Minería de datos

¿Cuál de las siguientes afirmaciones sobre la regresión logística es correcta?. La regresión logística es un método de clasificación utilizado para predecir valores discretos. La regresión logística solo puede manejar una variable predictora. La regresión logística solo se puede aplicar cuando hay una relación lineal perfecta entre las variables. La regresión logística es un método de aprendizaje no supervisado utilizado para agrupar datos. La regresión logística es inmune a la presencia de valores atípicos o extremos en los datos.

¿Qué ha contribuido al crecimiento explosivo de métodos para descubrir nuevos conocimientos a partir de datos sin procesar?. El acceso a sensores de alto costo. La disminución en la demanda de tecnología de bases de datos. El uso de computadoras de bajo costo, sensores de bajo costo y tecnología de bases de datos. La escasez de problemas de aplicaciones "interesantes" y "útiles". La falta de expertos en aplicaciones con conocimientos de computación.

¿Cuál es la diferencia entre los algoritmos de regresión y los algoritmos de clasificación en el aprendizaje supervisado?. Los algoritmos de regresión generan agrupaciones jerárquicas, mientras que los de clasificación no. Los algoritmos de regresión se basan en métodos no supervisados, mientras que los de clasificación se basan en métodos supervisados. Los algoritmos de regresión utilizan árboles de decisión, mientras que los de clasificación utilizan redes neuronales. Los algoritmos de regresión se utilizan para atributos numéricos, mientras que los de clasificación se utilizan para atributos categóricos. Los algoritmos de regresión se utilizan para predecir valores futuros, mientras que los de clasificación se utilizan para encontrar patrones en los datos.

¿Cuáles son algunos otros tipos de datos mencionados en el texto?. Datos de consultas relacionales y datos multimedia. Datos de redes sociales y datos de texto. Datos de secuencias biológicas y mapas. Datos de la WWW y datos bursátiles. Datos de bases de datos relacionales y almacenes de datos.

¿Cuál es una ventaja de los algoritmos genéticos en la selección de características?. Transforman los datos en un subespacio de baja dimensión. Encuentran correlaciones lineales entre las características dadas. Son una solución basada en redes neuronales para la extracción de características. Identifican relaciones importantes en los datos y cuantifican su importancia. Permiten atravesar eficientemente grandes espacios de solución.

¿Por qué las organizaciones suelen subcontratar los procesos de minería de datos?. Porque necesitan acceder a grandes volúmenes de datos. Porque desean utilizar algoritmos de análisis eficientes. Porque requieren conocimientos especializados en minería de datos. Porque tienen un menor costo de operación. Porque buscan extraer información de diferentes fuentes.

¿Qué técnica de extracción de características utiliza la dispersión dentro y entre clases?. Codificadores automáticos. Umbrales de correlación. Análisis de componentes independientes (ICA). Análisis discriminante lineal (LDA). Análisis de componentes principales (PCA).

¿Qué tipo de gráfico es útil para identificar valores atípicos y comparar distribuciones?. Polígono de frecuencia. Diagrama de cajas. Histograma. Gráfico de densidad suave. Gráfico de dispersión.

¿Qué es la extracción de características en minería de datos?. La transformación de datos en un formato compatible con los algoritmos de minería de datos. Un proceso para eliminar la varianza en un conjunto de datos. Un enfoque para descubrir factores ocultos en los datos. Un algoritmo de búsqueda inspirado en la biología evolutiva. Un método para mejorar el rendimiento predictivo de los modelos.

¿Cuál de las siguientes afirmaciones sobre la regresión lineal es correcta?. La regresión lineal es un método de aprendizaje supervisado utilizado para predecir valores continuos. La regresión lineal solo se puede aplicar cuando hay una relación lineal perfecta entre las variables. La regresión lineal solo puede manejar una variable predictora. La regresión lineal es un método de clasificación utilizado para predecir valores discretos. La regresión lineal es inmune a la presencia de valores atípicos o extremos en los datos.

¿Qué tipo de datos se busca extraer y analizar en el Text Mining?. Datos estructurados como tablas y bases de datos. Datos no estructurados presentes en documentos de texto. Datos en formato de audio. Imágenes y videos.

¿Cuál es uno de los beneficios de reducir la dimensionalidad en la minería de datos?. Identificar y eliminar variables irrelevantes. Facilitar la comprensión del modelo y sus resultados. Preservar las relaciones salientes en los datos. Todas las anteriores. Mejorar el rendimiento computacional.

