En el aprendizaje supervisado, la regresión: Estima una función continua. Estima una función discreta. Estima una función continua o discreta dependiendo de los datos. Respecto a las hipótesis en el clasificador bayesiano: Las dos respuestas son correctas El ejemplo el cual pertenece a la hipótesis está caracterizado como tuplas de atributos. Las hipótesis son las clases a las que puede pertenecer un ejemplo. ¿Qué permite hacer el aprendizaje bayesiano?: Permite combinar los datos de ejemplo con conocimiento a priori. Permite desordenar los datos de ejemplo con conocimiento a priori. Permite recombinar los datos de ejemplo con conocimiento a priori. De los siguientes tipos de aprendizaje, indica la definición correcta: Aprendizaje supervisado: Aprendemos a partir de ejemplos conocidos (etiquetados
según su clase). Aprendizaje no supervisado: Aprendemos a partir de ejemplos conocidos (etiquetados
según su tipo). Aprendizaje reforzado: Aprendemos a partir de ejemplos conocidos (etiquetados
según su clase). El decisor de máxima verosimilitud, ML, asume que todas las hipótesis son
equiprobables: A priori A posteriori No asume nada. El uso de reconocimiento de patrones a partir de ejemplos conocidos es una
característica del: Aprendizaje supervisado. Aprendizaje no supervisado. Aprendizaje por refuerzo. ¿En qué consiste el aprendizaje automático?: Consiste en programar una computadora para que mejore en la realización de una
tarea a partir de datos de ejemplo o de la experiencia. Consiste en programar una computadora para que maximice el rendimiento. Consiste en programar una computadora para que minimice los casos no convergentes. El aprendizaje por refuerzo, cuál de las siguientes es correcta: No parte de un conjunto de datos ejemplo. Parte de un conjunto de datos ejemplo. No es necesario partir de un conjunto de datos ejemplo pero hacerlo hará el aprendizaje más óptimo. En la fase 1 de aprendizaje voc significa: Conjunto de palabras en X (sin repetición y sin considerar preposiciones, artículos,
etc... Conjunto de palabras en X (con repetición y sin considerar preposiciones, artículos,
etc... Conjunto de palabras en X (sin repetición y considerando preposiciones, artículos,
etc... Dada esta definición: "Es un método de aprendizaje Automático donde un
modelos es ajustado a las observaciones y no tiene ningún conocimiento a priori" a
cuál de las siguientes corresponde: Aprendizaje no supervisado Aprendizaje supervisado Aprendizaje por refuerzo. El conjunto de validación: Se emplea para estimar el error de generalización. Se emplea para estimar el error de localización. Se emplea para estimar el error de optimización. En el aprendizaje supervisado, aleatoriamente se parte el conjunto inicial de
ejemplos en: dos grupos ,conjunto de entrenamiento y conjunto de validación. un grupo ,conjunto de entrenamiento. no parte de ningún grupo. ¿Cómo solucionamos el problema de sobreentrenar un algoritmo de
aprendizaje? A través del error de validación. A través del error de entrenamiento. A través del error de optmización. Dada la siguiente imagen y teniendo en cuenta que todos los atributos están
etiquetados y clasificados, podemos decir que:
(FOTO) Tiene 3 tipos clases, una dimensión por cada atributo y pertenece al tipo de
aprendizaje Supervisado Tiene 2 tipos clases y uno de clasificación, una dimensión por cada atributo y pertenece al tipo de
aprendizaje Supervisado Tiene 1 tipo clase y dos de clasificación, una dimensión por cada atributo y pertenece al tipo de
aprendizaje Supervisado. Un ejemplo de área de aplicación del aprendizaje automático es: Minería de datos Backtraslation Cualquier área es actualmente permisible. Ante un problema, aplicaremos el clasificador bayesiano naive cuando: Ambas son correctas. Dispongamos de conjuntos de entrenamiento de tamaño medio o grande. Los atributos que describen a los ejemplos sean independientes entre sí con respecto
al concepto que se pretende aprender. ¿Cuál de los siguientes conjuntos del aprendizaje supervisado no es el
correcto?: Cluster Train Test. Cuando los conjuntos de entrenamiento no son suficientemente grandes
utilizamos la técnica de validación cruzada k-fold cross validation, que funciona: Coge un conjunto y lo divide en k conjuntos del mismo tamaño y hace un conjunto
para validación y los otros para entrenamiento, cambiándose los papeles para que todos
