NEW
Font size
WorksheetsRepaso Temas 1 a 3
Total questions: 17
Worksheet time: 9mins
En la programación tradicional el humano escribe las reglas. En el Machine Learning supervisado, ¿qué "entrega" el humano a la máquina para que aprenda?
Solo las reglas
Datos de entrada y las respuestas correctas (salidas)
Solo los datos de entrada sin etiquetas
El algoritmo terminado
Si imaginamos una muñeca Matryoshka (una dentro de otra), ¿cuál sería la muñeca más grande que engloba a las demás?
Machine Learning
Visión artificial
Deep Learning
Inteligencia Artificial (IA)
Queremos agrupar a nuestros clientes en diferentes segmentos según sus compras, pero no sabemos a priori qué grupos existen. ¿Qué tipo de aprendizaje usamos?
Por refuerzo
Regresión lineal
No supervisado
Supervisado
Si queremos predecir el precio exacto de una vivienda (un número real) basándonos en sus metros cuadrados, estamos ante un problema de...
Clasificación
Clustering
Regresión
Asociación
¿Por qué dividimos nuestros datos en un conjunto de entrenamiento (train) y otro de prueba (test)?
Para ahorrar espacio en memoria
Para entrenar el modelo dos veces
No es necesario dividir los datos
Para evaluar el modelo con datos que nunca ha visto antes
En una neurona artificial, ¿cómo se decide la importancia de cada dato de entrada?
Multiplicando cada entrada por un "peso" (w)
Sumando todos los datos por igual
Eliminando los datos negativos
Dividiendo por el número de entradas
¿Cuál de los siguientes es un hiperparámetro (definido por el programador antes de empezar)?
Los pesos (w) de las conexiones
El sesgo (b) de la neurona
La tasa de aprendizaje (learning rate)
La predicción final
Tu modelo tiene un 99% de acierto en los datos de entrenamiento, pero falla estrepitosamente con datos nuevos. ¿Qué le pasa?
Tiene sobreajuste (overfitting)
Tiene subajuste (underfitting)
Falta memoria RAM
Nada, es un buen modelo
En el Aprendizaje por Refuerzo, ¿cómo sabe el "agente" si lo ha hecho bien o mal?
No lo sabe nunca
Alguien le dice la respuesta correcta inmediatamente
A través de una señal de recompensa (positiva o negativa)
Comparando con una base de datos histórica
Un robot aspiradora siempre sigue la misma ruta porque sabe que ahí limpia polvo (gana puntos). Sin embargo, nunca descubre que la otra habitación está sucia. ¿Qué le falta?
Exploración
Explotación
Memoria RAM
Supervisión
Tienes datos de compras de clientes sin ninguna etiqueta. Quieres encontrar grupos de comportamiento similar. ¿Qué algoritmo usas?
Regresión lineal
Deep learning
Q-Learning
K-Means (K-Medias)
Ya dividimos en train y test. Pero si ajustamos los hiperparámetros probando una y otra vez contra el test... ¿qué problema creamos?
"Contaminamos" los datos de prueba (data leakage) y el modelo se sobreajusta a ellos
El modelo se vuelve muy lento
El modelo pierde memoria
No pasa nada, es la forma correcta de hacerlo
Tenemos pocos datos y nos da miedo que, al dividir y aleatorizar, el conjunto de test acabe siendo "demasiado fácil" o "demasiado difícil". ¿Qué técnica usamos?
Validación cruzada (k-fold cross-validation)
Entrenar con todos los datos sin dividir
K-means
Duplicar los datos hasta tener muchos
Estamos creando un detector de fraude. Sólo el 1% de las transacciones son fraude. Si nuestro modelo dice SIEMPRE "No es fraude", ¿cuál será su accuracy?
0%
50%
99%
100%
En un diagnóstico médico, ¿qué error es más peligroso y queremos evitar a toda costa?
Falso positivo
Falso negativo
Verdadero positivo
Verdadero negativo
Estás mirando una curva ROC. ¿Qué significa la línea diagonal que corta el gráfico por la mitad (AUC = 0.5)?
Que el modelo es perfecto
Que el modelo tiene un 50% de error de código
Que hemos usado pocos datos
Que el modelo es equivalente a lanzar una moneda al azar
Si tu modelo es demasiado simple (ej. una línea recta para explicar datos curvos), tendrá mucho error tanto en entrenamiento como en test. Esto se llama...
Alta varianza (overfitting)
Alto sesgo (underfitting)
Regularización
Validación cruzada