¿Qué tipo de gráfico es eficaz para mostrar cambios a lo largo del tiempo en información cuantitativa?. Diagrama de cajas. Gráfico de dispersión. Gráfico de barras. Histograma. Polígono de frecuencia.

¿Cuál de las siguientes opciones describe un almacén de datos?. Un conjunto de programas de software para administrar y acceder a los datos. Una colección de datos interrelacionados almacenados en un solo sitio. Un repositorio de datos multimedia y datos relacionados con el tiempo. Un depósito de información histórica resumida organizada en torno a temas principales. Un sistema de base de datos con tablas y atributos relacionales.

¿Qué es la reducción de la dimensionalidad en minería de datos?. Proyectar los datos originales en un espacio más pequeño. Reemplazar el volumen de datos original por formas alternativas de representación. Aplicar transformaciones para obtener una representación comprimida de los datos. Reducir el número de variables aleatorias o atributos considerados. Eliminar atributos irrelevantes o redundantes.

¿Qué papel juega la probabilidad en la minería web?. Permite predecir el comportamiento del consumidor. Ayuda a identificar tendencias de marketing. Facilita la detección de fraudes en línea. Simplifica la automatización de consultas. Ayuda a analizar la incertidumbre en los datos.

¿Cuál es uno de los desafíos principales al analizar grandes conjuntos de datos de redes sociales?. La falta de actualizaciones periódicas. La falta de interacción humana. El ruido en los datos. La falta de variedad en los datos. La baja cantidad de usuarios.

¿Cuáles son ejemplos de métodos paramétricos en la reducción de la numerosidad?. Transformaciones de ondículas y histogramas. Histogramas y agrupamiento. Muestreo y agregación de cubos de datos. Modelos de regresión y log-lineal. Transformaciones de ondículas y análisis de componentes principales.

¿Por qué es importante el análisis de redes sociales en la actualidad?. Para prevenir el spam en línea. Para personalizar servicios web. Para mejorar la seguridad de la información. Para comprender el comportamiento del consumidor. Para identificar tendencias de marketing.

¿Qué problema se presenta con los datos de alta dimensión conocido como la "maldición de la dimensionalidad"?. Mayor dificultad en el aprendizaje automático. Escasez de datos y proximidad de los datos. Pérdida de similitud entre los puntos de datos. Necesidad de alimentar una gran cantidad de datos. Todas las anteriores.

¿Cuál es el resultado de la normalización de los datos de entrada en el PCA?. Los datos se encuentran dentro del mismo rango para evitar la dominancia de atributos. Los atributos con dominios más pequeños dominan los atributos con dominios grandes. Se calculan los vectores ortonormales que proporcionan una base para los datos. Se elimina la baja varianza de los componentes más débiles. Se ordenan los componentes principales en orden decreciente de importancia.

¿Qué se busca obtener además de los modelos en un proyecto de minería de datos?. Nuevas técnicas de modelado. Resultados predictivos precisos. Descubrimientos que contribuyan a alcanzar los objetivos de negocio. Opiniones sobre el modelo generado. Modelos con alta fiabilidad y plausibilidad.

¿Cuál de los siguientes procesos está incluido en la minería de datos?. Minería web. Minería de redes sociales. Todos los anteriores. Minería de video y audio. Minería de texto.

¿Cuál de las siguientes opciones representa correctamente las fases del Text Mining en orden secuencial?. Análisis de Sentimiento, Clasificación de Texto, Extracción de Información, Preprocesamiento. Preprocesamiento, Clasificación de Texto, Extracción de Información, Análisis de Sentimiento. Preprocesamiento, Extracción de Información, Análisis de Sentimiento, Clasificación de Texto. Extracción de Información, Análisis de Sentimiento, Preprocesamiento, Clasificación de Texto.

¿Qué tipo de gráfico muestra la relación entre dos variables, como altura y peso?. Polígono de frecuencia. Diagrama de cajas. Gráfico de dispersión. Histograma. Gráfico de densidad suave.

¿Qué papel juega la estadística en la minería de datos?. Facilita la detección de fraudes en línea. Ayuda a identificar tendencias de marketing. Simplifica la automatización de consultas. Permite analizar la incertidumbre en los datos. Ayuda a predecir el comportamiento del consumidor.

