TEST BORRADO, QUIZÁS LE INTERESE:
Examen Teórico No Supervisado VIU
COMENTARIOS |
ESTADÍSTICAS |
RÉCORDS
|
|---|
REALIZAR TEST
|
Título del Test:
Examen Teórico No Supervisado VIU Descripción: Examen Teórico No Supervisado VIU Autor:
Fecha de Creación: 31/10/2023 Categoría: Informática Número Preguntas: 18 |
COMPARTE EL TEST
COMENTAR
No hay ningún comentario sobre este test.
Temario:
|
El algoritmo EM en aprendizaje semi-supervisado Conoce cuales son las clases existentes y calcula iterativamente la asignación de los ejemplos sin etiqueta a las diferentes clases es un método de clasificación que utiliza etiquetas de clase para asignar automáticamente etiquetas a los ejemplos sin etiqueta en función de su similitud con los ejemplos de entrenamiento etiquetados utiliza una red neuronal profunda para predecir las etiquetas de clase de los ejemplos sin etiqueta en función de los ejemplos etiquetados y no etiquetados, sin necesidad de iteraciones. Para evitar problemas de representación de valores de probabilidad muy pequeños, se transforma... el producto de probabilidades en una suma de logaritmos de probabilidades el producto de probabilidades en una multiplicación de probabilidades, simplificando así el cálculo el producto de probabilidades en una suma de valores absolutos de probabilidades. El algoritmo EM es un algoritmo iterativo que... maximiza la función de verosimilitud (probabilidad de que un conjunto de datos haya sido generado por una parametrización específica del modelo) minimiza la función de verosimilitud, tratando de encontrar los valores de parámetros que hacen que los datos sean menos probables bajo el modelo aleatorizar los datos en lugar de maximizar la función de verosimilitud, lo que lo hace ineficaz para ajustar modelos a conjuntos de datos reales. La dispersión intraclúster mide... la distancia entre instancias de un mismo clúster la distancia entre instancias de diferentes clústeres la cantidad de clústeres en un conjunto de datos, en lugar de la distancia entre instancias dentro de un mismo clúster. En la búsqueda de agrupaciones, es necesarios acudir a técnicas heurísticas porque... la evaluación de todos los agrupamientos posibles es inabarcable los métodos exactos siempre encuentran la solución óptima la simplicidad de los problemas de agrupación, que no requieren métodos más complejos. La primera componente principal es aquella que... explica en mayor medida la variabilidad de los datos explica en menor medida la variabilidad de los datos se obtiene mediante técnicas de muestreo aleatorio en lugar de análisis de datos. Las variables originales suelen estandarizarse antes de realizar el análisis de componente principales para... evitar que aquellas de mayor rango dominen a las de menor rango acentuar el efecto de las variables de mayor rango garantizar que las variables de menor rango dominen a las de mayor rango. Un camino aleatorio en un grafo es... un tránsito entre nodos de tal manera que, en cada paso, toma de manera aleatoria uno de los arcos que salen del nodo actual una secuencia predecible de nodos y arcos, siguiendo siempre una ruta específica a través del grafo una secuencia de nodos y arcos que se seleccionan de manera determinística en lugar de aleatoria. El término in-degree de un nodo se refiere al número de... arcos que se dirigen hacia el nodo que salen del nodo nodos en el grafo que están directamente conectados con ese nodo. Si los clústeres son separables, los primeros valores propios de la descomposición de la matriz Laplaciana son... Cero Positivos Negativos. El agrupamiento espectral... transforma el conjunto de datos a otro espacio para mejorar la separabilidad de los clústeres reduce la dimensionalidad de los datos para agruparlos en clústeres más densos es una técnica que se utiliza exclusivamente en datos de alta dimensión, por lo que no es aplicable a conjuntos de datos de baja dimensión. El algoritmo DBSCAN, un punto j es denso alcanzable desde otro i si... existe un camino entre i y j a través de puntos nucleares aunque j no lo sea la distancia Euclidiana entre i y j es menor que un umbral predefinido ambos puntos tienen etiquetas de clúster idénticas. ¿Cómo es el entrenamiento del discriminador de una GAN? Tiene como entrada elementos reales y ficticios y trata de predecir cuales son reales y cuales no. Los errores servirán al discriminador para actualizar sus pesos y funcionar mejor en la siguiente iteración El entrenamiento del discriminador de una GAN implica la generación de elementos ficticios y reales, y el discriminador selecciona al azar cuáles son verdaderos y cuáles son falsos, sin utilizar errores para actualizar sus pesos El entrenamiento del discriminador de una GAN se basa en la retroalimentación del generador en lugar de elementos reales y ficticios, y el discriminador no juega un papel activo en la identificación de ejemplos falsos. ¿Cuál es el propósito principal de un Autoencoder? Teniendo como entrada unos datos, el autoencoder trata de encontrar una representación comprimida (z) de estos que le permita reconstruir los datos originales con la mayor precisión posible Reducir la dimensionalidad de los datos, sin preocuparse por la precisión de la reconstrucción Generar datos completamente nuevos y aleatorios a partir de datos de entrada, sin necesidad de reconstruir los datos originales. ¿Qué relación hay entre las medidas de distancia y la disimilitud? Las medidas de distancia son un subconjunto de las medidas de disimilitud que cumplen ciertas propiedades adicionales Las medidas de distancia son sinónimas de las medidas de disimilitud y pueden utilizarse indistintamente en todos los contextos Las medidas de distancia y las medidas de disimilitud son completamente independientes y no tienen relación alguna entre sí en el contexto del análisis de datos. ¿Cuál es la particularidad de las distancia de Mahalanobis? Se tiene en cuenta la relación entre las diferentes variables en el cómputo de la distancia La distancia de Mahalanobis ignora por completo la relación entre las diferentes variables al calcular la distancia Es una medida de distancia estándar que no se diferencia de otras medidas de distancia en términos de cómo considera las relaciones entre variables. Las técnicas de agrupamiento jerárquico permiten obtener... todo un espectro de agrupamientos, desde uno hasta n clústeres solo permiten obtener un único agrupamiento, que es el mejor posible según el algoritmo utilizado solo permiten obtener dos agrupamientos, uno con todos los datos y otro con un único clúster. El agrupamiento jerárquico aglomerativo recibe este nombre por el hecho de que... en cada paso se unen dos clústeres divide los datos en clústeres en cada paso del proceso no se produce una unión de clústeres en ningún momento del proceso. |
Denunciar Test