Conceptos de ML
El Machine Learning permite a las máquinas:
a) Solo almacenar datos.
b) Aprender de datos.
c) Solo ejecutar órdenes.
d) No aprenden.
b) Aprender de datos.
¿Qué son los datos de entrenamiento?
a) Para enseñar el modelo.
b) Para evaluar.
c) Para eliminar.
d) Para guardar.
a) Para enseñar al modelo.
¿Qué es KNN?
a) Algoritmo de clasificación.
b) Tipo de dato.
c) Variable.
d) Red neuronal.
a) Algoritmo de clasificación.
¿Qué es la precisión?
a) Tiempo.
b) Errores.
c) Aciertos del modelo.
d) Datos.
c) Aciertos del modelo.
El aprendizaje supervisado utiliza:
a) Datos sin etiquetas.
b) Datos con respuestas correctas.
c) Solo imágenes.
d) Solo números.
b) Datos con respuestas correctas.
¿Qué son los datos de prueba?
a) Para entrenar.
b) Para ajustar.
c) Para evaluar.
d) Para borrar.
c) Para evaluar.
¿Qué es un árbol de decisión?
a) Tiempo.
b) Errores.
c) Aciertos del modelo.
d) Datos.
d) Datos.
¿Qué es un hiperparámetro?
a) Resultado.
b) Configuración del modelo.
c) Dato.
d) Variable.
b) Configuración del modelo.
El aprendizaje no supervisado se caracteriza por:
a) Tener etiquetas.
b) No tener etiquetas.
c) No usar datos.
d) Usar reglas.
b) No tener etiquetas.
¿Qué es una variable cuantitativa?
a) Texto.
b) Número.
c) Categoría.
d) Color.
b) Número.
¿Qué es una red neuronal?
a) Base de datos.
b) Modelo inspirado en el cerebro.
c) Programa básico.
d) Sistema operativo.
b) Modelo inspirado en el cerebro.
¿Qué pasa con Learning RATE alto?
a) Aprende lento.
b) Es estable.
c) Puede fallar.
d) No afecta.
c) Puede fallar.
El aprendizaje por refuerzo se basa en:
a) Prueba y error.
b) Datos sin uso.
c) Clasificasión.
d) Regresión.
a) Prueba y error.
¿Qué es limpieza de datos?
a) Borrar todo.
b) Corregir errores.
c) Guardar datos.
d) Copiar datos.
b) Corregir errores.
Ejemplo de regresión es:
a) Detectar Spam.
b) Predecir temperatura.
c) Clasificar imágenes.
d) Agrupar clientes.
b) Predecir temperatura.
¿Por qué es importante evaluar un modelo?
a) Para evaluar su desempeño.
b) Para eliminarlo.
c) Para guardarlo.
d) Para copiarlo.
a) Para evaluar su desempeño.
¿Qué es overfitting?
a) Error simple.
b) No usar datos.
c) Memorizar datos.
d) No aprender.
c) Memorizar datos.
¿Qué es underfitting?
a) Aprender demasiado.
b) Memorizar
c) Clasificar.
d) No aprender suficiente.
d) No aprender suficiente.
Un ejemplo de clasificación es:
a) Predecir ventas.
b) Calcular promedio.
c) Detectar enfermedad.
d) Medir peso.
c) Detectar enfermedad.
¿Qué implica interpretar resultados?
a) Ignorar datos.
b) Analizar y tomar decisiones.
c) Borrar información.
d) Solo observar.
b) Analizar y tomar decisiones.