Cuestionario Parte 1 Curso de ML

¿Cuál es la diferencia entre el aprendizaje supervisado y no supervisado?

• El aprendizaje supervisado no utiliza datos etiquetados; el no supervisado sí.

• El aprendizaje supervisado se base en algoritmos de clustering, el no supervisado no.

• Ambos tipos de aprendizaje requieren datos etiquetados.

• El aprendizaje supervisado requiere datos etiquetados; el no supervisado no.

Supón que tenemos el conjunto de correos de la imagen y queremos entrenar nuestro modelo de spam para predecir si un nuevo correo es un spam o no. ¿Qué tipo de aprendizaje usarías?

• Supervisado

• No Supervisado

• Semi-Supervisado

• Por Refuerzo

Un modelo que se entrena en un esquema de online learning, ¿nos serviría en un problema que va evolucionando y cambiando en el tiempo?

• Sí

• No

Si tu modelo tiene un muy buen rendimiento en el periodo de entrenamiento pero generaliza mal a nuevos datos, ¿qué está sucediendo?

• Nuestro modelo está realizando un subajuste (underfitting).

• Nuestro modelo no sirve de nada y debemos probar otro tipo de arquitectura.

• Nuestro modelo está realizando un sobreajuste (overfitting).

¿Cuál es el propósito del subconjunto de validación?

• Evaluar el modelo en unos datos que hemos separado desde el principio con el objetivo de tener una métrica objetiva de la bondad del modelo.

• Entrenar el modelo en este conjunto de datos.

• Ajustar los hiperparámetros del modelo en función de los resultados en este conjunto de datos.

¿Podríamos empeorar el rendimiento de un modelo si le añadimos predictores que no aporten información adicional?

• Sí.

• No.

La principal ventaja del modelo lineal es que es muy fácil de entrenar, ya que tenemos una fórmula explícita que nos da los valores de los parámetros que minimizan el error cuadrático medio de los residuos.

• Verdadero.

• Falso.

¿Cómo se llama la metodología de entrenamiento más común de los modelos que busca minimizar una función de coste haciendo pequeños cambios en los mismos a partir del valor de la pendiente de la función de coste en función de cada parámetro?

• Ecuación normal.

• Descenso de gradiente (gradient descent).

• Escalado de los predictores (feature scaling).

¿Qué problema queremos combatir cuando añadimos un término de regularización a la función de coste?

• Infraajuste (underfitting).

• Sobreajuste (overfitting).

• Errores en los datos.

¿Influye la inicialización de los parámetros en el resultado que vamos a llegar aplicando un método de optimización como el descenso de gradiente (gradient descent) ?

• Verdadero.

• Falso.