SSII UAL TEMA 5 Aprendizaje Automático

¿Qué distingue entre memorización y aprendizaje según el documento?. La memorización implica entender un poema, mientras que el aprendizaje es almacenar texto en un archivo. La memorización es almacenar texto en un archivo, mientras que el aprendizaje es entender un poema. La memorización es almacenar texto en un archivo, mientras que el aprendizaje es la generalización. La memorización es la generalización, mientras que el aprendizaje es almacenar texto en un archivo. Ambas implican la generalización.

¿Qué es la generalización según el documento?. Memorizar textos. Aplicar lo aprendido a situaciones nuevas. Aprender de memoria. Almacenar texto en un archivo. Ninguna de las anteriores.

¿Qué tarea realiza el agricultor en el ejemplo de clasificación de tomates?. Medir el tamaño de los tomates. Clasificar los tomates por tamaño y color. Vender los tomates. Cosechar los tomates. Fertilizar los tomates.

¿Qué es un clasificador?. Un sistema que solo memoriza. Un sistema que solo aprende de un ejemplo. Un sistema capaz de repartir vectores de características entre clases. Un sistema que solo clasifica tomates. Ninguna de las anteriores.

¿Qué es el aprendizaje automático según Mitchell?. El estudio de algoritmos de computador. El estudio de algoritmos de computador que mejoran automáticamente a través de la experiencia. El estudio de la generalización. El estudio de la memorización. El estudio de algoritmos que clasifican tomates.

¿Qué función genera el aprendizaje automático?. Una función que memoriza datos. Una función que permite calcular el valor de la clase para nuevos datos. Una función para clasificar tomates. Una función para almacenar texto. Ninguna de las anteriores.

¿Qué es un agente de aprendizaje?. Una función que asocia características a un valor de clase. Una función que solo memoriza datos. Una función que solo clasifica tomates. Una función que no aprende de los datos. Ninguna de las anteriores.

¿Para qué sirven los datos de prueba?. Para construir el agente de aprendizaje. Para evaluar la capacidad de generalización del agente. Para memorizar los datos. Para clasificar tomates. Ninguna de las anteriores.

¿Qué caracteriza a un agente de aprendizaje?. Tarea, clase, datos de entrenamiento y medida de rendimiento. Solo la tarea. Solo la clase. Solo los datos de entrenamiento. Solo la medida de rendimiento.

¿Qué es la minería de datos (data mining)?. El proceso de clasificar tomates. El proceso de adquirir conocimiento a partir de datos. El proceso de memorizar datos. Un método estadístico. Ninguna de las anteriores.

¿Qué métodos se utilizan en minería de datos?. Métodos de memorización. Métodos de la estadística y aprendizaje automático. Métodos para clasificar tomates. Métodos para aprender de memoria. Ninguna de las anteriores.

¿Cuáles son los parámetros estadísticos más habituales para describir datos?. Media, desviación típica y covarianza. Solo la media. Solo la desviación típica. Solo la covarianza. Ninguna de las anteriores.

¿Cómo se define la media para una variable 'x'?. La suma de todos los valores de 'x'. El valor más frecuente de 'x'. La suma de los valores de 'x' dividida por el número de valores. El valor mínimo de 'x'. Ninguna de las anteriores.

¿Qué mide la desviación típica?. La media de la variable. La variación de los datos respecto a la media. La covarianza de la variable. El valor máximo de la variable. Ninguna de las anteriores.

¿Qué analiza la covarianza?. Si dos variables son independientes. Si dos variables son estadísticamente dependientes (correlacionadas). La media de las variables. La desviación típica de las variables. Ninguna de las anteriores.

¿Qué indica un coeficiente de correlación de 1?. No hay correlación. Correlación débil positiva. Correlación fuerte negativa. Correlación fuerte positiva. Ninguna de las anteriores.

¿Qué variables muestran una fuerte correlación en el ejemplo de la flor?. Longitud del sépalo y anchura del sépalo. Longitud del pétalo y anchura del pétalo. Anchura del sépalo y longitud del pétalo. Longitud del sépalo y especie. Anchura del sépalo y especie.

¿Qué representa un hiperplano en el contexto del perceptrón?. Una línea recta. Un espacio lineal de dimensión n-1. Un punto. Un cubo. Ninguna de las anteriores.

¿Qué es el perceptrón según el documento?. Un algoritmo de clasificación complejo. Un algoritmo que memoriza datos. Un algoritmo de clasificación simple con función umbral. Un algoritmo para clasificar tomates. Ninguna de las anteriores.

¿Qué hace el algoritmo de aprendizaje del perceptrón?. Memoriza los datos. Añade el vector de pesos con los datos de entrenamiento para clasificar correctamente. Resta el vector de pesos. Ignora los datos. Ninguna de las anteriores.

¿Qué es la unidad de sesgo (bias)?. El último peso del vector de pesos. Una constante añadida al vector de entrada. El umbral del perceptrón. Un parámetro del algoritmo. Ninguna de las anteriores.

¿Qué ocurre si el perceptrón no puede dividir los datos linealmente separables?. Siempre converge. No converge. Siempre divide los datos. Produce siempre la respuesta correcta. Ninguna de las anteriores.

¿Qué es el método del vecino más cercano?. Un método de memorización. Un método para clasificar datos basado en la distancia. Un algoritmo complejo. Un método para clasificar tomates. Ninguna de las anteriores.

¿Cómo se define la similitud en el contexto del vecino más cercano?. Mayor distancia implica mayor similitud. Menor distancia implica menor similitud. Menor distancia implica mayor similitud. La distancia no importa. Ninguna de las anteriores.

¿Qué es el diagrama de Voronoi?. Un diagrama para clasificar tomates. Un diagrama que divide el espacio en regiones. Un diagrama que muestra solo los datos. Un diagrama que solo muestra líneas rectas. Ninguna de las anteriores.

¿Qué es el sobreajuste (overfitting) en el método del vecino más cercano?. El mejor desempeño posible del algoritmo. El algoritmo clasificando mal un punto debido a un caso atípico. El algoritmo clasificando todos los datos correctamente. El algoritmo ignorando los datos. Ninguna de las anteriores.

¿Cómo se aplica el método del vecino más cercano a múltiples clases?. Se asigna la clase del vecino más lejano. Se asigna la clase a la que pertenece el mayor número de vecinos. No se puede aplicar a múltiples clases. Se asigna aleatoriamente una clase. Ninguna de las anteriores.

¿Qué sucede con el tiempo de cómputo del método de los vecinos más cercanos?. Crece linealmente con el número de datos. No depende del número de datos. Crece exponencialmente con el número de datos. Decrece con el número de datos. Ninguna de las anteriores.

¿Qué es un árbol de decisión?. Un modelo para clasificar tomates. Un árbol en el que sus nodos internos representan características. Un algoritmo complejo. Un método de memorización. Ninguna de las anteriores.

¿Qué representa la entropía en un conjunto de datos?. La información del conjunto de datos. La incertidumbre del conjunto de datos. La ganancia de información del conjunto. La media de los datos. Ninguna de las anteriores.