¿Qué implican las actividades de minería de datos descriptiva?. Encontrar patrones que describen los datos. Inferir un modelo descriptivo a partir de la demanda de un producto. Predecir valores desconocidos o futuros. Explorar las propiedades de los datos examinados. Estimar la demanda de un nuevo producto.

¿En qué consiste la compresión de datos con pérdida?. Almacenar representaciones reducidas de los datos mediante histogramas. Obtener una aproximación de los datos originales al reconstruirlos. Reconstruir los datos originales sin pérdida de información. Manipular limitadamente los datos para la compresión de cadenas. Aplicar transformaciones para obtener una representación comprimida de los datos.

¿Qué herramienta es conocida por permitir realizar agrupamientos y clasificaciones en conjuntos de datos?. LinkedIn. Python. Instagram. Twitter. Facebook.

¿Cuál es el objetivo principal del análisis exploratorio de datos en minería de datos?. Crear imágenes bidimensionales y tridimensionales de datos comerciales. Identificar subpoblaciones en el conjunto de datos. Generar modelos de predicción. Identificar relaciones entre atributos de entrada potenciales. Obtener una comprensión general del conjunto de datos.

¿Cuál es el propósito de separar los conjuntos de datos en entrenamiento y validación?. Para construir un modelo con buen rendimiento. Para evaluar el nivel de sobreajuste del modelo. Para detectar y eliminar valores faltantes en los datos. Para aplicar diferentes algoritmos de minería de datos. Para generalizar el modelo a nuevos conjuntos de datos.

¿Qué es el Procesamiento del Lenguaje Natural (PNL)?. Un enfoque para traducir texto de un idioma a otro utilizando algoritmos de aprendizaje automático. Un conjunto de técnicas para preprocesar imágenes y videos antes de aplicar algoritmos de reconocimiento de patrones. Una técnica para analizar y procesar lenguajes artificiales creados por computadoras. Un campo de estudio que se enfoca en la interacción entre humanos y máquinas a través del lenguaje humano.

¿Cuál es el objetivo principal del aprendizaje supervisado en minería de datos?. Generar agrupaciones jerárquicas de instancias. Construir modelos de reingresos en hospitalización. Encontrar grupos similares en el conjunto de datos. Predecir valores futuros de atributos numéricos. Segmentar los pacientes atendidos en urgencias en grupos homogéneos.

¿Cuál es el principal desafío al analizar grandes conjuntos de datos en la minería de redes sociales?. La falta de actualizaciones periódicas. La baja cantidad de usuarios. La falta de variedad en los datos. La falta de interacción humana. El ruido en los datos.

¿Qué indica la presencia de distribuciones multimodales en el análisis exploratorio de datos?. La presencia de relaciones directas o inversas entre atributos. La presencia de información o patrones interesantes en el conjunto de datos. La existencia de subpoblaciones con distribuciones potencialmente diferentes. La identificación de atributos clave que identifican de forma única las observaciones. La similitud entre los atributos de entrada potenciales.

¿Qué se busca al examinar la distribución de atributos numéricos en el análisis exploratorio de datos?. La forma y simetría de la distribución. El número de valores únicos en el conjunto de datos. Las relaciones entre el atributo de salida y los atributos de entrada. La cantidad de observaciones en cada categoría. El rango de valores en el conjunto de datos.

¿Cuál es la importancia de los algoritmos de aprendizaje automático en la minería de datos?. Permiten descubrir patrones en grandes conjuntos de datos. Ayudan a prevenir el spam en línea. Simplifican la automatización de consultas. Facilitan la visualización de datos. Mejoran la seguridad de la información.

¿En qué área se puede utilizar el Text Mining para identificar patrones en comentarios de clientes y opiniones en redes sociales?. Análisis de riesgo financiero. Análisis de mercado y opiniones de clientes. Diseño de algoritmos de encriptación. Investigación espacial.

¿Por qué es difícil analizar o buscar patrones en conjuntos de datos de alta dimensión?. Debido a la presencia de múltiples variables observables o medibles. Por la incapacidad de aplicar transformaciones en datos de alta dimensión. Por la falta de métodos de reducción de datos eficientes. Por la ausencia de técnicas de compresión de datos aplicables. Debido a la existencia de valores atípicos en los datos.

from sklearn.tree import DecisionTreeClassifier seria usado para: Para clasificar los correos en spam o no. Para catergorizar una flor. Determinar si le darán un préstamo a una persona. Predecir la demanda de un producto. Para clasificar una noticia.

