MIA04

¿Cuál de los siguientes avances ha sido determinante para poder desarrollar la técnica de Aprendizaje Automático (Machine Learning)?. El descubrimiento de la imprenta. La tecnología 4G para telefonía móvil. El acceso a la energía solar. La mejora en la capacidad de cómputo de los ordenadores y la disponibilidad de datos digitalizados.

En un proyecto de Aprendizaje Automático suele requerir mucho más tiempo y esfuerzo la fase de recogida de datos (RAW), limpieza de los mismos y su transformación para ser "comprendidos" por la herramienta de entrenamiento, que la fase de entrenamiento y aprendizaje propiamente dicha. ¿Verdadero o Falso?. Verdadero. Falso.

¿Qué se busca predecir en una clasificación (en el contexto del Aprendizaje Automático Supervisado)?. Un valor numérico. Un conjunto de instancias con similitudes. La categoría a la que pertenece el campo objetivo de la instancia dada. Una categoría predominante.

¿Cuál es el objetivo del Aprendizaje Automático No Supervisado?. Encontrar alguna estructura o forma de organizar los datos históricos no etiquetados previamente. Ser capaz de hacer predicciones a partir de los datos históricos proporcionados. Dominar el mundo. Que los robots aprendan solos.

¿En qué tres tipos de problemas se puede dividir el Aprendizaje Automático No Supervisado?. Similitudes, Diferencias y Asociaciones. Clustering, Detección de Anomalías y Asociaciones. Regresión, Clasificación y Refuerzo. Árbol de decisión, Bayesianos y Reducción.

Si quieres entrenar un modelo de Inteligencia Artificial mediante Aprendizaje Automático para predecir un diagnóstico médico ¿qué problema utilizarás?. Regresión. Clasificación. Clusterización. Detección de anomalías.

El Aprendizaje Automático (Machine Learning) es algo nuevo, planteado y desarrollado en los últimos 10 años. ¿Verdadero o Falso?. Verdadero. Falso.

La definición de Aprendizaje Automático de Tom Mitchell utiliza estos tres elementos: Patrones, Estadística y Datos. Experiencia, Tarea y Rendimiento (Probabilidad de acertar). Velocidad de cálculo, Eficacia de predicción y Observación del resultado. Ninguno de las tres respuestas anteriores es correcta.

¿Cuál es el objetivo del Aprendizaje Automático Por Refuerzo?. Aprender a jugar a videojuegos. Detectar qué grupo de instancias son las más pobladas. Aprender cómo mapear situaciones o acciones para maximizar cierta recompensa. Encontrar relaciones entre los diferentes valores que toman los campos de una instancia.

Las técnicas de Aprendizaje Automático (Machine Learning) actuales se centran en: Resolver problemas prácticos. Aprender como lo haría un humano. Gestionar datos. Ninguna de las anteriores es correcta.

¿Qué es lo que se busca en los problemas de Detección de Anomalías (en el contexto del Aprendizaje Automático No Supervisado)?. Reducir el coste del entrenamiento de la Inteligencia Artificial. Detectar qué grupos o clusters son los más poblados. Detectar instancias que se diferencian de las demás. Encontrar relaciones entre los diferentes valores que toman los campos de una instancia.

¿Qué se busca predecir en una regresión (en el contexto del Aprendizaje Automático Supervisado)?. El precio de un inmueble. Un valor numérico. Una categoría predominante. Un conjunto de instancias con similitudes.

¿Es habitual aplicar la Detección de Anomalías (en el contexto del Aprendizaje Automático No Supervisado) como ejercicio previo para que detecte datos de instancias anómalos, limpiarlos o revisarlos?. Sí, y después de haber eliminado las instancias anómalas aplicar un problema de Clustering o algún otro. No. Solo cuando queremos hacer un entrenamiento supervisado posterior. Ninguna de las tres respuestas anteriores es correcta.

Si quisieras agrupar a tus clientes por afinidades para ofrecerles productos u ofertas que sabemos han gustado hasta ahora a un tipo concreto de clientes ¿Qué tipo de problema de Aprendizaje Automático No Supervisado deberías usar?. Regresión. Clasificación. Clustering. Detección de anomalías.

El Aprendizaje Automático (Machine Learning) es un proceso de adquisición de conocimiento de manera automática mediante la utilización de ejemplos (experiencia) de entrenamiento. ¿Verdadero o Falso?. verdadero. falso.

