Programación de Inteligencia Artificial - RA3 - ILERNA

¿Por qué es importante validar un modelo de aprendizaje automático?. Para crear nuevas etiquetas. Para deshacerse de los datos de entrenamiento. Para asegurar que funciona bien con nuevos datos. Para hacer que el modelo sea más complicado.

¿Qué es un modelo de prueba?. Un modelo que se elimina. Un modelo que se evalúa con nuevos datos no vistos. El primer modelo que se crea. Un modelo que no tiene etiquetas.

¿Qué tipo de algoritmo se debe elegir para un problema de clasificación en aprendizaje supervisado?. Algoritmos de matemáticas básicas. Algoritmos como regresión logística o árboles de decisión. Algoritmos de diseño gráfico. Algoritmos de creación de texto.

¿Qué se necesita para entrenar un modelo de aprendizaje supervisado?. Solo datos sin etiquetar. Datos etiquetados. Un algoritmo de optimización especial. Solo variables de salida.

¿Qué significa ajustar características o parámetros en un modelo?. Revertir el modelo a su primera versión. Modificar los elementos del modelo para mejorar su rendimiento. Aumentar la cantidad de datos sin etiquetar. Eliminar todo del modelo.

¿Qué se entiende por sobreajuste (overfitting) en un modelo de aprendizaje automático?. Cuando un modelo no se ajusta adecuadamente a los datos de entrenamiento. Cuando un modelo tiene muy pocos parámetros. Cuando un modelo es demasiado simple para los datos. Cuando un modelo se ajusta demasiado a los datos de entrenamiento y no generaliza bien a nuevos datos.

¿Qué técnica se puede utilizar para evitar el sobreajuste en el aprendizaje supervisado?. Aumentar la complejidad del modelo. Aumentar el tamaño del conjunto de datos sin etiquetas. Regularización. Eliminar las características más importantes del modelo.

¿Qué es un modelo de regresión lineal?. Un modelo que realiza agrupamiento de datos. Un modelo que clasifica datos en diferentes categorías. Un modelo que predice un valor continuo basándose en una o más variables independientes. Un tipo de algoritmo de optimización.

¿Qué es un modelo de aprendizaje automático supervisado?. Un modelo que es capaz de aprender sin supervisión. Un modelo que no requiere datos para aprender. Un modelo que solo aprende de datos sin etiquetar. Un modelo que aprende de ejemplos con datos de entrada y salida conocidos.

¿Qué tipo de problemas se resuelven comúnmente con aprendizaje automático supervisado?. Agrupamiento y reducción de dimensionalidad. Juego de datos en tiempo real. Clasificación y regresión. Aprendizaje no supervisado.

¿Cuál es el objetivo de la técnica de reducción de varianza en 'bagging'?. Mejorar la estabilidad y precisión de las predicciones finales. Reducir el tamaño del conjunto de datos. Hacer las predicciones más rápidas. Aumentar la complejidad de los modelos.

¿Cuál es el propósito principal de las máquinas de soporte vectorial (SVM)?. Encontrar el hiperplano que maximiza el margen entre clases. Optimizar el tiempo de entrenamiento. Clasificar solamente datos lineales. Minimizar la varianza en los datos.

¿Por qué 'bagging' es útil en modelos inestables como los árboles de decisión?. Reduce el sesgo aumentando la altura de los árboles. Elimina la necesidad de datos de prueba. Aumenta la complejidad del modelo. Disminuye la varianza y mejora la generalización.

¿En qué consiste el método de 'Boosting'?. Mejorar modelos secuencialmente para corregir errores de los anteriores. Entrenar modelos de manera completamente independiente. Aumentar el tamaño del conjunto de datos. Eliminar modelos ineficaces sin ajustes.

¿Qué enfoque usan los algoritmos de 'Random Forest'?. Un simple promedio de datos. Utilizar muchos árboles de decisión para mejorar la precisión. Una red neuronal profunda. Un único árbol altamente complejo.

¿Qué se busca optimizar en el algoritmo XGBoost?. La función de pérdida a través del entrenamiento eficiente. Exclusivamente la velocidad de entrenamiento. El número de características utilizadas. Simplicidad de los modelos en lugar de precisión.

¿Qué es el 'bagging' en el aprendizaje automático?. Una técnica que aumenta el bias en las estimaciones. Un algoritmo que entrena un solo modelo. Método que reduce la varianza al combinar predicciones de múltiples modelos. Técnica que ignora el conjunto de datos de entrenamiento.

¿Cuántos árboles típicamente se generan en un modelo de 'Random Forest'?. Solo diez árboles. Siempre la misma cantidad de árboles en todos los modelos. Múltiples árboles, generalmente cientos o miles. Un solo árbol.

En el contexto de la inteligencia artificial, ¿qué se entiende por 'overfitting'?. Cuando un modelo tiene un desempeño bajo en los datos de entrenamiento. Cuando se minimiza el error de validación a expensas del error de entrenamiento. Cuando un modelo se ajusta demasiado a los datos de entrenamiento y no generaliza bien a datos nuevos. Un modelo que tiene una alta precisión en los errores a pesar de ser simple.

En el contexto de 'bagging', ¿cuál de las siguientes afirmaciones es cierta?. Siempre necesita un solo modelo base. No se usa en problemas de regresión. Reduce la varianza de un modelo al combinar predicciones. Aumenta la complejidad del modelo.