¿Qué herramienta es conocida por permitir diferentes tipos de análisis de minería de datos?. Oracle Data Mining. Photoshop. Google Docs. PowerPoint. Excel.

¿Qué se busca al enumerar los atributos en el análisis exploratorio de datos?. El rango de valores en el conjunto de datos. Las unidades en las que están codificados los atributos. La cantidad de observaciones en cada categoría. El número de valores únicos en el conjunto de datos. Las relaciones entre el atributo de salida y los atributos de entrada.

¿Cuál es el objetivo de buscar patrones en el análisis exploratorio de datos?. Identificar subpoblaciones en el conjunto de datos. Generar modelos de predicción. Evaluar los resultados del modelo de minería de datos. Identificar relaciones entre atributos de entrada potenciales. Obtener una comprensión general del conjunto de datos.

¿Qué tipo de "inteligencia" puede proporcionar la minería de datos a los responsables de la toma de decisiones?. Inteligencia cognitiva. Inteligencia empresarial y científica oculta. Inteligencia social. Inteligencia artificial. Inteligencia emocional.

¿Cuál de estos son algoritmos que se pueden usar en predicción y clasificación?. Máquinas de vectores de soporte (SVM). Naive Bayes. Árboles de decisión. K Nearest Neighbors. Redes neuronales.

¿Cuál de las siguientes opciones describe correctamente el paquete o biblioteca de Python utilizado para implementar Naive Bayes, Árbol de Decisión y Regresión Lineal?. PyTorch. Keras. Scikit-learn. Pandas. TensorFlow.

¿Cuál es el objetivo principal del aprendizaje no supervisado en minería de datos?. Encontrar grupos similares en el conjunto de datos. Segmentar los pacientes atendidos en urgencias en grupos homogéneos. Predecir valores futuros de atributos numéricos. Construir modelos de reingresos en hospitalización. Generar agrupaciones jerárquicas de instancias.

¿Cuál de las siguientes tareas se puede realizar utilizando el Análisis de redes sociales?. Análisis de sentimiento en comentarios de películas. Extracción de patrones de tráfico en sitios web. Análisis de tendencias en el mercado de valores. Análisis de patrones climáticos en una región. Identificación de influencers en plataformas de redes sociales.

¿Cuáles son los dos grupos principales de métodos o algoritmos de agrupamiento en el aprendizaje no supervisado?. Métodos jerárquicos y métodos no supervisados. Métodos jerárquicos y métodos de regresión. Métodos jerárquicos y métodos de clasificación. Métodos particionales y métodos de clasificación. Métodos particionales y métodos de agrupamiento.

¿Cuál de las siguientes fases del Text Mining se refiere a la eliminación de caracteres especiales y palabras vacías para facilitar el análisis del texto?. Clasificación de Texto. Análisis de Sentimiento. Preprocesamiento. Extracción de Información.

¿Qué se entiende por el término "minería de datos"?. La aplicación de metodologías basadas en computadora para descubrir conocimientos a partir de datos. El análisis manual de grandes conjuntos de datos. La recopilación y organización de datos. El proceso de convertir datos en información útil. El estudio de la historia y evolución de los almacenes de datos.

¿Por qué es importante la minería de datos en el mundo moderno?. Porque ayuda a comprender y tomar decisiones basadas en la información obtenida de los datos. Porque reemplaza a los analistas humanos en el proceso de análisis de datos. Porque facilita la recopilación de datos numéricos. Porque permite el almacenamiento de grandes cantidades de datos. Porque reduce el costo de almacenamiento de datos.

¿Cuándo se deben eliminar los atributos de un conjunto de datos?. Cuando estén correlacionados con otros atributos. Cuando sean complejos y difíciles de interpretar. Cuando sean categóricos en lugar de numéricos. Cuando sean irrelevantes o redundantes. Cuando no sean necesarios para el análisis planificado.

¿Cuál de las siguientes afirmaciones sobre la Minería de datos en la Web es correcta?. Se limita a la obtención de información de fuentes impresas en formato digital. Se centra exclusivamente en extraer imágenes y videos de sitios web. La Minería de datos en la Web no tiene aplicaciones prácticas en la actualidad. Permite descubrir patrones y conocimiento útil a partir de los datos disponibles en la Web. La Minería de datos en la Web solo se aplica en sitios web de comercio electrónico.

