WorksheetsFundamentos y la Jerarquía DIKW
Total questions: 53
Worksheet time: 27mins
¿Cuál es el propósito principal de la minería de datos en organizaciones que manejan grandes volúmenes de datos?
Extraer patrones, anomalías y correlaciones útiles
Almacenar datos con máxima redundancia
Diseñar interfaces para la visualización decorativa
Eliminar datos inconsistentes sin análisis posterior
Completa el axioma fundamental: La meta no es tener más datos; la meta es _____.
automatizar todos los procesos
aumentar el volumen almacenado
tomar mejores decisiones
reducir costes operativos siempre
¿Qué característica distingue mejor a Big Data frente a la minería de datos?
Big Data requiere poco volumen; minería de datos requiere mucho
Big Data es estadística; minería de datos es visualización
Big Data son algoritmos; minería de datos es almacenamiento
Big Data es el activo; minería de datos es la herramienta
En la jerarquía DIKW, ¿qué describe mejor el nivel de Información?
Capacidad de decidir y prever escenarios
Mezcla de experiencia, valores e información
Datos con significado, relevancia y propósito
Factores objetivos y discretos del mundo real
Selecciona todas las afirmaciones correctas sobre el nivel de Sabiduría en DIKW.
Implica aplicar criterio, liderazgo y acción
Permite tomar decisiones inteligentes y prever futuros
Se basa en comparar y conectar experiencias
Consiste en contextualizar, categorizar y corregir
En un proyecto analítico exitoso, ¿qué es más crítico según el material?
Usar visualizaciones complejas siempre
Evitar cualquier corrección de los datos
Iterar para convertir datos en conocimiento accionable
Acumular tantos datos como sea posible
¿Cuál proceso está asociado al paso de Dato a Información en DIKW?
Comparación y conexiones
Aplicación del criterio
Contextualizar, categorizar y corregir
Predicción de escenarios futuros
¿Qué raíces disciplinares sustentan la minería de datos según el esquema?
Diseño gráfico para presentación visual
Estadística con rigor matemático
Ciencias de la Computación para infraestructura
IA y Machine Learning con redes neuronales
Una diferencia clave destacada es que Big Data se centra en ____ mientras que la minería de datos se enfoca en ____.
gestionar activos masivos; explotar esos activos
crear modelos; recopilar transacciones
visualizar informes; limpiar bases
reducir datos; incrementar variedad
¿Qué describe mejor al nivel de Conocimiento en DIKW?
Datos crudos sin contexto alguno
Solo hechos verificados con precisión
Mezcla de experiencia, valores e información
Predicciones de escenarios inciertos
El nivel de Dato en DIKW se define principalmente como _____.
información con propósito y relevancia contextual
interpretaciones basadas en valores y experiencia
decisiones inteligentes ante escenarios futuros
hechos objetivos y discretos sobre un hecho
¿Cuál enunciado refleja una confusión común entre Big Data y minería de datos?
Big Data gestiona volumen, variedad y velocidad
La minería de datos usa técnicas analíticas y algoritmos
Big Data y minería de datos son exactamente lo mismo
La minería de datos explota el activo de datos disponible
En el diagrama de CRISP-DM, ¿qué fase se centra en definir objetivos del proyecto antes de tocar los datos?
Entendimiento del negocio
Comprensión de los datos
Preparación de los datos
Evaluación
Según el ciclo CRISP-DM mostrado, ¿cuál es la secuencia inmediatamente posterior a 'Preparación de los datos'?
Modelado
Evaluación
Despliegue
Comprensión de los datos
En CRISP-DM, ¿qué fase valida la calidad del modelo antes de integrarlo en el negocio?
Evaluación
Modelado
Despliegue
Comprensión de los datos
Relaciona cada fase de CRISP-DM con su foco principal: 1) Entendimiento del negocio, 2) Comprensión de los datos, 3) Preparación de los datos, 4) Modelado, 5) Evaluación, 6) Despliegue.
1-Definir objetivos; 2-Construir dataset; 3-Análisis; 4-Validación; 5-Integración; 6-Técnicas ML
1-Limpiar ruido; 2-Definir objetivos; 3-Análisis; 4-Integración; 5-Validación; 6-Técnicas ML
1-Análisis; 2-Definir objetivos; 3-Validación; 4-Construir dataset; 5-Integración; 6-Técnicas ML
1-Definir objetivos; 2-Análisis; 3-Construir dataset; 4-Técnicas ML; 5-Validación; 6-Integración
En el proceso KDD del diagrama, ¿qué etapa precede inmediatamente a 'Minería de Datos'?
