SAA Final

¿Qué indica el recall o exhaustividad en una matriz de confusión?. Proporción de falsos positivos sobre verdaderos negativos. Capacidad del modelo para identificar verdaderos positivos entre los casos reales. Tasa de aciertos de los negativos verdaderos. Precisión general del modelo frente a todos los datos.

¿Cuál es la característica principal del aprendizaje no supervisado?. Se basa en el uso de datos etiquetados para entrenar modelos. Identifica patrones en los datos sin necesidad de etiquetas previas. Depende exclusivamente de reglas predefinidas por expertos. Solo se aplica en problemas de clasificación.

¿Cuál de los siguientes algoritmos es utilizado en aprendizaje no supervisado?. Perceptrón multicapa. Redes neuronales convolucionales. K-Means. Regresión logística.

¿Cuál es la etapa del proceso que consume más tiempo en un proyecto de aprendizaje supervisado?. Limpieza de datos. Feature engineering. Despliegue del modelo. Evaluación del modelo.

¿Cuál es una aplicación clave del Deep Learning?. Reconocimiento de imágenes y procesamiento de voz. Optimización de bases de datos relacionales. Cálculo de operaciones aritméticas complejas. Reducción de dimensiones en bases de datos estructuradas.

¿Qué técnica se utiliza para determinar el número óptimo de clústeres en K-means?. Coeficiente de Silueta. Bagging. PCA. Método del codo.

¿Cuál es el propósito del aprendizaje no supervisado?. Descubrir patrones en datos sin etiquetas predefinidas. Utilizar etiquetas para ajustar la precisión de las predicciones. Imitar el comportamiento humano en la toma de decisiones. Reducir el uso de redes neuronales profundas en modelos complejos.

¿Qué característica define a la IA específica en comparación con la IA general?. La IA específica no depende de datos de entrenamiento. La IA específica requiere intervención humana constante para operar. La IA específica puede realizar múltiples tareas en distintos ámbitos. La IA específica está diseñada para resolver problemas concretos dentro de un dominio particular.

¿Cuál es una de las ventajas de la regresión lineal?. Puede aplicarse solo a problemas de clasificación binaria. No sufre problemas de sobreajuste con datos ruidosos. Es un modelo simple y eficiente para predecir relaciones lineales. No requiere grandes volúmenes de datos para entrenarse.

¿Qué mecanismo permite ajustar los pesos en una red neuronal?. El proceso de cross-validation. La matriz de confusión. La función de activación sigmoide. La propagación hacia atrás.

¿Cuál de las siguientes herramientas/bibliotecas es una de las más utilizadas para aprendizaje supervisado?. TensorFlow. RapidMiner. Keras. Scikit-learn.

¿Qué herramienta se usa comúnmente en el desarrollo de modelos de Deep Learning?. Excel. Pandas. TensorFlow. Matplotlib.

¿Cuál es la característica principal del aprendizaje supervisado en Machine Learning?. Es un método basado en reglas programadas manualmente. Se basa en la exploración sin datos etiquetados. No requiere datos históricos para generar predicciones. Se entrena con datos etiquetados para aprender relaciones entre entradas y salidas.

¿Cuál es una de las principales limitaciones de la IA fuerte en la actualidad?. No existe una metodología clara para dotar de conciencia a una máquina. Solo puede aplicarse en contextos académicos y de investigación. Las redes neuronales aún no son lo suficientemente avanzadas. Falta de potencia computacional para entrenar modelos de IA.

¿Cuál es la principal diferencia entre la IA fuerte y la IA débil?. La IA débil puede aprender sin datos etiquetados. No hay diferencias, solo es una cuestión de terminología. La IA fuerte tiene la capacidad de razonar de manera autónoma. Ambas pueden desarrollar conciencia propia.

¿Qué ventaja ofrece el clustering jerárquico en comparación con K-Means?. Siempre produce el mismo número de clusters. Depende exclusivamente de la normalización de los datos. Es más eficiente en términos computacionales. No requiere definir el número de grupos con antelación.