¿Cuál es el objetivo principal de la regresión lineal?. Determinar la correlación entre dos variables. Estimar la probabilidad de un evento. Identificar la relación causal entre dos variables. Clasificar datos en diferentes categorías. Predecir valores continuos basados en la relación entre variables.

¿Cuál es la diferencia entre modelos predictivos y descriptivos en minería de datos?. Los modelos predictivos estiman valores futuros mientras que los descriptivos encuentran patrones. Los modelos predictivos buscan relaciones en los datos, mientras que los descriptivos resumen los datos. Los modelos predictivos se basan en técnicas de clustering, mientras que los descriptivos se basan en técnicas de redes neuronales. Los modelos predictivos son aplicables a problemas de clasificación, mientras que los descriptivos son aplicables a problemas de segmentación. Los modelos predictivos encuentran patrones mientras que los descriptivos estiman valores futuros.

¿Cuál es la idea central del análisis de componentes principales (PCA)?. Cuantificar la importancia de las relaciones entre características. Identificar relaciones importantes en los datos. Transformar datos en un subespacio de baja dimensión. Encontrar correlaciones lineales entre las características. Conservar la mayor cantidad posible de información discriminatoria de clase.

¿Qué es el Text Mining?. Un método para realizar búsquedas en Internet. Un proceso para convertir texto en imágenes. Un enfoque para cifrar mensajes de texto. Un proceso para extraer información no estructurada de documentos de texto.

¿Cuál de las siguientes opciones no es una funcionalidad del Text Mining?. Identificación de patrones en datos numéricos. Resumen automático de texto. Análisis de Sentimiento. Agrupación de documentos similares.

¿Cuál es el aspecto único de la minería de datos en el mundo científico y empresarial?. La disminución en el uso de herramientas de extracción de datos. La reducción en el tamaño y la complejidad de los conjuntos de datos. La convergencia de varias disciplinas y tecnologías correspondientes. La falta de almacenes de datos centralizados. El aumento en el número de fuentes de datos disponibles.

¿Qué desafíos plantean algunos de los otros tipos de datos mencionados?. Cómo acceder a datos multimedia y datos de la WWW. Cómo lidiar con la estructura y semántica de datos especiales, como secuencias y redes. Cómo minar patrones en datos de texto e imágenes. Cómo integrar datos de diferentes bases de datos y almacenes de datos. Cómo manejar datos relacionales y almacenarlos eficientemente.

¿Qué se busca lograr al reducir las dimensiones de los datos en la minería de datos?. Aumentar la similitud entre los puntos de datos. Alimentar una mayor cantidad de puntos de datos. Facilitar la visualización de los datos. Superar la maldición de la dimensionalidad. Aumentar la escasez de datos.

¿Qué es la tokenización en el procesamiento de texto?. El proceso de dividir el texto en unidades más pequeñas llamadas "tokens". Un método para representar el texto en forma de matriz numérica. La etapa de preprocesamiento donde se eliminan las palabras vacías. La etapa de análisis donde se interpretan y visualizan los resultados.

¿Cuál es uno de los cambios en los paradigmas del análisis de datos clásico en la era de Internet?. La falta de cambios en los paradigmas del análisis de datos clásico. La disminución en el volumen de datos generados. El aumento en la demanda de análisis de datos manuales. La preparación para cambios en los paradigmas del análisis de datos clásico. La proliferación de computadoras de alto costo.

Según la "maldición de la dimensionalidad", ¿por qué es preferible tener menos dimensiones en un conjunto de datos?. Los resultados serán más fiables estadísticamente. Se evitará la distorsión causada por valores atípicos. Los atributos redundantes se eliminarán automáticamente. Se requerirán tamaños de muestra más pequeños. Los resultados serán más precisos y explicativos.

¿Cuál es la principal utilidad de los componentes principales en el PCA?. Reducir la dimensionalidad de los datos ordenados y desordenados. Manejar datos escasos y sesgados. Proporcionar una buena aproximación de los datos originales. Servir como entradas para el análisis de conglomerados y regresión múltiple. Identificar grupos o patrones dentro de los datos.

¿Qué técnica de programación es fundamental para el web scraping?. Seguridad de la información. Automatización de consultas. Interacción con APIs. Análisis del lenguaje natural. Análisis de datos.

¿Qué tipo de métodos se consideran similares al análisis de componentes principales y se basan en una transformación de los atributos?. Métodos lineales de reducción de dimensionalidad. Métodos no lineales de reducción de dimensionalidad. Métodos de análisis factorial. Métodos de selección de características. Métodos de extracción de características.

