IA en Machine Learning

¿El aprendizaje no supervisado necesita de una variable objetivo para aprender su relación con las variables independientes?. Verdadero. Falso.

¿Cuál es el proceso de ciclo del dato para desarrollo de proyectos más usado por la comunidad de científicos de datos?. KDD. CRISP-DM. SEMMA. Ninguna de las anteriores es correcta.

¿En el caso de las consultas recibidas en un departamento de atención al cliente por correo electrónico, ¿cómo está la información?. Estructurada. Desestructurada.

¿En el caso de la información cargada en una tabla, como por ejemplo un excel, ¿cómo está la información?. Estructurada. Desestructurada.

Si la variable objetivo en un modelo supervisado es de tipo binario, estamos hablando de un modelo de: Clasificación. Regresión. Clustering. Detección de anomalías.

Si queremos predecir los ingresos de en una por la venta de un producto específico, estamos ante un modelo de: Clasificación. Regresión. Clustering. Detección de anomalías.

Clustering es un tipo de análisis que nos sirve para segmentar clientes, por tanto, pertenece al aprendizaje de tipo: Supervisado. No supervisado.

Scikit-Learn es una librería que está estructurada en: Módulos. Parámetros. Atributos. Métodos.

El método que se utiliza en Scikit-Learn para estimar valores a futuro es: .predict(). .transform(). .fit(). .estimate().

Vertex AI es una plataforma que sirve para desarrollar modelos de tipo: No código. Código. Ambas. Ninguna es correcta.

¿La elección del tamaño de la muestra podría afectar el estadístico muestral?. Verdadero. Falso.

¿Es posible calcular R2 para problemas de clasificación?. Verdadero. Falso.

¿El valor de MSE es dependiente del tamaño de la muestra?. Verdadero. Falso.

¿La metodología de K-fold cross-validation es equivalente a leave one out cross-validation cuando k es igual a n?. Verdadero. Falso.

Considera la siguiente matriz de confusión. ¿Cuál es el valor de la sensibilidad (en porcentaje) para este modelo? 335 15 22 322. 91,99%. 97,40%. 90,83%. 93,83%.

Considera la siguiente matriz de confusión. ¿Cuál es el valor de la especificidad (en porcentaje) para este modelo? 335 15 22 322. 95,54%. 92,40%. 83,54%. 90,21%.

En un problema de clasificación, si el valor de la sensibilidad es mayor que el valor de la especificidad, ¿qué está ocurriendo con el modelo?. El modelo acierta proporcionalmente más casos positivos que negativos. El modelo acierta proporcionalmente más casos negativos que positivos. El modelo está sobreajustando los valores. Ninguno de los casos anteriores.

¿Cuál de las siguientes afirmaciones sobre la AUC es correcta?. AUC < 0. Depende del número de variables predictoras. Depende del umbral de la predicción. 0 < AUC < 1. Es inversamente proporcional a la precisión.

En un problema de regresión para el valor de las métricas R2 y R2 ajustada, ¿cuál de las siguientes afirmaciones son verdaderas?. Cuanto más pequeño sea el valor de R2, menor error tiene el modelo. R2 ≤ R2 ajustada. R² ≥ R2 ajustada. R2 siempre es mayor que 1. Cuanto más grande sea el valor de R2, más explicativas son mis variables predictoras.

¿Cuál de las siguientes afirmaciones es correcta con respecto al MSE?. Tiene las mismas unidades de la variable independiente. El valor se refleja en porcentaje. Cuanto más pequeño sea el valor, mejor es la predicción del modelo. Puede tomar valores negativos.

¿Cuáles de los siguientes problemas se pueden resolver con algoritmos supervisados?. Detectar correos spam. Recomendador de películas. Estimación del precio de una vivienda. Detección de valores atípicos.

¿Cuáles de los siguientes problemas se puede considerar un problema de regresión?. Diagnóstico de enfermedades. Estimación del tiempo de espera en una llamada de un call center. Predicción del clima (lluvia, nublado, soleado, etc.). Mantenimiento predictivo de una máquina.

¿Cuáles de las siguientes expresiones no son ecuaciones lineales?. y = β₀ + β₁x₁ + β₂x₂. y = β₀ + β₁x₁ + β₂log(x₂). y = β₀ + x₁ / β₂ + x₃. y = β₀ + β₁√x₁ + β₃x₃ x₄.

En un problema de regresión lineal simple, ¿qué representa en la expresión y = β₀ + β₁x₁ + €?. El parámetro asociado al término independiente. El parámetro de regularización del problema. Los residuos del modelo. El parámetro asociado a las variables predictoras.

¿Qué ocurre para valores muy altos de z en la función sigmoide 1 / (1 + e-z)?. Obtenemos valores altos de g(z). g(z) = 0. g(z) = 1. g(z) = e.

¿Los algoritmos de SVM funcionan solo para problemas de clasificación?. Verdadero. Falso.

¿En la función SVC de sklearn, qué ocurre cuando definimos los parámetros kernel='rbf' y degree = '5'?. Aplica una función kernel rbf de grado 3. Aplica una función polinómica de grado 3. Ignora el parámetro degree. Nos arroja un mensaje de error.

¿Los algoritmos de clasificación de SVM pueden generar fronteras no lineales?. Verdadero. Falso.

¿Los algoritmos de Naïve Bayes solo se pueden aplicar a datos de tipo numérico?. Verdadero. Falso.

Para lograr resolver el problema de no separación lineal de los datos, ¿qué técnica aplican las SVM?. Disminuir la dimensión del problema. Aumentar la dimensión del problema. Estandarizar los datos. Eliminar las variables predictoras correlacionadas.