¿Cuál es la función de la capa oculta en una red neuronal?. Recolectar los datos desde sensores. Decidir la clase de salida final directamente. Proporcionar los datos de entrada al modelo. Procesar información intermedia para llegar a una decisión final.

¿Cuál es la utilidad principal del conjunto de validación?. Evaluar el sobreajuste frente a datos de test. Almacenar métricas de rendimiento del modelo. Reforzar el conjunto de entrenamiento. Seleccionar el modelo con mejor rendimiento antes de testear.

¿Cuál es la finalidad principal del aprendizaje por refuerzo?. Detectar patrones ocultos en grandes volúmenes de datos. Clasificar automáticamente datos etiquetados. Encontrar una secuencia de acciones que maximice una recompensa a largo plazo. Reducir el error entre predicción y realidad.

¿Cuál es la utilidad principal del conjunto de datos de validación o test en el desarrollo de un modelo?. Reducir el tiempo de entrenamiento del modelo. Seleccionar el modelo con mejor rendimiento en datos no vistos. Visualizar los resultados. Definir las variables objetivo (target).

¿Qué ventaja ofrece Scikit-learn para los algoritmos no supervisados?. Permite la clasificación supervisada automática. Emplea aprendizaje profundo sin etiquetado. Incluye múltiples algoritmos de clustering, reducción de dimensionalidad y detección de outliers. Requiere pocos datos para entrenar modelos complejos.

¿Qué técnica de clasificación utiliza árboles de decisión?. División jerárquica de datos hasta obtener grupos homogéneos. Regresión lineal. Aprendizaje por refuerzo. Modelos de clustering basados en segmentación.

¿Qué distingue al Deep Learning de otros métodos de Machine Learning?. Se basa en reglas definidas manualmente. Utiliza redes neuronales profundas con múltiples capas ocultas. Solo funciona con datos estructurados. No requiere entrenamiento previo con datos.

¿Cuál es el propósito del factor de descuento en el aprendizaje por refuerzo?. Indicar la complejidad de la política. Evaluar el nivel de exploración frente a explotación. Determinar el grado de error permitido. Ajustar el valor de las recompensas futuras frente a las inmediatas.

¿Cómo aprende un modelo en el aprendizaje por refuerzo?. Comparando datos estructurados y no estructurados. Mediante un sistema de prueba y error, recibiendo recompensas o castigos. Analizando bases de datos predefinidas con reglas fijas. Dependiendo únicamente de supervisión humana constante.

¿Qué caracteriza al aprendizaje profundo frente a otras técnicas de IA?. Aprende directamente de los datos sin necesidad de reglas explícitas. Depende de conocimiento experto para funcionar. Requiere intervención humana constante. Utiliza bases de datos relacionales exclusivamente.

¿Qué elemento define la estrategia que sigue un agente en el aprendizaje por refuerzo?. Política. Recompensa. Modelo del sistema. Entorno.

¿Cuál es la característica fundamental de los algoritmos de aprendizaje no supervisado?. Buscan predecir una variable a partir de datos históricos. Buscan reducir el error entre predicciones y etiquetas. Pretenden encontrar patrones o estructuras ocultas en datos no etiquetados. Pretenden mejorar la precisión de un clasificador supervisado.

¿Qué representa la capacidad de generalización de un modelo?. El grado de subajuste detectado durante el entrenamiento. El número total de parámetros entrenables. Su rendimiento ante datos nuevos y no vistos. Su habilidad para memorizar los datos de entrenamiento.

¿En qué se diferencian los modelos de clasificación y los de regresión en aprendizaje supervisado?. Los modelos de clasificación solo funcionan con datos no estructurados. Ambos modelos realizan segmentación de datos sin supervisión. Los modelos de clasificación predicen etiquetas discretas, mientras que los de regresión predicen valores continuos. Los modelos de regresión predicen valores categóricos.