¿Cuál es la afirmación correcta sobre la minería de datos?. Es una tecnología que se utiliza exclusivamente en el mundo científico. Es un concepto bien establecido en los estudios científicos y médicos. Es una tecnología nueva en manos de los responsables de la toma de decisiones. Es una disciplina que se ha desarrollado recientemente en el mundo empresarial. Es una técnica de análisis de datos manual utilizada en grandes conjuntos de datos.

¿Cuál de las siguientes opciones describe una de las principales desventajas del Web Scraping?. No requiere conocimientos de programación para implementar técnicas de Web Scraping. Permite obtener información en tiempo real de sitios web sin restricciones. Es una técnica poco confiable para obtener datos de la Web. Facilita el acceso a datos de sitios web de manera rápida y legal. Puede extraer datos de sitios web sin el consentimiento del propietario, lo que puede violar los términos de uso y las políticas de privacidad.

¿Cuál es el propósito principal de la regresión logística en la minería de datos?. Clasificar datos en categorías discretas. Encontrar patrones y asociaciones ocultas en los datos. Estimar la relación lineal entre dos variables. Predecir valores continuos basados en la relación entre variables. Encontrar patrones y asociaciones ocultas en los datos.

¿Cuál es el cambio inevitable que ha ocurrido en el análisis de datos a medida que los conjuntos de datos han crecido en tamaño y complejidad?. Mayor participación de analistas manuales. Estancamiento en los métodos de análisis de datos. Análisis de datos más simple y directo. Reducción en el uso de herramientas complejas. Transición hacia análisis de datos automático e indirecto.

¿Cuál de las siguientes afirmaciones es cierta al comparar herramientas de minería de datos?. Las herramientas de minería de datos no tienen interfaz gráfica, solo pueden ser operadas mediante comandos de línea. Todas las herramientas de minería de datos requieren un alto nivel de programación para su uso. Algunas herramientas están especializadas en análisis de texto, mientras que otras se centran en análisis de imágenes. El precio de una herramienta de minería de datos no tiene relación con sus capacidades y rendimiento. Todas las herramientas de minería de datos ofrecen exactamente las mismas características y funcionalidades.

¿Cuál de las siguientes opciones describe correctamente un uso común de Naive Bayes en minería de datos?. Agrupación de datos en diferentes clústeres o segmentos. Detección de anomalías o valores atípicos en un conjunto de datos. Predicción de valores continuos, como el precio de una vivienda. Clasificación de textos o documentos en categorías, como spam o no spam. Análisis de asociación entre diferentes variables en un conjunto de datos.

¿Cuál de las siguientes opciones describe un nivel de Web Scraping en el que se extraen datos a través de la navegación interactiva con un navegador web real?. Nivel 1: Análisis de estructura HTML. Nivel 4: Navegación interactiva con JavaScript. Nivel 2: Extracción basada en API. Nivel 3: Navegación basada en reglas. Nivel 5: Extracción mediante solicitud de URL.

¿Qué diferencia a la minería de datos de los simples algoritmos de análisis?. La utilización de algoritmos estadísticos y matemáticos complejos. El uso de diferentes técnicas e instrumentos para obtener conocimientos. La capacidad de trabajar con grandes volúmenes de datos. La capacidad de identificar patrones y tendencias en los datos. La extracción de información requerida de grandes bases de datos.

¿Por qué es importante reducir el número de observaciones en un conjunto de datos?. Para reducir la dimensionalidad del conjunto de datos. Para ahorrar tiempo de procesamiento. Para detectar valores atípicos más fácilmente. Para aumentar la granularidad de los datos. Para eliminar subpoblaciones irrelevantes.

¿Qué tipo de gráfico es estéticamente más atractivo que los histogramas y permite visualizar la distribución de datos en un intervalo continuo?. Histograma. Diagrama de cajas. Polígono de frecuencia. Gráfico de dispersión. Gráfico de densidad suave.

¿Cuál es uno de los retos de la minería de datos?. Procesar los datos previamente en un formato estándar. Lidiar con la volatilidad de los datos. Trabajar con grandes volúmenes de datos. Usar técnicas adecuadas para analizar los datos. Asegurar la comprensibilidad del modelo inferido.

¿Qué se entiende por "descubrimiento de conocimiento en bases de datos (KDD)"?. El proceso de analizar grandes volúmenes de datos. La identificación de tendencias y patrones ocultos en los datos. La extracción de información útil a partir de datos almacenados. La transformación de datos sin procesar en información utilizable. El uso de algoritmos de análisis para tomar decisiones informadas.

