WorksheetsTest Diagnóstico - Inteligencia Artificial
Total questions: 26
Worksheet time: 16mins
¿Qué expectativas tienes de esta asignatura?
Si lanzas un dado de 6 caras, ¿cuál es la probabilidad de obtener un número par?
1/6
1/3
1/2
2/3
En una bolsa hay 3 bolas rojas y 2 azules. ¿Cuál es la probabilidad de sacar una bola azul?
2/5
3/5
1/2
2/3
Si un evento es imposible, su probabilidad es:
1
0.5
0
Indefinida
¿Qué mide la desviación estándar de un conjunto de datos?
El valor más frecuente
El valor central
Qué tan dispersos están los datos respecto a la media
El número total de datos
Si A es mayor que B , y B es mayor que C , ¿qué relación existe entre A y C ?
A es menor que C
A es igual a C
No se puede determinar
A es mayor que C
Si tienes que dividir un grupo de clientes en 'compran' y 'no compran' según su comportamiento, este es un problema de:
Regresión
Clasificación
Agrupamiento
Reducción de dimensionalidad
¿Cuál de las siguientes es una variable categórica?
Edad en años
Ingreso mensual
Género
Estatura en cm
En el conjunto de edades {20,22,21,23,95} , ¿qué valor parece un dato atípico (outlier)?
20
21
22
95
En el conjunto de datos {2,3,3,5,9} , ¿cuál es la mediana?
2
3
5
9
En el conjunto de datos {1,2,2,3,3,3,4,4,4,4} , ¿cuál es la moda?
1
2
3
4
¿Cuál es la diferencia entre aprendizaje supervisado y no supervisado?
El aprendizaje supervisado se basa en algoritmos complejos, mientras que el no supervisado utiliza algoritmos simples.
La diferencia principal radica en que el aprendizaje supervisado requiere datos etiquetados, mientras que el no supervisado no los necesita.
El aprendizaje supervisado se aplica solo a datos numéricos, mientras que el no supervisado se aplica a datos textuales.
La diferencia principal radica en que el aprendizaje supervisado es más rápido que el no supervisado.
¿Qué es el análisis exploratorio de datos (EDA)?
Permite identificar estructuras y patrones en los datos
Permite entrenar modelos predictivos automáticamente
Permite optimizar los parámetros de un modelo
Permite reemplazar el proceso de limpieza de datos
¿Qué es un modelo de clasificación?
Un modelo de clasificación es un sistema que organiza datos en una base de datos.
Un modelo de clasificación es una técnica para predecir valores numéricos.
Un modelo de clasificación es un algoritmo que asigna etiquetas a datos basándose en características.
Un modelo de clasificación es un método para agrupar datos sin etiquetas.
Un sistema que aprende a partir de ejemplos etiquetados (entrada–salida conocida) se basa en la idea de:
Aprendizaje automático
Aprendizaje supervisado
Aprendizaje no supervisado
Aprendizaje por refuerzo
¿Cuál de los siguientes problemas es más adecuado para resolverse con IA?
Calcular una raíz cuadrada
Ordenar una lista de datos
Clasificar correos como spam o no spam
Resolver un sistema lineal exacto
¿Cuál es la diferencia principal entre un problema de clasificación y uno de regresión?
El tipo de algoritmo
El número de variables
El tipo de salida esperada
El tamaño del conjunto de datos
¿Cuál es el propósito de evaluar un modelo con datos diferentes a los de entrenamiento?
Aumentar la precisión
Medir su capacidad de generalización
Reducir el número de variables
Acelerar el entrenamiento
Una métrica de desempeño se utiliza para:
Entrenar el modelo
Comparar modelos
Generar datos
Visualizar variables
El ajuste de los parámetros de un modelo busca:
Reducir el número de datos
Mejorar el desempeño del modelo
Cambiar el tipo de problema
Evitar la evaluación del modelo
¿Qué es la inteligencia artificial (IA)?
Una tecnología que permite automatizar procesos siguiendo reglas previamente definidas
Una tecnología que permite construir modelos que aprenden patrones a partir de datos
Una tecnología que permite optimizar cálculos numéricos de forma determinista
Una tecnología que permite representar información mediante estructuras matemáticas
En el aprendizaje no supervisado, los datos no tienen etiquetas conocidas.
Verdadero
Falso
Las métricas de desempeño dependen del tipo de problema que se esté resolviendo.
Verdadero
Falso
Un modelo con sobreajuste funciona bien únicamente con los datos de entrenamiento.
Verdadero
Falso
Tener más datos siempre garantiza mejores modelos.
Verdadero
Falso
Un sistema de IA puede aprender patrones a partir de datos sin que se le indiquen reglas explícitas.
Verdadero
Falso
