Aprendizaje automático

¿Cuál es un desafío común del aprendizaje supervisado según la lectura?. A. Baja precisión. B. Riesgo de subajuste. C. Datos no etiquetados. D. Necesidad de datos etiquetados.

¿Cuál es un ejemplo de aplicación de regresión en aprendizaje supervisado?. A. Reconocimiento de voz. B. Análisis de sentimientos. C. Determinar si un email es spam. D. Predecir el precio de una casa.

¿Cuál es una tarea común en aprendizaje supervisado?. A. Exploración de datos. B. Clasificación. C. Aprendizaje no supervisado. D. Regresión múltiple.

¿Cuál es una ventaja del aprendizaje supervisado mencionada en el texto?. A. Exploración. B. Amplia aplicación. C. Complejidad computacional. D. Modelo interpretable.

¿Cuál es uno de los componentes del aprendizaje supervisado según la lectura?. A. Modelo. B. Algoritmo de optimización. C. Función de pérdida. D. Conjunto de prueba.

¿En qué se diferencia el aprendizaje supervisado del no supervisado?. A. El primero no usa datos etiquetados. B. El segundo tiene objetivos definidos. C. El supervisado trabaja sin etiquetas. D. El supervisado usa datos etiquetados.

¿Qué caracteriza al aprendizaje supervisado?. A. Aprender a partir de ejemplos no etiquetados. B. Utilizar ejemplos etiquetados para predecir datos nuevos. C. No requerir datos para el entrenamiento. D. Basarse en objetivos exploratorios.

¿Qué métrica evalúa el porcentaje de predicciones correctas en modelos de clasificación?. A. Error absoluto medio (MAE). B. Exactitud (Accuracy). C. F1-Score. D. Área bajo la Curva (AUC).

¿Qué mide la función de pérdida en el aprendizaje supervisado?. A. La diferencia entre las predicciones y valores reales. B. La complejidad del modelo. C. La exploración de datos. D. El rendimiento del algoritmo de optimización.

¿Qué representa la regresión logística en aprendizaje supervisado?. A. Estimación de probabilidad para clasificación. B. Modelo de regresión polinómica. C. Algoritmo de k-vecinos más cercanos. D. Ejemplo de aplicación en diagnóstico médico.

¿Cuál es el propósito del conjunto de validación en el proceso de entrenamiento del modelo?. A. Ajustar los parámetros y afinar el modelo. B. Medir el rendimiento después del entrenamiento. C. Generar predicciones con los datos disponibles. D. Proporcionar ejemplos para el entrenamiento inicial.

¿Cuál es la conclusión sobre la división de datos en el aprendizaje automático?. A. Es opcional y no siempre necesaria en los modelos. B. Solo se aplica en problemas de clasificación supervisada. C. Permite entrenar, afinar y evaluar los modelos de forma efectiva. D. Solo resulta útil cuando los conjuntos de datos son pequeños.

¿En qué consiste la estrategia de división basada en el tiempo?. A. Se divide el conjunto de datos de manera aleatoria. B. Se asegura una proporción balanceada de clases. C. Se entrena con datos pasados y se valida con datos recientes. D. Se emplea el procedimiento de validación cruzada.

¿En qué consiste la técnica de búsqueda en cuadrícula (Grid Search) en la selección de hiperparámetros?. A. Evalúa aleatoriamente combinaciones de hiperparámetros. B. Utiliza estadísticas bayesianas para encontrar la combinación óptima. C. Evalúa sistemáticamente múltiples combinaciones en un espacio definido. D. Guía la búsqueda utilizando el gradiente de la función objetivo.

¿En qué situaciones es útil la división estratificada de datos?. A. Cuando se desea reducir la variabilidad del modelo. B. Cuando las clases están desbalanceadas en el conjunto. C. Cuando se realiza un proceso de validación cruzada. D. Cuando se busca disminuir el riesgo de sobreajuste.

¿Por qué es fundamental dividir los datos en entrenamiento, validación y prueba?. A. Para aumentar el número de ejemplos de entrenamiento. B. Para evaluar la eficacia y la capacidad de generalización del modelo. C. Para reducir el número de ejemplos de prueba disponibles. D. Para simplificar la estructura del modelo durante el entrenamiento.

¿Qué busca la validación cruzada en el aprendizaje automático?. A. Aumentar el tamaño del conjunto de entrenamiento. B. Evitar el sobreajuste y mejorar la evaluación del modelo. C. Simplificar el modelo en las fases de ajuste. D. Entrenar y validar con una única partición de datos.

¿Qué estrategia se recomienda cuando el conjunto de datos es reducido?. A. Aplicar sobreajuste para mejorar el entrenamiento. B. Usar validación cruzada para evaluar el modelo. C. Dividir aleatoriamente en entrenamiento y prueba. D. Reducir las clases disponibles en el conjunto.

¿Qué porcentaje típicamente abarca el conjunto de entrenamiento de todos los datos disponibles?. A. 10-20%. B. 30-40%. C. 60-70%. D. 80-90%.

¿Qué problema se evita al garantizar que no haya solapamiento entre los conjuntos de entrenamiento, validación y prueba?. A. Sobreajuste del modelo en los datos de entrenamiento. B. Fugas de datos que alteren la evaluación final. C. Desequilibrio en la proporción de clases disponibles. D. Validación cruzada aplicada de forma incorrecta.