¿Cuál es el objetivo principal de la comparativa de Data Mining Tools?. Prevenir el spam en línea. Realizar análisis de lenguaje natural. Visualizar datos de redes sociales. Transformar datos en información refinada. Descubrir patrones en grandes conjuntos de datos.

¿Cuál de las siguientes tareas se realiza durante el preprocesamiento del texto?. Convertir todo el texto a minúsculas. Realizar análisis de sentimiento para determinar la actitud o emoción expresada en un texto. Contar el número de reseñas positivas y negativas. Dividir el texto en unidades más pequeñas llamadas "tokens". Asignar un valor numérico a cada token.

¿Qué tipo de gráfico es especialmente útil para comparar conjuntos de datos y mostrar distribuciones de frecuencia acumuladas?. Diagrama de cajas. Gráfico de densidad suave. Polígono de frecuencia. Gráfico de dispersión. Histograma.

¿Cuál es la principal característica de los autocodificadores como técnica de reducción de dimensionalidad?. Transforman los datos en un formato compatible con los algoritmos de minería de datos. Identifican relaciones importantes en los datos y cuantifican su importancia. Buscan la varianza de una observación a otra de una característica determinada. Son una solución basada en redes neuronales para la extracción de características. Encuentran correlaciones lineales entre las características dadas.

¿Qué ha permitido el almacenamiento de grandes colecciones de datos en almacenes de datos centralizados?. Un examen más completo de los datos a través de poderosos métodos de extracción de datos. La generación de nuevas áreas de estudio en la minería de datos. La limitación en el crecimiento de los conjuntos de datos. La reducción en el uso de herramientas de extracción de datos. Un análisis de datos más simple y directo.

¿Cuál es el objetivo principal de la minería de datos?. Identificar y extraer patrones ocultos en los datos. Convertir datos sin procesar en información útil. Extraer información de bases de datos grandes. Tomar decisiones informadas sobre el negocio. Evaluar segmentos de datos con algoritmos estadísticos.

¿Cuáles son algunas formas básicas de datos para aplicaciones de minería de datos?. Datos espaciales y de texto. Datos de imágenes y videos. Datos de bases de datos y almacenes de datos. Datos de redes sociales y multimedia. Datos transaccionales y flujos de datos.

¿Cuál de las siguientes opciones describe correctamente uno de los usos comunes de Naive Bayes en minería de datos?. Recomendación de productos en línea. Detección de anomalías en transacciones financieras. Análisis de sentimientos en redes sociales. Clasificación de imágenes en categorías. Predicción de series de tiempo.

¿Cuál es el objetivo fundamental de la minería de datos?. Extraer conocimientos valiosos de grandes conjuntos de datos. Convertir datos numéricos en información útil. Sustituir a los analistas manuales en el análisis de datos. Reducir el tamaño de los conjuntos de datos almacenados. Almacenar datos en almacenes de datos centralizados.

¿Por qué es esencial el análisis de redes sociales para comprender el potencial de la minería de datos?. Porque mejora la seguridad de la información. Porque simplifica la automatización de consultas. Porque permite identificar patrones de comportamiento. Porque ayuda a prevenir el spam en línea. Porque facilita la detección de fraudes en línea.

¿Qué sucede con el volumen de datos necesario para mantener una representación precisa del espacio a medida que aumenta la dimensión subyacente?. No se ve afectado por la dimensión. Se mantiene constante. Aumenta linealmente. Disminuye linealmente. Aumenta exponencialmente.

¿Qué tipo de datos captura una base de datos transaccional?. Registros de transacciones, como compras de clientes o reservas de vuelos. Datos de flujos continuos, como videovigilancia. Datos relacionados con el tiempo o de secuencia. Datos de hipertexto y multimedia. Datos de diseño de ingeniería y datos espaciales.

¿Cuál es una característica común de los métodos de análisis factorial en la reducción de la dimensionalidad?. Consideración de todo el contenido de la información en la reducción. Utilización de la factorización alfa y la factorización de imagen. Transformación de los atributos basada en máxima verosimilitud. Reducción del número de atributos mediante mínimos cuadrados. Factorización de ejes principales para crear un conjunto menor de atributos.

