¿Qué tipo de aprendizaje funciona a partir de ejemplos conocidos?: Aprendizaje supervisado Aprendizaje no supervisado Aprendizaje por refuerzo. En el aprendizaje bayesiano durante la fase 1 (aprendizaje), después de tomar
un conjunto de ejemplos xi ∈ X etiquetados con las clases a las que pertenecen,
debemos calcular la probabilidad a priori P(cj) para cada clase cj, lo cual se realiza
de la siguiente manera: P(cj) = no de ejemplos etiquetados con cj / no total de ejemplos P(cj) = no total de ejemplos / no de ejemplos etiquetados con cj P(cj) = 1 / no total de ejemplos * no de ejemplos etiquetados con cj. En el aprendizaje supervisado: conocemos la clase a la que pertenece cada ejemplo. conocemos una clase a la que pertenece cada un ejemplo. podemos conocer o no la clase a la que pertenece cada ejemplo. La minería de datos intenta descubrir patrones en grandes volúmenes de
conjuntos de datos. Utiliza los métodos de la inteligencia artificial, aprendizaje
automático, estadística y sistemas de BD . Consiste en extraer información de un
conjunto de datos y transformarla en una estructura comprensible para su uso
posterior.
Podemos decir que NO utiliza el tipo de aprendizaje: Refuerzo Supervisado No supervisado. Dados los tipos de aprendizaje y en concreto el Aprendizaje por Refuerzo,
señala la afirmación correcta: En el Aprendizaje por Refuerzo tenemos una medida de lo bien o mal que está
funcionando el algoritmo, pero no sabemos exactamente qué falla. En el Aprendizaje por Refuerzo tenemos una medida de lo bien que está
funcionando el algoritmo, pero no sabemos exactamente qué falla. En el Aprendizaje por Refuerzo tenemos una medida de lo mal que está
funcionando el algoritmo, pero no sabemos exactamente qué falla. En un ejemplo clasificador de textos, tenemos que clasificar un texto en una categoría predefinida dado cualquier conjunto de palabras de un texto (atributos), en las simplificaciones podemos afirmar que: La posición de las palabras en el texto importa o no dependiendo del objetivo. La posición de las palabras en el texto importa. La posición de las palabras en el texto no importa. En la fase 1, Aprendizaje, de Clasificador bayesiano “naive”, porque se añade el 1 a nk (nk+1) Para que cuando la probabilidad dé 0 normalmente, ese valor 0, no influe demasiado en el resultado final. Para que cuando la probabilidad dé 1 normalmente, ese valor 0, no influe demasiado en el resultado final. Para que cuando la probabilidad dé 0 normalmente, ese valor 0, influe demasiado en el resultado final. ¿Qué método de aprendizaje utilizaríamos para hacer que un robot con un brazo mecánico pudiese mejorar jugando a ping pong?: Aprendizaje por refuerzo Aprendizaje no supervisado Aprendizaje supervisado. El aprendizaje bayesiano: Basado en el teorema de Bayes. Basado en el teorema de Pitagoras. Basado en el teorema de Newton. El aprendizaje bayesiano consiste en: Buscar la hipótesis h más probable si hemos observado una serie de datos D. hMAP≡ argmaxP(h|D) Buscar la hipótesis h menos probable si hemos observado una serie de datos D. hMAP≡ argmaxP(h|D) Buscar la hipótesis h más probable si hemos observado una serie de datos D. hMAP≡ argminP(h|D). Es falso que un clasificador Bayesiano: No necesita ningún tipo de conocimiento previo para realizar la clasificación. Necesita algún tipo de conocimiento previo para realizar la clasificación. Necesita algún tipo de conocimiento posterior para realizar la clasificación. ¿Qué tipo de aprendizaje tiene una medida de lo bien o lo mal que está funcionando el algoritmo, pero no sabemos exactamente lo que falla? Aprendizaje por refuerzo. Aprendizaje no supervisado. Aprendizaje supervisado. En cuanto al aprendizaje bayesiano... Permite combinar los datos de ejemplo con reconocimiento a priori. No permite combinar los datos de ejemplo con reconocimiento a priori. Permite combinar los datos de ejemplo con reconocimiento a posteriori. En el aprendizaje bayesiano, al estimar las probabilidades: Suponemos que los valores de los atributos son condicionalmente independientes para una clase dada. Suponemos que los valores de los atributos son condicionalmente dependientes para una clase dada. Suponemos que los valores de los atributos no son condicionalmente independientes para una clase dada. Si hablamos del aprendizaje bayesiano, en la fase de clasificación: Dado un documento x=w1,w2,...,wn, nos quedamos con las posiciones de palabras que están contenidas en Voc