Font size
WorksheetsTest Diagnóstico - Ciencia de Datos e IA
Total questions: 26
Worksheet time: 16mins
¿Qué expectativas tienes de esta asignatura?
De 50 estudiantes, 30 aprobaron un examen. ¿Qué porcentaje aprobó?
25%
30%
50%
60%
¿Qué representan generalmente las filas en un dataset tabular?
Las variables
Los registros u observaciones
Los encabezados
Los tipos de datos
¿Qué representan generalmente las columnas en un dataset tabular?
Los registros u observaciones
Las variables o atributos
Los tipos de datos
Los índices
¿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
Un producto cuesta $80 y tiene un descuento del 25% . ¿Cuánto se paga finalmente?
$55
$60
$65
$75
¿Qué hace una instrucción condicional (if) en un programa?
Repite un bloque de código varias veces
Ejecuta una acción solo si se cumple una condición
Elimina variables no usadas
Ordena una lista de datos
¿Para qué se usa un bucle (loop) en programación?
Para tomar una decisión
Para repetir una acción varias veces
Para almacenar un solo valor
Para eliminar datos
¿Cuál es un objetivo principal de la ciencia de datos?
Diseñar interfaces gráficas para bases de datos
Crear hardware especializado para almacenar datos
Transformar datos en información útil para tomar decisiones
Crear software especializado para almacenar datos
¿Para qué sirve la normalización de datos?
Reducir el tamaño del dataset
Ajustar los valores a una misma escala
Eliminar variables no numéricas
Combinar datasets distintos
¿Qué significa balancear clases en un dataset?
Aumentar la cantidad de datos
Reducir el número de datos
Cambiar los nombres de las variables
Ajustar la cantidad de datos por categoría
¿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
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
Un modelo con sobreajuste (overfitting) funciona bien únicamente con los datos de entrenamiento.
Verdadero
Falso
¿Cuál de los siguientes problemas es más adecuado para resolverse con inteligencia artificial?
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
¿Qué es la inteligencia artificial?
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
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
¿Por qué es importante evaluar los resultados de un sistema de inteligencia artificial antes de confiar en él?
Porque garantiza que el modelo funcionará igual de bien con datos distintos a los de entrenamiento
Porque permite detectar errores, sesgos o límites del modelo antes de que afecten decisiones reales
Porque así se elimina la necesidad de volver a entrenar el modelo en el futuro
Porque aumenta automáticamente la cantidad de datos disponibles para el modelo
Tener más datos siempre garantiza mejores modelos.
Verdadero
Falso
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
