Preguntas sobre Métodos de Agrupamiento

¿Qué distingue al método jerárquico de otros métodos de agrupamiento?

• Se basa exclusivamente en la distancia euclidiana.

• Utiliza únicamente centroides para definir los grupos.

• Es un método basado en reglas lógicas y no en datos.

• No permite visualizar las relaciones entre los datos.

• No requiere especificar el número de clusters de antemano.

¿Qué ventaja tiene el método DBSCAN sobre K-medias?

• Requiere menos cálculos computacionales.

• Genera clusters de tamaño uniforme.

• No depende de parámetros de entrada.

• Se basa en la media de los datos en lugar de la distancia.

• Puede identificar clusters de forma arbitraria y manejar valores atípicos.

¿Para qué se usa el Análisis de Componentes Principales (PCA)?

• Para predecir valores futuros en series temporales.

• Para clasificar datos en categorías predefinidas.

• Para normalizar los valores de un conjunto de datos.

• Para aumentar la cantidad de características en un conjunto de datos.

• Para reducir la dimensionalidad de los datos preservando la mayor varianza posible.

¿Qué representa la primera componente principal en PCA?

• El número total de características en el conjunto de datos.

• La suma de todas las características normalizadas.

• La distancia euclidiana promedio entre puntos de datos.

• La media de los valores en cada característica.

• La dirección de máxima varianza en los datos.

¿Qué técnica se usa en PCA para obtener las componentes principales?

• Algoritmo de máxima verosimilitud.

• Regresión logística.

• Redes neuronales convolucionales.

• Modelos bayesianos.

• Descomposición en valores singulares (SVD).

En expresiones regulares, ¿qué hace el metacaracter \G?

• Marca el inicio de una línea en una cadena.

• Encuentra la última coincidencia exitosa y continúa desde allí.

• Busca caracteres no alfanuméricos en un texto.

• Se utiliza para capturar números decimales.

• Define el final de una cadena de caracteres.

¿Cuál será la salida del siguiente código?

import re

patron = r"(\w{3,})\1"

texto = "testtest testing tested"

print(re.findall(patron, texto))

• ['test']

• ['testing']

• ['test', 'testing']

• ['tested']

• []

¿Qué salida tendrá este código?

import re

patron = r"(?<!\d)\d{3}(?!\d)"

texto = "abc 123 4567 890"

print(re.findall(patron, texto))

• ['123', '890']

• ['123', '4567']

• ['4567', '890']

• []

• ['123']

¿Cuál es uno de los principales desafíos al diseñar un modelo lingüístico para corpus multilingües?

• Implementar una tokenización idéntica para todos los idiomas.

• Eliminar por completo las palabras vacías en cada idioma.

• Traducir todos los textos a un único idioma antes del análisis.

• Capturar la ambigüedad semántica y sintáctica derivada de la diversidad lingüística.

• Aplicar el mismo modelo gramatical sin ajustes.

¿Cuál es una limitación crítica del modelo de representación basado en TF-IDF para la minería de textos?

• Requiere demasiado procesamiento de documentos cortos.

• No puede aplicarse a idiomas que no utilicen el alfabeto latino.

• Incrementa la dimensionalidad sin restricciones.

• No considera la semántica contextual ni el orden de las palabras.

• Elimina información valiosa al normalizar el texto.