿Cuál es el propósito principal de NumPy según el material?
Proveer visualizaciones interactivas de datos
Manejar eficientemente arrays multidimensionales y realizar cálculos numéricos de alto rendimiento
Entrenar modelos de redes neuronales profundas por defecto
Servir como un reemplazo de los DataFrames
Tienes un conjunto de datos tabular que requiere limpieza y agrupación por categorías. ¿Qué biblioteca es más adecuada para esta tarea?
NumPy, por sus operaciones vectorizadas rápidas
Pandas, por sus DataFrames y funciones de agrupación y filtrado
Matplotlib, por sus gráficos 2D
SciPy, por sus rutinas de optimización
¿Cuál de las siguientes afirmaciones describe mejor la relación entre NumPy y otras librerías de datos en Python?
NumPy depende de Pandas para crear arrays multidimensionales
Pandas usa a NumPy como base para sus estructuras de datos
Ambas librerías son independientes y no comparten funcionalidades
Pandas reemplaza completamente la necesidad de operaciones vectorizadas
En un análisis exploratorio de datos (EDA), ¿cuál es el principal propósito de la visualización según el material?
Sustituir el preprocesamiento de datos
Entender patrones y comunicar resultados de forma efectiva
Incrementar la velocidad de ejecución del código
Evitar el uso de modelos estadísticos
Matplotlib se describe como "el estándar de oro" para crear gráficos. ¿Cuál de las siguientes características justifica mejor esa descripción?
Permite únicamente gráficos 2D simples
Automatiza completamente la limpieza de datos
Ofrece control granular sobre cada elemento del gráfico
Se limita a diagramas de dispersión
Seaborn está construido sobre Matplotlib. ¿Para qué uso es más adecuado según el material?
Renderizado de figuras 3D complejas sin configuración
Creación de gráficos estadísticos atractivos para analizar distribuciones y relaciones entre variables
Optimización de consultas SQL
Generación de modelos de aprendizaje profundo
Scikit-learn se describe como un kit de herramientas completo. ¿Cuál de las siguientes afirmaciones explica mejor por qué?
Incluye solo algoritmos de clasificación.
Proporciona una interfaz unificada para entrenar, predecir y evaluar modelos en tareas como clasificación, regresión, clustering y reducción de dimensionalidad.
Está diseñado exclusivamente para visualización de datos.
Solo soporta modelos lineales simples.
Necesitas agrupar datos sin etiquetas para explorar segmentos en un conjunto de clientes. Según el material, ¿qué algoritmo de Scikit-learn es más apropiado para este objetivo?
K-Nearest Neighbors
Regresión lineal
K-Means
Support Vector Machines
Quieres predecir un valor continuo, como el precio de una vivienda, y comparar varios enfoques. ¿Cuál es la mejor estrategia inicial basada en el texto?
Usar exclusivamente K-Nearest Neighbors porque es el único algoritmo de regresión mencionado.
Aplicar modelos lineales y no lineales de regresión disponibles en Scikit-learn para evaluar su desempeño.
Utilizar K-Means para ajustar datos y luego convertir los clusters en precios.
Entrenar una SVM de clasificación y transformar etiquetas en valores numéricos.
Selecciona la opción que mejor aplica eligiendo la biblioteca según el escenario descrito: Necesitas un flujo de trabajo con fuerte rendimiento en producción y herramientas de despliegue como TF Serving o TFLite.
TensorFlow
PyTorch
scikit-learn
Pandas
Tienes que crear un DataFrame con pandas y un arreglo con NumPy siguiendo las buenas prácticas mostradas. ¿Cuál es la secuencia correcta de comandos desde la instalación hasta el uso?
pip install pandas numpy; import pandas as pd, numpy as np; pd.DataFrame(); np.array()
import pandas as pd, numpy as np; pip install pandas numpy; pd.DataFrame(); np.array()
pip install pandas; pd.DataFrame(); pip install numpy; np.array(); import pandas as pd, numpy as np
pip install pandas numpy; pd.DataFrame(); np.array(); import pandas as pd, numpy as np