sean validadores y de entrenamiento. Coge un conjunto y lo divide en k conjuntos de distinto tamaño y hace un conjunto
para validación y los otros para entrenamiento, cambiándose los papeles para que todos
sean validadores y de entrenamiento. Coge un conjunto y lo divide en k conjuntos del mismo tamaño y hace un conjunto
para entrenamiento y los otros para validación, cambiándose los papeles para que todos
sean validadores y de entrenamiento. En el clasificador bayesiano: Las dos son correctas. Las hipótesis son las clases a las que puede pertenecer un ejemplo. Suponemos ejemplos caracterizados como tuplas de atributos <a1, a2, ... an>. Cuál de las siguientes afirmaciones es correcta: Ambas son correctas En el aprendizaje supervisado, en caso de no haber un gran número de ejemplos, se
aplica la técnica k-fold cross validation En el aprendizaje supervisado, se divide el conjunto inicial de ejemplos en dos grupos,
uno para entrenar y otro para la validación. Indica cuál de las siguientes afirmaciones sobre el teorema de bayes es
correcta: Es utilizado para detectar si un correo es spam o no mediante palabras guardadas en
un vocabulario. Es utilizado para detectar si un correo es spam o no adivinando las palabras interesantes. Es utilizado para detectar si un correo es spam o no archivando las palabras interesantes. Respecto al clasificador bayesiano podemos decir que es correcto que: Las hipótesis son las clases a las que puede pertenecer un
ejemplo. Las hipótesis son las clases a las que podría pertenecer un
ejemplo. Las hipótesis son las clases a las que no pertenece un
ejemplo. Cuando los conjuntos de entrenamiento no son lo suficientemente grandes
usamos la técnica de...: Ninguna de las anteriores es correcta. Validación paralela. Conjunto de validación. Dentro del tipo de aprendizajes, cual es el que agrupa los datos en clusters: Aprendizaje no supervisado Aprendizaje supervisado Aprendizaje por refuerzo. Cuando estamos en la fase de aprendizaje en un clasificador de textos usando
naive bayes, por qué aparece el 1 en el numerador y el término |Voc| en el
denominador del cálculo de la probabilidad de una palabra en una categoría dada:
P(wk|cj) = (nk+1)/(n+|Voc|): Para evitar que la probabilidad salga 0 si la palabra no ha aparecido nunca. Para evitar que la probabilidad salga 1 si la palabra no ha aparecido nunca. Para evitar que la probabilidad salga -1 si la palabra no ha aparecido nunca. Estamos implementando un modelo de aprendizaje para guiar a nuestro robot
autómata "Emilio" en un entorno laberintico mediante sucesivas pruebas a base
de prueba/error; y utilizando simplemente 3 reglas de movimiento, las cuales
impiden retroceder en el mapa, y que son: izquierda, adelante y derecha.
Únicamente podemos avanzar, de modo que no podemos ir hacia atrás en el mapa,
ni usando una regla específica (como se ha comentado), ni usando giros a la
izquierda o derecha. Sabiendo esto, indica que esquema de aprendizaje se
adaptaría más al modelo planteado: Ninguna de las anteriores Aprendizaje supervisado Aprendizaje NO supervisado. El aprendizaje de bayesiano usado como clasificador: puede obtener probabilidades de pertenecer a cada clase. puede obtener probabilidades de pertenecer a una clase. puede obtener probabilidades de pertenecer a ninguna clase. ¿Qué necesidades impulsan la idea del aprendizaje automático?: Ambas son correctas. Situaciones o tareas donde el algoritmo que se requiere debe adaptarse a
circunstancias particulares. Algoritmos difíciles de programar "a mano". Sea el ejemplo de la predicción del tiempo visto en clase:
(FOTO)
Podemos decir que la predicción del tiempo para
<presión=Subiendo,cielo=Nuboso>
sería: Sol Lluvia Nieve. Un alumno de la UA guarda los resultados de sus notas finales en 1a
convocatoria de las asignaturas que ha cursado, así como si la asignatura era de
primer o segundo cuatrimestre, si el profesor que le impartía la teoría era titular o
asociado y la base de conocimiento de dicha asignatura (Programación, sistemas o
teoría de la información) en la siguiente tabla:
(FOTO)
Si para este curso se ha cogido una asignatura de programación de segundo
cuatrimestre y la teoria se la imparte un profesor asociado ¿Qué calificación es
más probable que obtenga en esta asignatura? Sobresaliente Notable Suspenso.