Interpretación
Transformación
Preprocesamiento
Selección
En KDD, ¿qué se indica como objetivo del 'Preprocesamiento' en el diagrama?
Limpieza de ruido
Elección de variables
Ejecución algorítmica
Evaluación de resultados
Según el diagrama KDD, ¿qué fase se encarga de la evaluación tras la ejecución algorítmica?
Selección
Preprocesamiento
Transformación
Interpretación
¿Cuál de las siguientes correspondencias entre CRISP-DM y KDD es la más adecuada según los diagramas?
Evaluación (CRISP-DM) ↔ Transformación (KDD)
Modelado (CRISP-DM) ↔ Minería de Datos (KDD)
Entendimiento del negocio (CRISP-DM) ↔ Preprocesamiento (KDD)
Preparación de datos (CRISP-DM) ↔ Interpretación (KDD)
Selecciona TODAS las opciones que describen actividades de preparación de datos según los diagramas.
Construcción del dataset
Limpieza de ruido
Definición de objetivos
Transformación final
Ambos diagramas muestran un flujo iterativo o secuencial. ¿Cuál de las siguientes afirmaciones es correcta?
CRISP-DM es cíclico; KDD es lineal con etapas encadenadas
Ambos son lineales sin retroalimentación
CRISP-DM es lineal; KDD es cíclico sin fin
Ambos son cíclicos con bucles explícitos
En CRISP-DM, ¿qué etapa representa la integración del modelo en procesos reales?
Comprensión de los datos
Despliegue
Evaluación
Transformación
¿Cuál es el objetivo principal de los algoritmos supervisados en aprendizaje automático?
Predecir valores desconocidos a partir de ejemplos etiquetados
Optimizar hardware para entrenamiento distribuido
Reducir dimensionalidad ignorando variables dependientes
Descubrir patrones ocultos sin etiquetas previas
En redes neuronales para problemas no lineales, ¿qué característica las hace adecuadas según su inspiración biológica?
Limitación a datos de baja complejidad y ruido
Dependencia de reglas simbólicas deterministas
Uso exclusivo de relaciones lineales simples
Arquitectura inspirada en el sistema nervioso biológico
¿Qué describen mejor los árboles de decisión como técnica supervisada?
Mapas de calor que muestran correlaciones bivariadas
Redes profundas que modelan estímulos complejos
Diagramas lógicos que separan condiciones sucesivas
Métodos de agrupación basados en distancia promedio
La regresión lineal se utiliza principalmente para modelar:
Relaciones entre variables en espacios sencillos
Agrupaciones de vectores en alta dimensionalidad
Secuencias temporales con transiciones ocultas
Reglas de asociación entre ítems frecuentes
¿Qué objetivo distingue a los algoritmos no supervisados?
Calcular intervalos de confianza para estimadores
Predecir variables objetivo con datos etiquetados
Descubrir patrones, tendencias o agrupaciones sin etiquetas
Validar hipótesis causales con experimentos controlados
El agrupamiento (clustering) como K-means agrupa datos principalmente según:
Secuencias lógicas en un árbol de decisión
Probabilidades a priori definidas por el usuario
Relaciones lineales entre variables dependientes
Distancias entre vectores en el espacio de características
¿Cuál de las siguientes afirmaciones sobre reglas de asociación es correcta?
Etiquetan datos usando clases conocidas de referencia
Descubren hechos que ocurren en común en transacciones
Dividen el espacio con hiperplanos ortogonales perfectos
Predicen valores continuos con mínima varianza residual
Selecciona todas las técnicas que pertenecen a aprendizaje supervisado.
Regresión lineal
Redes neuronales
Árboles de decisión
Reglas de asociación
Selecciona todas las técnicas que son comúnmente no supervisadas.
K-means clustering
CART para clasificación
Apriori para reglas
Perceptrón multicapa
¿Cuál sería un ejemplo adecuado de uso para reglas de asociación como Apriori?
Identificar productos comprados frecuentemente juntos
Predecir la temperatura mañana con mínimos cuadrados
Clasificar correos como spam con árboles CART
Ajustar una línea recta a ventas trimestrales
¿Qué herramienta está orientada a usuarios no técnicos y destaca por extracción web impulsada por IA?
KNIME con flujos open‑source complejos
RapidMiner con pipelines AutoML visuales
Orange con widgets visuales interactivos
Thunderbit con scraping asistido por IA
¿Cuál describe mejor a RapidMiner según el panorama mostrado?
