Examen departamental v1 NLP

En la clasificación de texto binaria, ¿cuál es el propósito de usar embeddings de palabras?

• Reducir la dimensionalidad del espacio de características.

• Transformar palabras en representaciones vectoriales densas que capturan relaciones semánticas.

• Eliminar palabras vacías del texto.

• Mejorar la precisión de los modelos de árboles de decisión.

• Generar modelos de bolsa de palabras.

En la clasificación de texto, ¿por qué es importante la extracción de características antes de aplicar algoritmos de aprendizaje automático?

• Simplifica el proceso de entrenamiento al eliminar características redundantes.

• Aumenta el tamaño del conjunto de datos.

• Convierte datos de texto en vectores numéricos que pueden ser procesados por algoritmos.

• Solo es necesario para redes neuronales, no para algoritmos tradicionales.

• Reduce el sobreajuste al eliminar datos irrelevantes.

¿Cuál de las siguientes es una función de activación comúnmente utilizada en Perceptrones Multicapa (MLP) para tareas de clasificación de texto?

• Activación lineal

• Activación Tanh

• ReLU (Unidad Lineal Rectificada)

• Todas las anteriores

• Activación sigmoide

¿Cuál de los siguientes modelos se utiliza principalmente para extraer jerarquías espaciales de datos de texto o imagen?

• Perceptrones Multicapa (MLP)

• Regresión Logística (Logit)

• Random Forest (RF)

• Árboles de Decisión (DT)

• Redes Neuronales Convolucionales (CNN)

¿Qué modelo de aprendizaje automático está diseñado para capturar dependencias temporales en datos secuenciales, como secuencias de texto?

• Máquinas de Soporte Vectorial (SVM)

• Regresión Logística (Logit)

• Long Short-Term Memory (LSTM)

• Árboles de Decisión (DT)

• Redes Neuronales Convolucionales (CNN)

Es un método cuyo algoritmo se basa en la afirmación de que dado dos conjuntos disjuntos no vacíos en un espacio vectorial, siempre es posible separarlos con un hiperplano:

• Ninguna de las anteriores.

• Aprendizaje profundo.

• Redes de Memoria a Largo Plazo (LSTM)

• Aprendizaje por refuerzo.

• Árboles de Decisión (DT)

Es un modelo computacional bio-inspirado compuesto por una estructura jerárquica de capas, tiene conexiones directas unidireccionales, y la información fluye en una dirección.

• Aprendizaje no supervisado.

• Redes neuronales.

• Árboles de Decisión (DT)

• Análisis de Componentes Principales (PCA).

• Modelo CRISP-DM.

¿Cuál de las siguientes afirmaciones describe correctamente los árboles de decisión?

• Se utilizan exclusivamente para clasificación.

• Son métodos que no pueden manejar datos númericos.

• Son algoritmos que no requieren hiperparámetros.

• Son métodos que no pueden manejar datos categóricos.

• Ninguna de las anteriores.

¿Qué es la tokenización en NLP?

• Eliminar puntuación.

• Todas las anteriores

• Convertir texto a minúsculas.

• Identificar partes del discurso.

• Dividir texto en palabras o tokens.

¿Qué logra la eliminación de palabras vacías?

• Reduce el ruido del texto al eliminar palabras comunes.

• Aumenta la complejidad del texto.

• Mejora la resumición del texto.

• Mejora el sentimiento del texto.

• Todas las anteriores