¿Cuál es la característica fundamental del Aprendizaje Automático Supervisado?. Que dicho aprendizaje se realiza a partir de datos que ya han sido etiquetados previamente. Que dicho aprendizaje se realiza a partir de datos no etiquetados previamente. Que dicho aprendizaje se realiza imitando el aprendizaje humano. Que dicho aprendizaje necesita gran capacidad de cómputo.

Según la definición de Arthur Samuel (en 1959) el Aprendizaje Automático (Machine Learning) es "el campo del estudio que da a las computadoras la capacidad de aprender..." (completa la definición). ...gracias a las reglas y normas definidas previamente por el humano". ... sin ser programado explícitamente". ... siguiendo patrones". ... a partir de la inmensa capacidad de cómputo de nuestros ordenadores".

¿Qué son las instancias cuando hablamos de Aprendizaje Automático?. El tiempo que hay que esperar para que la Inteligencia Artificial entrene el modelo. Los documentos necesarios para solicitar el permiso de realizar dicho Aprendizaje Automático. El conjunto de resultados que esperamos obtener. Cada uno de los elementos que forman el conjunto de datos que se proporcionan para dicho Aprendizaje Automático.

Si quieres entrenar un modelo de Inteligencia Artificial mediante Aprendizaje Automático para predecir el volumen de ventas que tendrá tu empresa los próximos meses ¿qué problema utilizarás?. Regresión. Clasificación. Clusterización. Detección de anomalías.

¿Cuál es uno de los usos más extendidos del Aprendizaje Automático Supervisado?. Enseñar a máquinas a jugar a videojuegos. Hacer predicciones a futuro basadas en comportamientos o características que se han visto en los datos ya almacenados (histórico de datos). Encontrar relaciones ocultas entre los diferentes elementos aportados en los datos almacenados. Las tres respuestas anteriores son usos habituales del Aprendizaje Automático Supervisado.

El Aprendizaje Automático (Machine Learning) en una rama de estudio de la Inteligencia Artificial. ¿Verdadero o Falso?. verdadero. falso.

Cuando queremos predecir una información que se puede expresar con un valor numérico (con Aprendizaje Automático) la Clasificación es la mejor opción. ¿Verdadero o Falso?. verdadero. falso.

El Machine Learning (Aprendizaje Automático) genera un gran interés en toda la sociedad, especialmente desde el año…. 2000. 2009. 2016. 2022.

¿En qué dos categorías se dividen los problemas de Aprendizaje Automático Supervisado?. Fuerte y debil. Rápido y lento. Regresión y clasificación. Regresión y clustering.

El término Machine Learning lo traducimos a Español como: Aprendizaje Profundo. Aprendizaje Autónomo. Aprendizaje Automático. Las dos últimas son correctas.

¿Se requiere etiquetado previo de las instancias para un modelo de Aprendizaje Automático No Supervisado?. Si. No. Depende del resultado que estemos buscando. Solo en el caso de emplear una Regresión.

El Aprendizaje Automático puede ser: Supervisado o por refuerzo. Supervisado, no supervisado o por refuerzo. Supervisado o no supervisado. Solamente por refuerzo.

¿Cuál es el objetivo de las Asociaciones (en el contexto del Aprendizaje Automático No Supervisado)?. Reducir el coste del entrenamiento de la Inteligencia Artificial. Detectar qué grupos o clusters son los más poblados. Detectar instancias que se diferencian de las demás. Encontrar relaciones entre los diferentes valores que toman los campos de una instancia.

¿Cuál es objetivo del Culstering (en el contexto del Aprendizaje Automático No Supervisado)?. Hacer predicciones. Generar un mapa clasificatorio. Ordenar y limpiar las instancias defectuosas para hacer un posterior entrenamiento supervisado. Generar agrupaciones o clusters buscando las instancias que son similares entre sí.

¿En qué materias se basa el Aprendizaje Automático (Machine Learning) actual?. Estadística, Matemáticas, Física y Química. Reconocimiento de patrones, Física cuántica, Procesamiento de datos y Estadística aplicada. Razonamiento probabilístico, Estadística, Recuperación de datos y Reconocimiento de patrones. Estudiar el reconocimiento de patrones y aprendizaje por parte de las computadoras.