Plataforma visual de drag‑and‑drop con AutoML
Biblioteca clásica en Java para experimentación
Estándar comercial para grandes organizaciones
‘Lego de datos’ open‑source para flujos complejos
Selecciona todas las afirmaciones correctas sobre KNIME y Orange.
KNIME está pensado exclusivamente para académicos
Orange se centra en programación visual con widgets
Orange está dirigido principalmente a equipos corporativos
KNIME se posiciona como ‘Lego de datos’ open‑source
¿Qué perfil de usuario se asocia principalmente con WEKA en esta referencia?
No técnico con tareas de scraping
Académico con enfoque experimental
Corporativo de grandes organizaciones
Analista de negocio con AutoML
SAS/SPSS aparece en el panorama como…
Estándar comercial para grandes organizaciones
Suite de scraping web con IA integrada
Herramienta educativa basada en widgets
Plataforma libre para flujos complejos
Elige la combinación software‑característica correcta.
RapidMiner — biblioteca clásica en Java
KNIME — open‑source para flujos complejos
Thunderbit — drag‑and‑drop con AutoML
WEKA — estándar comercial corporativo
En marketing, ¿qué objetivo principal persigue la detección de patrones de fuga (churn)?
Aumentar la velocidad de entrega logística
Optimizar la retención de clientes actuales
Reducir los costos de producción industrial
Incrementar el interés por deuda pública
Selecciona todas las aplicaciones correctas de marketing y ventas mencionadas.
Optimización de cultivo hidropónico
Predicción de seísmos oceánicos
Segmentación de mercado y personalización
Detección de patrones de fuga de clientes
En salud y genética, ¿qué combinación describe mejor el uso de datos?
Edición de video y generación de subtítulos
Modelado de tráfico vehicular interurbano
Diagnóstico precoz y mapeo de variaciones en ADN
Control de inventarios y etiquetado de productos
En ingeniería eléctrica, ¿para qué se emplean los Mapas SOM según el material?
Segmentación de mercado en retail
Predicción de abandono de clientes
Medición de audiencias en medios
Análisis de gases en transformadores
¿Qué tarea se asocia con recursos humanos en estas aplicaciones?
Desarrollar vacunas de ARN mensajero
Monitorear tormentas eléctricas en tiempo real
Optimizar rutas de reparto marítimo
Identificar perfiles de éxito para contratación
El análisis de autoría de textos y la medición de audiencias pertenecen principalmente a:
Geología minera
Robótica industrial
Bioinformática clínica
Ciencias sociales
Vincula cada dominio con su aplicación clave.
Fraude: tarjetas de crédito en finanzas
Churn: retención de clientes en marketing
Audiencias: medición y autoría de textos
Genómica: variaciones de ADN para tratamientos
En el contexto de calidad del dato, ¿cuál es un riesgo principal al minar información?
El acceso limitado garantiza datos perfectamente limpios
Los algoritmos siempre detectan todos los patrones
El ruido puede ocultar patrones importantes
La anonimización elimina cualquier sesgo existente
¿Qué dilema ético destaca la sección de privacidad y seguridad?
Balanceo de clases en el dataset
Uso de gráficos interactivos para reporting
Elección de hiperparámetros del modelo
Anonimización de datos y acceso limitado
La interpretabilidad exige equilibrar dos aspectos. ¿Cuál es el equilibrio señalado?
Escalabilidad y paralelización
Velocidad y coste de cómputo
Recolección y síntesis de datos
Precisión y comprensión del modelo
En la gobernanza de datos, ¿qué necesidad se subraya y a menudo se ignora?
Mantenimiento a largo plazo y cumplimiento regulatorio
Aumento de la profundidad de redes neuronales
Generación de más características sintéticas
Uso exclusivo de pipelines automatizados
Selecciona todas las afirmaciones correctas sobre la conclusión estratégica presentada.
El algoritmo correcto es universal para todo caso
La iteración es clave en CRISP-DM y KDD
La elección depende de la pregunta de negocio
La tecnología debe optimizar la acción humana
Transformar datos en sabiduría sigue DIKW
¿Cuál es la prioridad implícita en la frase 'La estrategia por encima del algoritmo'?
Elegir primero el clasificador más complejo
Sustituir completamente a los expertos humanos
Definir decisiones y objetivos antes del modelo
Optimizar métricas sin contexto de negocio
En salud, la interpretabilidad se considera vital. ¿Cuál sería una justificación adecuada?
Para evitar cualquier requisito regulatorio
Porque siempre mejora la precisión numérica
Necesidad de explicar decisiones clínicas críticas
Ya que elimina por completo el ruido del dato
