digi tema 6

Los datos se convierten en información cuando: Se les añade significado y se organizan por relevancia o propósito. Se eliminan los registros antiguos. Se almacenan en bases de datos sin analizar. Se presentan en grandes cantidades.

La ciencia de datos se define como: Un conjunto de reglas para almacenar información. Un sistema automático de copias de seguridad. Un campo multidisciplinario que extrae conocimiento de los datos. Una rama exclusiva de la informática.

Las “5 V” del big data son: Variedad, verificación, visión y volatilidad. Volumen, valor, validación, veracidad y versión. Volumen, velocidad, variedad, veracidad y valor. Valor, vulnerabilidad, visión, volumen y velocidad.

El “valor” en las 5 V del big data significa: Que los datos sean útiles para la toma de decisiones. Que el coste del software sea bajo. Que la información sea pública. Que los datos se almacenen en la nube.

Una aplicación del big data en sanidad es: Detectar enfermedades antes de que aparezcan los síntomas. Crear historiales médicos sin análisis. Reemplazar a los médicos por algoritmos. Eliminar la confidencialidad de los pacientes.

La fase de procesamiento y visualización consiste en: Guardar la información en archivos comprimidos. Destruir los datos confidenciales. Recolectar los datos iniciales. Convertir los datos en información comprensible para el usuario.

Durante la fase de almacenamiento de datos: Se destruyen los registros antiguos. Se eliminan los archivos obsoletos sin control. Se transforman en gráficos automáticamente. Se guardan los datos en repositorios adecuados.

El big data aplicado a las ciudades inteligentes sirve para: Eliminar los sensores urbanos. Aumentar el consumo de energía. Crear más contaminación. Gestionar el tráfico y optimizar recursos urbanos.

El ciclo de vida de los datos comienza con: La eliminación. El almacenamiento. La captura. El uso operativo.

El big data es esencial para el aprendizaje automático porque: Proporciona grandes volúmenes de datos para entrenar modelos. Solo analiza información histórica. Reduce la capacidad predictiva. No requiere datos para funcionar.

El deep learning se diferencia del machine learning en que: No necesita datos para aprender. Se aplica exclusivamente en videojuegos. Utiliza redes neuronales artificiales para tareas complejas. Solo procesa texto.

El caso de UPS muestra que el big data permite: Sustituir a los empleados humanos. Eliminar el seguimiento de paquetes. Aumentar el consumo de combustible. Optimizar rutas y reducir costes operativos.

La característica “veracidad” del big data se refiere a: Que los datos sean ciertos y fiables. La cantidad de información recibida. El formato de los datos. La velocidad de procesamiento.

El uso operativo de los datos implica: Desconectar los sistemas de análisis. Eliminar los datos irrelevantes. Tomar decisiones basadas en el conocimiento generado. Copiar información sin procesar.

Una desventaja del big data es: La facilidad de manejo por cualquier usuario. La dificultad para procesar grandes volúmenes de datos. La ausencia de ciberataques. Su bajo coste de implementación.

La información se convierte en conocimiento cuando: No se interpreta ni compara. Se almacena sin contexto. Se comparte y analiza para comprenderla mejor. Se elimina tras su uso.

El machine learning se basa en: Algoritmos que permiten a las máquinas aprender sin intervención humana directa. El almacenamiento físico de los datos. Programas que no pueden mejorar con el tiempo. La creación de hardware automatizado.

Una opción posible al final del ciclo de vida de los datos es: Publicarlos sin control. Evitar cualquier tipo de almacenamiento. Eliminar la información valiosa. Reutilizarlos para nuevos análisis.

La principal diferencia entre dato e información es que: La información se obtiene tras procesar los datos. La información no tiene contexto. Los datos no pueden ser cuantitativos. El dato siempre es interpretado.

En el sector financiero, el big data permite: Detectar fraudes y analizar riesgos. Reducir la banca electrónica. Generar datos falsos para publicidad. Sustituir los cajeros automáticos.