Test cuestionario sobre aprendizaje automático - the question form
Preguntas: 16 · 10 minutos
1. Una tabla contiene el tamaño de la casa, el vecindario, el año de construcción y el precio final de venta. Si el objetivo es predecir el precio de venta, ¿qué columna es la etiqueta objetivo?
Precio final de venta
Vecindario
Tamaño de la casa
Año de construcción
2. Durante el entrenamiento de una red neuronal, la pérdida sube y baja bruscamente y no logra estabilizarse porque las actualizaciones de los parámetros sobrepasan repetidamente los valores útiles. ¿Qué ajuste tiene más probabilidades de ayudar?
Eliminar el conjunto de validación.
Reemplazar todas las características numéricas por etiquetas de categorías.
Reducir la tasa de aprendizaje.
Aumentar considerablemente la tasa de aprendizaje.
3. Un minorista quiere identificar grupos de clientes con patrones de compra similares, pero no tiene categorías de clientes predefinidas. ¿Qué método es el más adecuado?
Regresión
Clasificación supervisada
Aprendizaje por refuerzo
Agrupamiento
4. Un equipo tiene miles de correos electrónicos ya etiquetados como «spam» o «no spam». ¿Qué enfoque se ajusta más directamente a la tarea de predecir la etiqueta de nuevos correos electrónicos?
Agrupamiento no supervisado
Aprendizaje por refuerzo
Clasificación supervisada
Reducción de dimensionalidad
5. Un profesional quiere comparar configuraciones del modelo sin utilizar repetidamente el conjunto de prueba final. ¿Cuál es el principal beneficio de la validación cruzada aplicada a los datos de entrenamiento?
Demuestra que el modelo tendrá un desempeño igual de bueno en todos los contextos futuros.
Elimina permanentemente el sesgo de los datos de entrenamiento.
Convierte un problema no supervisado en uno supervisado.
Estima el desempeño mediante múltiples divisiones de los datos en conjuntos de entrenamiento y validación.
6. ¿Qué afirmación define mejor el aprendizaje supervisado?
Un modelo aprende a partir de ejemplos que incluyen etiquetas o valores objetivo conocidos.
Un modelo busca grupos que se forman de manera natural en datos sin etiquetar.
Un agente aprende únicamente al recibir recompensas de un entorno.
Un modelo genera etiquetas para los datos sin usar ningún objetivo de entrenamiento.
7. En un modelo de detección de una enfermedad rara, importan tanto los casos no detectados como el exceso de falsas alarmas. ¿Qué métrica combina la precisión y la exhaustividad en una sola puntuación?
Error cuadrático medio
Puntuación F1
R cuadrado
Coeficiente de silueta
8. Antes de dividir un conjunto de datos, un analista calcula valores de normalización usando todo el conjunto y luego los utiliza durante el entrenamiento. ¿Por qué puede ser esto un problema?
La normalización solo puede utilizarse con algoritmos de agrupamiento.
El procedimiento necesariamente elimina la variable objetivo.
El procedimiento hace que el conjunto de entrenamiento sea demasiado pequeño para ajustar un modelo.
La información del futuro conjunto de prueba puede filtrarse al desarrollo del modelo.
9. Un modelo debe predecir el consumo esperado de electricidad de un edificio en kilovatios-hora. ¿Qué tipo de tarea supervisada es esta?
Clasificación
Agrupamiento
Regresión
Aprendizaje de reglas de asociación
10. Un bosque aleatorio genera una predicción al combinar los resultados de muchos árboles de decisión. ¿Qué idea general del aprendizaje automático ilustra esto?
Escalado de características
Reducción de dimensionalidad
Diseño de recompensas
Aprendizaje por ensamble
11. Un conjunto de datos tiene cientos de características numéricas correlacionadas, y un analista quiere obtener un conjunto más pequeño de componentes que conserve tanta variación como sea posible. ¿Qué técnica está diseñada para esto?
K vecinos más cercanos
Análisis de componentes principales
Regresión logística
Aprendizaje Q
12. ¿Qué relación tiene el aprendizaje profundo con el aprendizaje automático?
Es un campo independiente que no utiliza optimización basada en datos.
Es un enfoque de aprendizaje automático basado en redes neuronales con múltiples capas de representación.
Se refiere únicamente a árboles de decisión entrenados con tablas muy grandes.
Es otro nombre para cualquier método de agrupamiento no supervisado.
13. Una empresa tiene un conjunto pequeño de imágenes etiquetadas y otro mucho más grande de imágenes sin etiquetar. Quiere utilizar ambos conjuntos mientras aprende a clasificar imágenes nuevas. ¿Qué enfoque principal se ajusta mejor a este plan?
Aprendizaje supervisado convencional utilizando únicamente ejemplos etiquetados
Aprendizaje semisupervisado
Aprendizaje por refuerzo
Agrupamiento puro sin utilizar etiquetas
14. ¿Qué situación es el ejemplo más claro de aprendizaje por refuerzo?
Entrenar a un agente para jugar mediante recompensas por acciones exitosas
Agrupar artículos de noticias por similitud sin etiquetas
Predecir si una transacción es fraudulenta a partir de registros etiquetados
Estimar los precios de departamentos a partir de ventas anteriores
15. Un modelo obtiene un 99 % en sus datos de entrenamiento, pero solo un 68 % en nuevos datos de prueba provenientes del mismo contexto. ¿Cuál es el problema más probable?
Subajuste
Inestabilidad del agrupamiento
Sobreajuste
Un retraso en la recompensa del aprendizaje por refuerzo
16. ¿Por qué normalmente se mantiene el conjunto de prueba separado de los datos utilizados para ajustar un modelo?
Para estimar qué tan bien generaliza el modelo ajustado a datos no vistos
Para aumentar la cantidad de características disponibles durante el entrenamiento
Para garantizar que cada clase tenga la misma cantidad de ejemplos
Para asegurar que el modelo alcance una exactitud perfecta en el entrenamiento