quiz

La minería de datos se limita únicamente al análisis de bases de datos estructuradas. Verdadero. Falso.

Un patrón descubierto en minería de datos debe ser útil para la toma de decisiones para considerarse conocimiento. Falso. Verdadero.

El clustering requiere que los datos tengan previamente etiquetas o categorías definidas. Verdadero. Falso.

En el proceso KDD, la calidad de los datos influye directamente en la precisión de los modelos generados. verdadero. falso.

Si un modelo predice correctamente categorías nuevas, se está aplicando una técnica de clasificación. verdadero. falso.

La fase de limpieza de datos puede afectar significativamente el rendimiento de los algoritmos de minería de datos. falso. verdadero.

Big Data y minería de datos son conceptos idénticos que describen el mismo proceso tecnológico. verdadero. falso.

Las reglas de asociación buscan identificar relaciones frecuentes entre variables dentro de un conjunto de datos. verdadero. falso.

Los árboles de decisión son difíciles de interpretar debido a su complejidad matemática. falso. verdadero.

Las redes neuronales pueden utilizarse para problemas de clasificación y predicción. verdadero. falso.

Una empresa desea predecir si un cliente pagará o no un crédito utilizando datos históricos. ¿Qué técnica sería más adecuada?. A) Clustering. B) Clasificación. C) Asociación. D) Visualización.

Un analista agrupa usuarios de un sitio web según su comportamiento de navegación sin categorías previas. ¿Qué técnica está utilizando?. A) Clasificación. B) Regresión. C) Clustering. D) Asociación.

¿Cuál de los siguientes escenarios representa mejor una regla de asociación?. A) Clasificar correos electrónicos. B) Identificar productos comprados juntos. C) Predecir temperatura. D) Detectar virus.

Si los datos contienen muchos valores incorrectos o faltantes, ¿qué fase del proceso KDD debe abordarse primero?. A) Interpretación. B) Limpieza de datos. C) Clasificación. D) Visualización.

En minería de datos, un patrón útil debe cumplir principalmente con: A) Ser complejo. B) Ser repetitivo y significativo. C) Ser aleatorio. D) Ser temporal.

¿Cuál de los siguientes algoritmos se caracteriza por ser interpretables y visuales?. A) Redes neuronales. B) Árboles de decisión. C) K-means. D) Apriori.

En un sistema de detección de intrusiones, la minería de datos puede utilizarse para: A) Instalar software. B) Detectar tráfico anómalo. C) Conectar redes. D) Formatear equipos.

Cuando un modelo predice valores numéricos continuos, se utiliza principalmente: A) Clasificación. B) Regresión. C) Asociación. D) Clustering.

¿Cuál es la relación correcta entre Big Data y minería de datos?. A) Big Data analiza patrones. B) Minería de datos almacena datos. C) Big Data provee grandes volúmenes de datos y la minería extrae conocimiento. D) Son el mismo concepto.

¿Qué fase del proceso KDD convierte los datos al formato adecuado para aplicar algoritmos?. A) Transformación. B) Selección. C) Interpretación. D) Visualización.

¿Cuál de los siguientes ejemplos representa mejor clustering?. A) Clasificar correos como spam. B) Agrupar clientes según hábitos de compra. C) Predecir ventas futuras. D) Detectar virus.

Una universidad UNIPAZ analiza datos académicos para identificar estudiantes con riesgo de deserción. ¿Qué tipo de aplicación es?. A) Educativa. B) Financiera. C) Industrial. D) Militar.

¿Qué característica distingue principalmente a las redes neuronales?. A) Modelos simples. B) Inspiración en el cerebro humano. C) Solo análisis estadístico. D) Solo clasificación.

En un algoritmo de árbol de decisión, las ramas representan: A) Algoritmos. B) Condiciones o decisiones. C) Bases de datos. D) Redes neuronales.

Si un analista descubre que los clientes que compran café también compran azúcar, está identificando: A) Clasificación. B) Asociación. C) Regresión. D) Clustering.

¿Cuál es el objetivo final del proceso de minería de datos?. A) Crear bases de datos. B) Almacenar información. C) Generar conocimiento útil para la toma de decisiones. D) Reducir datos.

Relacione las columnas. Clasificación. Clustering.

Relacione las columnas. Datos. Información. Conocimiento.

Relacione las columnas. Selección. Transformación. Limpieza.

Relacione las columnas. Árbol de decisión. Red neuronal.