¿Cuál de los siguientes es un ejemplo de hiperparámetro en redes neuronales?. A. Valores iniciales de los pesos del modelo. B. Número total de épocas de entrenamiento. C. Resultados predichos por el modelo. D. Porcentaje de error en los datos.

¿Cuál es el objetivo principal de la optimización en el entrenamiento de modelos?. A. Maximizar la función de pérdida. B. Minimizar la función de pérdida. C. Maximizar la función de activación. D. Minimizar la función de activación.

¿Cuál es la función principal de la regularización en aprendizaje automático?. A. Aumentar la complejidad del modelo. B. Reducir la simplicidad del modelo. C. Evitar el sobreajuste al conjunto de entrenamiento. D. Promover la dependencia excesiva de características.

¿En qué consiste la parada temprana durante el entrenamiento de modelos?. A. Detener el entrenamiento cuando se alcanza la convergencia. B. Detener el entrenamiento cuando el rendimiento en validación empeora. C. Detener el entrenamiento después de un número fijo de iteraciones. D. Detener el entrenamiento cuando el modelo se sobreajusta.

¿Por qué es importante que las funciones de pérdida sean diferenciables?. A. Facilita la interpretación. B. Permiten aplicar algoritmos de optimización. C. Hacen al modelo más robusto. D. Reducen la complejidad del modelo.

¿Qué criterio es clave al seleccionar una función de pérdida adecuada?. A. Complejidad del modelo. B. Número de capas ocultas. C. Naturaleza del problema. D. Tamaño del conjunto de datos.

¿Qué función matemática evalúa qué tan lejos está la salida del modelo de las respuestas verdaderas?. A. Función de Activación. B. Función de Pérdida. C. Función de Optimización. D. Función de Convergencia.

¿Qué método busca valores óptimos de hiperparámetros mediante modelos probabilísticos?. A. Búsqueda en Cuadrícula. B. Entrenamiento en Línea. C. Validación Cruzada. D. Optimización Bayesiana.

En clasificación, ¿qué tipo de función de pérdida se ajusta a etiquetas discretas?. A. Error Cuadrático Medio (MSE). B. Error Absoluto Medio (MAE). C. Entropía Cruzada. D. Error de Clasificación.

En problemas de regresión, ¿qué función de pérdida penaliza el error al cuadrado entre predicciones y valores reales?. A. Error Cuadrático Medio (MSE). B. Error Absoluto Medio (MAE). C. Entropía Cruzada. D. Error de Clasificación.

¿Cómo se diferencia el aprendizaje basado en instancias de otros enfoques, como el aprendizaje supervisado y no supervisado?. A. Genera un modelo matemático explícito. B. Almacena y utiliza directamente ejemplos de entrenamiento. C. Construye un modelo global de generalización máxima. D. Resume los datos en un conjunto de parámetros fijos.

¿Cómo se utiliza K-NN en aplicaciones de clasificación?. A. Asigna etiquetas basadas en un modelo paramétrico. B. Compara ejemplos históricos y asigna la etiqueta más común. C. Aplica una generalización máxima en la asignación de etiquetas. D. Ignora la similitud entre el nuevo dato y los vecinos más cercanos.

¿Cuál es el propósito principal del algoritmo de los "Vecinos más cercanos (K-NN)" en el aprendizaje basado en instancias?. A. Crear un modelo paramétrico de predicción. B. Encontrar ejemplos históricos diferentes. C. Clasificar o predecir utilizando la similitud. D. Aplicar un criterio de generalización máxima.

¿Cuál es un aspecto crítico en K-NN que puede afectar la variabilidad en las predicciones?. A. Elección de "k". B. Métrica de distancia. C. Escalado de características. D. Métodos de pesado.

¿En qué se basa la toma de decisiones en el aprendizaje basado en instancias?. A. En un modelo matemático explícito y fijo. B. En la similitud y la vecindad entre ejemplos. C. En la generalización máxima de los datos. D. En la retención de parámetros globales.

¿Por qué es importante la métrica de distancia en K-NN?. A. Define la generalización mínima del modelo. B. Establece un criterio paramétrico fijo. C. Mide la similitud entre datos históricos y nuevos. D. Impone una generalización máxima en los cálculos.

¿Qué caracteriza al aprendizaje basado en instancias en términos de la relación entre las características y las etiquetas?. A. Busca una generalización máxima de los datos. B. Se basa en una generalización mínima y localizada. C. Construye un modelo paramétrico de predicción. D. Define una función matemática de alcance global.

¿Qué función cumplen los métodos de pesado en el aprendizaje basado en instancias?. A. Determinan un criterio de generalización mínima. B. Asignan más peso a los vecinos más relevantes. C. Aplican directamente un modelo global fijo. D. Aumentan únicamente la velocidad del cálculo.

¿Qué hace K-NN en regresión para predecir un valor numérico?. A. Aplica un modelo global de predicción. B. Asigna la etiqueta más común entre los vecinos. C. Promedia los valores de los "k" vecinos más cercanos. D. Utiliza un criterio de generalización máxima.

En K-NN, ¿cómo se determinan los vecinos más cercanos al nuevo dato de entrada?. A. Mediante un criterio de generalización máxima. B. Seleccionando ejemplos aleatorios del conjunto. C. Calculando la distancia y seleccionando los "k" más cortos. D. Utilizando un modelo matemático explícito.