inteligencia

En relación con los tipos de aprendizaje en Machine Learning (ML) y la diferencia entre “Aprendizaje Supervisado” y “Aprendizaje No Supervisado”, ¿cuál de las siguientes afirmaciones es CORRECTA?. a. Aprendizaje Supervisado. Rama de ML que utiliza datos de entrenamiento etiquetados para elaborar un modelo para realizar predicciones, clasificaciones… : (1) Se requieren datos etiquetados donde ya se conoce el dato objetivo a predecir. (2) Hay una variable objetivo claramente definida. (3) El objetivo es hacer predicciones sobre la variable objetivo con nuevos datos. b. Aprendizaje NO Supervisado. Rama de ML que utiliza datos de entrenamiento NO etiquetados para encontrar patrones, estructuras o agrupaciones en los datos: (1) No existe una variable objetivo definida. (2) Se usan para explorar/comprender relaciones y patrones en datos mediante agrupaciones o clústeres. c. Ambas respuestas (a) y (b) son CORRECTAS.

En relación con un Ciclo de Vida de Proyecto en Machine Learning (ML). ¿Cuál de las siguientes afirmaciones relacionadas con alguna de sus fases es CORRECTA?. a. Fase EDA (Exploratory Data Analysis). Su objetivo es entender/analizar los datos. Es un paso esencial para: (1) Comprender los datos. (2) Mejor elección del modelos ML. (3) Detectar errores o anomalías que pueden ser corregidas en la siguiente fase Data Preparation. b. Fase Data Preparation. Esta fase incluye: (1) Limpieza de Datos - eliminación de datos innecesarios, borrados, imputación de valores faltantes… (2) Transformación de Datos - conversión de tipos de datos, codificación de categorías, normalizar, estandarizar, … - (3) Tratamiento con datos desbalanceados…. c. Ambas respuestas (a) y (b) son CORRECTAS.

En la fase EDA (Exploratory Data Analysis) de un Ciclo de ML deberíamos observar y establecer un control relacionado con el problema del Desbalanceo de clases. ¿En qué consiste el Desbalanceo de Clases?. a. Ocurre cuando la DISTRIBUCIÓN de las VARIABLES en el dataset es DESIGUAL. Esto es, TODAS las VARIABLES no tienen la misma IMPORTANCIA. b. Ocurre cuando la DISTRIBUCIÓN de las CLASES (ej. 0, 1) en la VARIABLE OBJETIVO en el dataset es DESIGUAL. Esto es una clase está representada con muchas más observaciones que la otra. c. Ambas respuestas (a) y (b) son CORRECTAS.

07. ¿Cuáles de las siguientes tareas forman parte de la fase Feature Engineering de un Ciclo de ML?. a. Selección de variables (características, features). Identificar y elegir las variables de entrada más relevantes mediante técnicas estadísticas y de modelados. b. En esta etapa, los datos sin procesar se limpian, transforman y organizan para garantizar que estén listos para ser utilizados en el modelado. c. Ambas respuestas (a) y (b) son CORRECTAS.

En relación con el Problema del Overfitting o Sobreajuste en modelos de Machine Learning, ¿cuál de las siguientes afirmaciones es correcta?. a. El modelo de ML se ajusta demasiado a los datos de entrenamiento. El modelo tiene rendimiento EXCELENTE con datos de ENTRENAMIENTO pero un desempeño DEFICIENTE con datos NUEVOS. b. El Modelo “memoriza los datos” de entrenamiento pero no aprende patrones generales que puedan aplicarse a datos nuevos. Por tanto tiene una INCORRECTA GENERALIZACIÓN. c. Ambas respuestas (a) y (b) son CORRECTAS.

En relación con métricas de evaluación para Algoritmos de ML de Clasificación, ¿cuál de las siguientes afirmaciones es CORRECTA?. a. Recall. Mide la proporción de VERDADEROS POSITIVOS que han sido CORRECTAMENTE identificados por el modelo. b. Specificity, está relacionada con la False Positive Rate, ya que se enfoca en reducir los falsos positivos. c. Ambas respuestas (a) y (b) son CORRECTAS.

En relación con métricas de evaluación para Algoritmos de Machine Learning de Clasificación, ¿cuál de las siguientes afirmaciones es CORRECTA?. a. Recall. Mide la proporción de VERDADEROS POSITIVOS que han sido CORRECTAMENTE identificados por el modelo. b. Specificity. Mide la proporción de VERDADEROS NEGATIVOS que han sido CORRECTAMENTE identificados por el modelo. c. Ambas respuestas (a) y (b) son CORRECTAS.

En relación con la fase de Evaluación del Modelo ¿cuál de las siguientes afirmaciones es correcta?. a. Sus objetivos principales son: (1) Medir rendimiento del modelo entrenado. (2) Garantizar cumplimiento requisitos del problema. (3) Garantizar resultados confiables. b. En esta fase seleccionan las variables (características, features). Se identifican y elegir las variables de entrada más relevantes mediante técnicas estadísticas y de modelados. c. Ambas respuestas (a) y (b) son CORRECTAS.

En relación con la fase de Optimización del Modelo ¿cuál de las siguientes afirmaciones es correcta?. a. Consiste en mejorar el rendimiento del modelo ajustando distintos aspectos como: (1) Datos de entrada. (2) Revisión de características. (3) Esquema de entrenamiento. (4) Hiperparámetros. b. El objetivo es: (1) Maximizar la precisión. (2) Minimizar el error. (3) Garantizar una generalización adecuada del modelo a datos no vistos. c. Ambas respuestas (a) y (b) son CORRECTAS.

En relación con métricas de evaluación para Algoritmos de ML de Clasificación, ¿cuál de las siguientes afirmaciones es CORRECTA?. a. Accuracy, Precision, Recall y F1-score, son métricas usadas en la fase de Evaluación del Modelo para problemas de clasificación para predecir etiquetas (ej. operativa de fraude: sí/no). b. Falso Negativo. Número de Predicciones/Clasificación que el algoritmo clasifica INCORRECTAMENTE, etiquetando erróneamente estos datos en la CLASE POSITIVA. c. Ambas respuestas (a) y (b) son CORRECTAS.