Procesamiento de datos y machine learning

¿Cuál es la diferencia entre precisión y exactitud?

• Precisión es consistencia entre mediciones; exactitud es cercanía al valor verdadero.

• Exactitud es consistencia entre mediciones; precisión es cercanía al valor verdadero.

• Precisión y exactitud son lo mismo.

• Exactitud es variabilidad; precisión es cercanía a un estándar.

¿Qué representa la matriz de confusión en el análisis de modelos de clasificación?

• La matriz de confusión muestra la relación entre las predicciones correctas e incorrectas de un modelo.

• La matriz de confusión calcula la exactitud global del modelo.

• La matriz de confusión predice los resultados futuros basados en datos históricos.

• La matriz de confusión se utiliza para comparar la velocidad de diferentes modelos de clasificación.

¿Qué es un "falso positivo" (FP) en la evaluación de un modelo de clasificación?

• Un "falso positivo" ocurre cuando el modelo predice incorrectamente una clase positiva.

• Un "falso positivo" ocurre cuando el modelo predice correctamente una clase positiva.

• Un "falso positivo" ocurre cuando el modelo predice incorrectamente una clase negativa.

• Un "falso positivo" ocurre cuando el modelo predice correctamente una clase negativa.

¿Cuál es la función de los datos de entrenamiento, desarrollo y prueba?

• Entrenamiento para ajustar el modelo, desarrollo para ajustar hiperparámetros, prueba para evaluar rendimiento.

• Entrenamiento para evaluar rendimiento, desarrollo para ajustar parámetros, prueba para ajustar hiperparámetros.

• Entrenamiento para ajustar hiperparámetros, desarrollo para evaluar rendimiento, prueba para ajustar el modelo.

• Entrenamiento para ajustar parámetros, desarrollo para ajustar el modelo, prueba para evaluar hiperparámetros.

¿Cuál es el propósito de los datos de entrenamiento, desarrollo y prueba?

• Entrenamiento para ajustar el modelo, desarrollo para validar, prueba para evaluar.

• Entrenamiento para validar, desarrollo para evaluar, prueba para ajustar el modelo.

• Entrenamiento para ajustar hiperparámetros, desarrollo para entrenar, prueba para validar.

• Entrenamiento para evaluar, desarrollo para ajustar el modelo, prueba para validar.

¿Qué es un hiperparámetro en el contexto de modelos de aprendizaje automático?

• Un valor ajustable que se fija antes del entrenamiento del modelo.

• Un parámetro que el modelo aprende durante el entrenamiento.

• Un valor que solo se utiliza en la evaluación del modelo.

• Un tipo de dato que el modelo genera como salida.

¿Qué emplea el DL para funcionar?

• Redes Neuronales

• Aprendizaje Supervisado

• Aprendizaje No Supervisado

• Aprendizaje Reforzado

Los autos de conducción autónomos, son ejemplos clásicos de:

• Redes Neuronales

• Aprendizaje por Reforzado

• Aprendizaje Supervisado

• Aprendizaje No Supervisado

¿Esta sentencia obliga a nunca usarse en los procesos legales de Colombia por parte de los jueces?

• En algunos casos

• Imposible

• La corte constitucional lo ha prohibido para todos

• Falta legislación al respecto

¿El profesor tiene una niña de cuantos años?

• 6

• 8

• 10

• No tiene