Preguntas sobre NLP y Modelos de Aprendizaje

¿Cuál es la principal ventaja de usar bibliotecas como TensorFlow y Keras en NLP?

• Permiten trabajar con modelos de machine learning sin necesidad de preprocesar datos.

• Permiten implementar modelos de deep learning de manera más eficiente y optimizada.

• Se utilizan únicamente para análisis de texto basado en reglas.

• Son útiles solo para la traducción automática de textos.

¿Cuál de las siguientes afirmaciones describe mejor a NLTK?

• Es una biblioteca especializada en deep learning para visión por computadora.

• Se utiliza principalmente para el preprocesamiento de texto en NLP, incluyendo tokenización y lematización.

• Solo se usa para la traducción automática de texto.

• Es una herramienta de análisis de datos numéricos como NumPy.

¿Por qué es importante la tokenización en el procesamiento de lenguaje natural?

• Divide el texto en palabras o frases más pequeñas para facilitar su análisis.

• Une las palabras en oraciones completas.

• Se usa para corregir la gramática del texto.

• Reduce el tamaño del vocabulario eliminando palabras innecesarias.

¿Cuál es el propósito de la lematización en NLP?

• Convertir palabras a su forma raíz para reducir la dimensionalidad del texto.

• Convertir el texto a mayúsculas para mejorar la normalización.

• Dividir el texto en frases más cortas.

• Eliminar palabras irrelevantes del texto.

¿Cuál de las siguientes tareas es una de las principales funciones de Kaggle Datasets en NLP?

• Permitir el acceso a conjuntos de datos etiquetados para entrenamiento de modelos.

• Mejorar la velocidad de procesamiento de modelos en producción.

• Ejecutar modelos de deep learning sin necesidad de entrenamiento.

• Realizar análisis sintáctico en tiempo real.

¿Qué impacto tiene la eliminación de stop words en NLP?

• Reduce el ruido en los datos al eliminar palabras sin valor semántico significativo.

• Aumenta la cantidad de información en el texto.

• Mejora la sintaxis y gramática del lenguaje natural.

• Hace que los modelos sean más precisos sin necesidad de entrenamiento adicional.

¿Cuál es la principal diferencia entre un modelo basado en reglas y uno de aprendizaje automático en NLP?

• Los modelos basados en reglas dependen de reglas predefinidas, mientras que el aprendizaje automático aprende de los datos.

• Los modelos de aprendizaje automático no requieren entrenamiento previo.

• Los modelos basados en reglas utilizan redes neuronales para procesar texto.

• Ambos modelos funcionan de la misma manera en NLP.

¿En qué se diferencian el aprendizaje automático y el aprendizaje profundo en NLP?

• El aprendizaje automático utiliza técnicas más tradicionales, mientras que el aprendizaje profundo emplea redes neuronales profundas.

• No hay diferencia, ambos utilizan redes neuronales profundas.

• El aprendizaje profundo solo se usa para imágenes, no para texto.

• El aprendizaje automático siempre es más preciso que el aprendizaje profundo.

¿Qué modelo de NLP se basa en redes neuronales profundas para el procesamiento del lenguaje?

• Naïve Bayes

• Regresión logística

• Transformers (como BERT y GPT).

• Algoritmos genéticos

¿Cómo contribuye la vectorización de texto al NLP?

• Convierte palabras en representaciones numéricas comprensibles para los modelos.

• Separa las palabras en frases más cortas.

• Traduce automáticamente el texto a diferentes idiomas.

• Corrige errores ortográficos en el texto.