Sistemas de Aprendizaje Automático - RA2 - ILERNA

¿En qué consiste entrenar un modelo de aprendizaje automático?. Copiar los mismos datos varias veces. Borrar toda la información disponible. Asignar resultados al azar. Ajustar el modelo mediante datos para que aprenda patrones y pueda predecir.

¿Qué relación existe entre el aprendizaje automático y la inteligencia artificial?. Son campos sin relación. La IA es una parte del aprendizaje automático. La IA excluye los métodos que aprenden de datos. El aprendizaje automático es una rama de la inteligencia artificial.

¿Cómo funciona un árbol de decisión binario?. Conecta neuronas artificiales sin divisiones. Agrupa observaciones sin evaluar condiciones. Encadena preguntas o condiciones con dos posibles ramas. Ajusta necesariamente una única recta.

¿Qué tipo de resultado se busca predecir en una tarea de regresión?. Un valor numérico continuo. Una categoría sin orden numérico. Una etiqueta elegida al azar. La arquitectura de una red neuronal.

¿Cuál es el objetivo del clustering?. Predecir una variable objetivo ya etiquetada. Asignar exclusivamente categorías definidas de antemano. Descubrir grupos de datos similares sin etiquetas de grupo previas. Colocar los datos únicamente en orden cronológico.

¿Qué distingue a los datos de entrenamiento del aprendizaje supervisado?. Nunca incluyen respuestas conocidas. Solo pueden ser datos no estructurados. Sus respuestas se asignan siempre al azar. Incluyen etiquetas o valores objetivo conocidos.

¿Qué describe mejor una red neuronal artificial?. Un modelo de unidades conectadas, inspirado de forma simplificada en el cerebro, que aprende de datos. Una tabla que solo almacena datos sin aprender. Un método limitado exclusivamente a clasificar textos. Un algoritmo que únicamente detecta anomalías.

¿Qué es un valor atípico u outlier?. Una observación que representa siempre el patrón más frecuente. Una observación que se aleja de forma notable del comportamiento habitual. Cualquier registro eliminado del conjunto. Cualquier registro repetido.

¿Qué procedimiento caracteriza al aprendizaje supervisado?. Usar exclusivamente redes neuronales. Entrenar con ejemplos que incluyen la respuesta o variable objetivo. Aprender sin datos ni señales de referencia. Descubrir grupos sin etiquetas previas como único objetivo.

¿Qué persigue el aprendizaje por refuerzo?. Reducir necesariamente el tamaño del conjunto de datos. Aprender a elegir acciones mediante recompensas y penalizaciones. Agrupar observaciones sin interactuar con un entorno. Copiar las etiquetas de un conjunto supervisado.

Dispones de mensajes etiquetados como spam o no spam y quieres clasificar nuevos correos. ¿Qué tarea planteas?. Regresión de un valor continuo. Clustering sin etiquetas. Aprendizaje por refuerzo. Clasificación binaria supervisada.

¿Qué riesgo introduce entrenar un modelo supervisado con muchas etiquetas equivocadas?. Garantiza menor sesgo y mayor varianza en todos los casos. El modelo siempre corrige las etiquetas automáticamente. Puede aprender asociaciones falsas y empeorar su rendimiento. Convierte el método automáticamente en aprendizaje no supervisado.

¿Para qué se utiliza principalmente el conjunto de validación?. Para ajustar directamente los pesos como si fuera el entrenamiento. Para sustituir la evaluación final independiente. Para crear automáticamente más observaciones. Para seleccionar hiperparámetros y vigilar el sobreajuste.

En un conjunto con un 99 % de operaciones legítimas, ¿por qué la exactitud puede engañar al evaluar un detector de fraude?. Predecir siempre «sin fraude» daría un 99 % de aciertos sin detectar ningún fraude. La exactitud no puede calcularse con dos clases. La exactitud solo se utiliza en regresión. Calcularla requiere necesariamente grandes recursos.

¿Qué proporción expresa el recall o sensibilidad?. Todos los aciertos divididos entre todas las observaciones. La media armónica de precisión y exactitud. Los positivos reales detectados respecto al total de positivos reales. Las predicciones positivas correctas respecto a todas las predicciones positivas.

Se agrupan clientes por similitud de hábitos sin proporcionar segmentos previamente etiquetados. ¿Qué aprendizaje se emplea?. Supervisado. No supervisado. Por refuerzo. Supervisado con etiquetas obligatorias.

¿Qué comportamiento se asocia al sobreajuste o alta varianza?. Ignorar necesariamente todas las entradas. Ser demasiado simple para captar el patrón general. Aprender detalles y ruido del entrenamiento y rendir peor con datos nuevos. Mantener siempre un equilibrio perfecto entre ajuste y generalización.

Si un modelo presenta alto sesgo porque es demasiado simple, ¿qué cambio puede ayudar?. Aumentar todavía más una regularización ya excesiva. Incrementar su capacidad o incorporar características relevantes. Eliminar características útiles para simplificarlo más. Añadir datos como única solución sin cambiar su capacidad insuficiente.

¿En qué momento debe emplearse el conjunto de prueba reservado?. Para elegir continuamente entre algoritmos durante el desarrollo. Al final, para evaluar el modelo ya seleccionado sin usar ese resultado para ajustarlo. Después de cada época para decidir los cambios de entrenamiento. Mezclándolo con entrenamiento cuando falten ejemplos.

¿Cuál de estas métricas corresponde a una tarea de regresión?. Exactitud o accuracy. Error cuadrático medio o MSE. F1-score. Matriz de confusión.