y devolvemos la estimación map. Dado un documento x=w1,w2,...,wn, nos quedamos con las posiciones de palabras que están contenidas en Voc y no devolvemos la estimación map. Dado un documento x=w1,w2,...,wn, nos quedamos con las posiciones de palabras que están contenidas en map y devolvemos la estimación Voc. ¿Cuál de los siguientes afirmaciones acerca de problemas del aprendizaje bayesiano NO es correcta? No hay la posibilidad de construir representaciones más complejas. Existe la posibilidad de construir representaciones más complejas. No hay la posibilidad de construir representaciones más simples. En el aprendizaje Bayesiano existe Máxima Verosimilitud (ML) cuando: P(h) = cte P(h) = h Ninguna de las anteriores . ¿Qué presupone el clasificador bayesiano “naive”?: Que todos los atributos tienen que ser independientes Que algún atributo tiene que ser independiente Que todos los atributos no tienen que ser independientes. La siguiente fórmula es la base del aprendizaje bayesiano:
h_MAP = argmaxP(h | D) ¿Qué significa?:
Buscar la hipótesis h con el valor máximo a posteriori. Buscar la hipótesis h más probable si hemos observado una serie de datos D. Las tres respuestas son correctas. Según el aprendizaje bayesiano ¿Cómo se estima una probabilidad? nº de ejemplos de la clase actual / nº total de ejemplos nº total de ejemplos / nº de ejemplos de la clase actual Ninguna de las anteriores. Acerca de las dificultades del aprendizaje bayesiano Necesidad de un conocimiento a priori. Si no se tiene este conocimiento estas probabilidades han de ser estimadas Coste computacional alto. En el caso general es lineal con el número de hipótesis candidatas. Ambas son ciertas. ¿Cuál es la idea del aprendizaje automático? En programar una computadora para que mejore en la realización de una tarea a partir de datos de ejemplo o de la experiencia. En programar una computadora para que mejore en la realización de varias tarea a partir de datos de ejemplo o de la experiencia. En programar una computadora para que mejore en la realización de una tarea a partir de unicamente datos de ejemplo. En "naive bayes" el cálculo simplificado consiste en: Calcular el productorio de probabilidades de todos los atributos del ejemplo a clasificar condicionado a la clase que se está probando. Calcular el productorio de probabilidades de todos los atributos del ejemplo a clasificar incondicionado a la clase que se está probando. Calcular el productorio de probabilidades de todos los atributos del ejemplo a clasificar condicionado a la clase que no se está probando. ¿Cuál de estas opciones es correcta con respecto a la simplificación?: Suponemos que los valores de los atributos son condicionalmente independientes para una clase dada Suponemos que los valores de los atributos no son condicionalmente independientes para una clase dada Suponemos que los valores de los atributos son condicionalmente dependientes para una clase dada. ¿Cuál de estas opciones es característica del Aprendizaje Bayesiano?: Es necesario conocimiento a piori. Es necesario conocimiento a posteriori. No es necesario conocimiento a piori. ¿Cuál de las siguientes afirmaciones no corresponde al aprendizaje bayesiano? Permite combinar los datos de ejemplo con conocimiento a posteriori Permite combinar los datos de ejemplo con conocimiento a priori Permite combinar los datos de testeo con conocimiento a posteriori. ¿En cuál de las aprendizajes se considera que el problema de la construcción de hipótesis a partir de datos es un subproblema del problema más importante relacionado con la formulación de predicciones?: Aprendizaje bayesiano Aprendizaje no supervisado Aprendizaje por refuerzo. Sabemos que el teorema de Bayes aplicado al aprendizaje permite conocer el máximo a posteriori MAP, por lo tanto, podemos señalar como opción incorrecta: El aprendizaje bayesiano permite combinar los datos de ejemplo con conocimiento a posteriori. El aprendizaje bayesiano permite combinar los datos de ejemplo con conocimiento a priori. El aprendizaje bayesiano permite combinar los datos de testeo con conocimiento a posteriori. El aprendizaje bayesiano se basa en el teorema de Bayes, el cual es: P(h|D) = P(D) / P(D|h)P(h) P(h|D) = P(D|h)P(h) / P(D) P(h|D) = P(D) + 1 / P(D|h)P(h) + P(D). Respecto al aprendizaje bayesiano indica la opción correcta: En la fase 3 hallamos la estimación MAP. En la fase 2 calculamos docsj , documentos de la clase cj. Ninguna de las anteriores.
