Entre las diferentes técnicas de aprendizaje automático se encuentran las de aprendizaje no supervisado. ¿Qué algoritmos permiten implementar este tipo de aprendizaje?
A. Árboles de decisión
B. Reglas de clasificación
C. Clustering
D. Todas las anteriores.
Cuál es la diferencia entre los algoritmos de reglas de clasificación y las reglas de asociación?
A. Las reglas de clasificación permiten generar nuevos conceptos mientras que las de asociación permiten clasificar nuevas instancias asociándolas a las clases que ya conocemos.
B. Las reglas de clasificación permiten predecir la clase de una instancia mientras que las de asociación permiten descubrir combinaciones de pares atributo-valor que ocurren con cierta frecuencia.
C. Las reglas de clasificación resuelven problemas de aprendizaje no supervisado mientras que las reglas de asociación resuelven solamente problemas de aprendizaje supervisado.
D. Las reglas de clasificación y asociación resuelven el mismo tipo de problemas, pudiendo realizar aprendizaje supervisado y no supervisado ambas.
Si se quiere conocer el porcentaje de ejemplos que cumplen antecedente y consecuente de una regla respecto de todos los ejemplos que sólo cumplen el antecedente, se ha de aplicar la medida de:
A. Cobertura.
B. Soporte.
C. Confianza.
D. Cubierta.
El concepto de sobreajuste de un árbol de decisión consiste en:
A. Un número excesivo de atributos.
B. Adaptación del árbol a los datos de entrenamiento específicos y pérdida de generalización.
C. Una alta tasa de precisión del árbol.
D. Ajuste óptimo de los datos de entrenamiento y buena capacidad de generalización.
El algoritmo de clustering k-means tiene un carácter:
A. Jerárquico divisorio.
B. Jerárquico aglomerativo.
C. No jerárquico.
D. Basado en conjuntos difusos.
Un equipo de biólogos está trabajando en la clasificación de diferentes plantas. Tras aplicar un algoritmo de aprendizaje se ha obtenido la matriz de confusión que puedes encontrar en los anexos. En base a dicha matriz de confusión, ¿cuántas instancias de la clase Iris-setosa se han clasificado incorrectamente?
A. 0
B. 1
C. 2
D. 3.
Un equipo de biólogos está trabajando en la clasificación de diferentes plantas. Tras aplicar un algoritmo de aprendizaje se ha obtenido la matriz de confusión que puedes encontrar en los anexos. En base a dicha matriz de confusión, ¿cuál sería el valor del TPRate de la clase Iris-versicolor?
A. 0.940
B. 0.960
C. 0.980 D. 1.
Un equipo de biólogos está trabajando en la clasificación de diferentes plantas. Tras aplicar un algoritmo de aprendizaje se ha obtenido la matriz de confusión que puedes encontrar en los anexos. En base a dicha matriz de confusión, ¿cuál sería el valor del FPRate de la clase Iris-virginic?
A. 0
B. 0.01
C. 0.02
D. 0.03.
Uno de nuestros clientes regenta una tienda de informática y componentes que vende a través de Internet. Para mejorar sus ventas ha implementado un sistema de recomendación basado en el algoritmo Slope One. Teniendo en cuenta las valoraciones que han hecho algunos de sus usuarios de dos productos, tal y como indica la “Tabla Slope One” de los anexos, ¿qué valoración haría el usuario Asier del artículo Portátil? Utiliza redondeo con dos decimales.
A. 5.33 B. 6.83 C. 7.33 D. 9.00.
Nuestro cliente de la tienda de informática desea en este caso implementar un sistema de recomendación ítem-a-ítem. Teniendo en cuenta el historial de compras que muestra la “Tabla item-a-item” de los anexos, ¿qué elementos serían más similares entre sí?
A. Teclado y ratón.
B. Teclado e impresora.
C. Impresora y escáner.
D. Ratón y escáner.
El algoritmo a priori sirve para generar reglas de asociación cuyo primer paso es:
A. Determinar un nivel de confianza mínima.
B. Determinar una medida lift máxima.
C. Determinar un nivel de soporte máximo.
D. Determinar una cobertura mínima.
Qué representan los nodos en un árbol de decisión? A. Los atributos.
B.Los valores de los atributos.
C.Las clases.
D.Ninguna de las anteriores.
Las redes neuronales permiten configurar múltiples parámetros para conseguir su funcionamiento óptimo para el problema que debamos resolver. Indica cuál de los siguientes parámetros evolucionará con el algoritmo hasta conseguir que la red converja: A. Su función de activación. B. El número de epochs y batches. C. El número de capas y número de neuronas en cada una de las capas.
D. Valor de los pesos y umbrales para cada neurona.
Si aplicamos a un problema de clustering jerárquico, utilizando como criterio de agregación el del vecino más próximo (single-linkage) se cumple que:
A. La solución es la misma si utilizamos la distancia euclídea o la distancia euclídea al cuadrado.
B. La solución no depende de la medida de distancia seleccionada.
C. La solución es la misma si el criterio de agregación fuera el del vecino más alejado (complete-linkage).
D. Según este criterio de agregación los clústeres tienden a ser esféricos.
En las redes neuronales de retropropagación:
A. La regla de aprendizaje de las neuronas de la capa de salida son iguales a las de las capas ocultas
B. La regla de aprendizaje de las neuronas de la capa de salida son diferentes a las de las capas ocultas
C. Sólo se requiere aplicar reglas de aprendizaje a las neuronas de la capa de salida
D. Sólo se requiere aplicar reglas de aprendizaje a las neuronas de las capas ocultas.
Qué significa que una regla tenga una medida lift>1?
A. Que es una regla que tiene un soporte alto.
B. Que es una regla poco útil.
C. Que es una regla útil.
D. Que es una regla que tiene una confianza alta.
Cuál de las siguientes afirmaciones NO es correcta:
A. El algoritmo ID3 se aplica a atributos con valores discretos.
B. El algoritmo C4.5 se puede aplicar tanto a atributos con valores discretos como a atributos con valores continuos.
C. El algoritmo ID3 como el C4.5 utilizan un método codicioso (greedy).
D. El algoritmo ID3 sólo admite atributos dicotómicos.
En el algoritmo PRISM se sigue la siguiente pauta de actuación:
A. Se selecciona la mejor restricción en base a la cobertura y en caso de empate se escoge la restricción de mayor soporte.
B. Se selecciona la mejor restricción en base a la confianza y en caso de empate se escoge la restricción de mayor cobertura.
C. Se selecciona la mejor restricción en base al soporte y en caso de empate se escoge la restricción de mayor cobertura. D. Ninguna de las anteriores.
El objetivo de aprendizaje de un modelo de aprendizaje supervisado a través de una red neuronal consiste en:
A. Escoger los pesos que se ajusten mejor a las entradas y salidas. B. Fijar un número adecuado de neuronas en cada capa.
C. Basar la regla de aprendizaje en el descenso del gradiente.
D. Seleccionar la función de activación de tipo sigmoide más adecuada.
|