¿Cuál de los siguientes tipos de datos es un repositorio comúnmente utilizado en la minería de datos?. Datos multimedia. Datos de flujos. Datos espaciales. Datos relacionales. Datos de hipertexto.

¿Qué tipo de datos se puede extraer utilizando técnicas de Minería de datos en la Web?. Datos numéricos presentes en bases de datos en línea. Solo texto sin formato. Solo imágenes y videos. Solo datos estructurados en tablas. Texto, imágenes, videos y otros datos no estructurados presentes en sitios web.

¿Cuál de las siguientes técnicas de reducción de la numerosidad utiliza un modelo para estimar los datos y solo almacena los parámetros en lugar de los datos reales?. Histogramas. Modelos de regresión. Análisis de componentes principales. Transformaciones de ondículas. Agrupamiento.

¿Cuál es la importancia de la minería de datos en la detección de fraudes?. Ayuda a identificar tendencias de marketing. Permite descubrir patrones anómalos en los datos. Simplifica la automatización de consultas. Mejora la seguridad de la información. Facilita la visualización de datos.

¿Cuál es uno de los objetivos principales de la evaluación del modelo en minería de datos?. Revisar el proceso de minería de datos. Establecer un ranking de resultados. Evaluar el grado de acercamiento a los objetivos de negocio. Probar el modelo en entornos de prueba. Asegurar la fiabilidad y plausibilidad del modelo.

¿Cuál es la principal diferencia entre web scraping y screen scraping?. La fuente de los datos. La cantidad de datos recopilados. La tecnología utilizada. El tipo de información extraída. La automatización del proceso.

¿Qué diferencia al aprendizaje supervisado del aprendizaje no supervisado en minería de datos?. El aprendizaje supervisado parte de datos etiquetados, mientras que el no supervisado parte de datos no etiquetados. El aprendizaje supervisado se utiliza para predecir valores futuros, mientras que el no supervisado se utiliza para encontrar patrones en los datos. El aprendizaje supervisado se basa en regresiones, mientras que el no supervisado se basa en clasificaciones. El aprendizaje supervisado está dedicado a las tareas de agrupamiento, mientras que el no supervisado se utiliza para la construcción de modelos de reingresos en hospitalización. El aprendizaje supervisado utiliza algoritmos jerárquicos, mientras que el no supervisado utiliza algoritmos particionales.

¿Por qué es esencial la visualización de datos en la minería de datos?. Para identificar patrones de comportamiento. Para simplificar la automatización de consultas. Para mejorar la seguridad de la información. Para prevenir el spam en línea. Para facilitar la detección de fraudes en línea.

¿Cuál es el objetivo principal del análisis de componentes principales (PCA) en la reducción de la dimensionalidad?. Minimizar el error cuadrático cometido. Encontrar vectores ortogonales n-dimensionales. Revelar relaciones no sospechadas previamente. Ordenar los componentes principales en orden decreciente de importancia. Representar los datos en un espacio de dimensionalidad reducida.

¿Qué funcionalidad del Text Mining permite categorizar correos electrónicos como spam o no spam?. Extracción de Información. Análisis de Sentimiento. Agrupación de documentos. Clasificación de Texto.

¿Cuál es una de las clasificaciones de las técnicas de reducción de dimensionalidad según el tipo de proceso de aprendizaje?. Técnicas supervisadas. Técnicas no supervisadas. Técnicas paramétricas. Técnicas no paramétricas. Técnicas lineales.

¿Por qué es importante detectar valores atípicos en un conjunto de datos?. Para identificar factores que contribuyan a su singularidad. Para evitar el sobreajuste del modelo de minería de datos. Para aumentar la precisión de las predicciones del modelo. Para eliminar observaciones erróneas del conjunto de datos. Para equilibrar los valores de los atributos en el conjunto de datos.

¿Cuál de las siguientes opciones describe una diferencia clave entre regresión lineal y regresión logística?. La regresión lineal puede manejar variables de entrada categóricas, mientras que la regresión logística solo puede manejar variables numéricas. La regresión lineal es un método de clasificación, mientras que la regresión logística es un método de regresión. La regresión lineal utiliza la función de activación sigmoide, mientras que la regresión logística utiliza la función de activación lineal. La regresión lineal es más adecuada para conjuntos de datos pequeños, mientras que la regresión logística es más adecuada para conjuntos de datos grandes. La regresión lineal se utiliza para predecir valores continuos, mientras que la regresión logística se utiliza para predecir probabilidades y clasificar datos.