Cuestionario Machine Learning

¿Cuál es la interpretación geométrica de la pendiente de una línea recta en un plano cartesiano?

• La distancia entre la línea y el punto de origen

• La distancia entre dos puntos de la línea

• La inclinación o la "pendiente" de la línea con respecto al eje x

• La distancia vertical entre dos puntos dividida por la distancia horizontal entre ellos

¿Cuál de las siguientes opciones describe mejor el término "underfitting" en el contexto del aprendizaje automático?

• Un modelo que se ajusta demasiado bien a los datos de entrenamiento, pero no generaliza bien a nuevos datos

• Un modelo que no se ajusta lo suficientemente bien a los datos de entrenamiento y tampoco generaliza bien a nuevos datos

• Un modelo que se ajusta adecuadamente a los datos de entrenamiento y generaliza bien a nuevos datos

• Un modelo que se ajusta perfectamente a los datos de entrenamiento y generaliza perfectamente a nuevos datos

¿Cuál de las siguientes afirmaciones describe mejor el overfitting en el contexto del aprendizaje automático?

• Overfitting ocurre cuando un modelo es demasiado simple para capturar la estructura subyacente de los datos

• Overfitting ocurre cuando un modelo se ajusta adecuadamente a los datos de entrenamiento, pero no puede generalizar bien a nuevos datos

• Overfitting ocurre cuando un modelo es demasiado flexible y puede generalizar bien a nuevos datos

• Overfitting ocurre cuando un modelo se ajusta demasiado bien a los datos de entrenamiento y captura el ruido aleatorio en ellos

¿Cuál de las siguientes opciones describe mejor un algoritmo de aprendizaje supervisado?

• Un algoritmo que aprende a partir de ejemplos de entrada y salida para hacer predicciones sobre datos no etiquetados

• Un algoritmo que aprende a partir de datos no etiquetados para realizar predicciones sobre nuevas instancias sin etiquetar

• Un algoritmo que ajusta sus parámetros para minimizar una función de pérdida en un conjunto de datos sin supervisión

• Un algoritmo que segmenta los datos de entrada en grupos similares sin la necesidad de etiquetas previas

¿Cuál de las siguientes opciones describe mejor un objetivo del aprendizaje no supervisado?

• Clasificar datos de entrada en categorías predefinidas basadas en ejemplos de entrada y salida

• Aprender a partir de ejemplos de entrada y salida para hacer predicciones sobre nuevos datos no etiquetados

• Encontrar patrones o estructuras ocultas en los datos sin la ayuda de etiquetas previas

• Ajustar un modelo para minimizar una función de pérdida en un conjunto de datos con etiquetas

¿Cuál de las siguientes situaciones sería más adecuada para aplicar un modelo de regresión múltiple en lugar de un modelo de regresión simple?

• Predecir el precio de una casa basándose únicamente en el número de habitaciones

• Predecir el rendimiento académico de los estudiantes en un examen basándose únicamente en el tiempo de estudio

• Predecir la temperatura diaria basándose únicamente en la hora del día

• Predecir el rendimiento de un automóvil en función de su velocidad y el peso del vehículo

¿Cuál de las siguientes acciones es una estrategia efectiva para solucionar el overfitting en modelos de aprendizaje automático?

• Aumentar la complejidad del modelo para mejorar su capacidad de ajuste a los datos de entrenamiento

• Utilizar técnicas de regularización, como la penalización de los coeficientes o la poda de árboles de decisión

• Reducir la cantidad de datos de entrenamiento para disminuir la variabilidad del modelo

• Aumentar el tamaño del conjunto de prueba para mejorar la capacidad del modelo de generalizar a nuevos datos

¿Cuál de las siguientes afirmaciones describe mejor el propósito del remuestreo en el balanceo de clases en el aprendizaje automático?

• Remuestrear consiste en eliminar muestras de la clase mayoritaria para igualar el número de muestras en todas las clases

• Remuestrear implica duplicar muestras de la clase minoritaria para igualar el número de muestras en todas las clases

• Remuestrear consiste en generar nuevas muestras sintéticas de la clase minoritaria para aumentar su representación en el conjunto de datos

• Remuestrear implica seleccionar aleatoriamente muestras de diferentes clases para construir un conjunto de datos equilibrado

¿Cuál de las siguientes opciones describe mejor el concepto de Clustering en el contexto del aprendizaje automático?

• Clustering es una técnica de aprendizaje no supervisado que busca agrupar instancias de datos similares en grupos o clusters

• Clustering es una técnica de aprendizaje supervisado que busca predecir la salida de datos nuevos a partir de ejemplos de entrenamiento

• Clustering es un proceso de asignar una etiqueta de clase a cada instancia de datos basada en ejemplos de entrada y salida

• Clustering es un proceso de reducción de la dimensionalidad que busca encontrar las características más importantes en un conjunto de datos

¿Qué efecto podría tener un learning rate demasiado grande durante el entrenamiento de un modelo de aprendizaje automático?

• Acelerar el proceso de convergencia del modelo hacia la solución óptima

• Hacer que el modelo tenga dificultades para converger y aumentar el riesgo de divergencia

• Reducir la capacidad del modelo para generalizar a nuevos datos

• Aumentar la precisión del modelo en los datos de entrenamiento, pero reducir su rendimiento en los datos de prueba