Preguntas sobre Aprendizaje Automático

¿Cuál es la tarea principal del aprendizaje supervisado, tal como se describe en el texto?

• Agrupar elementos sin etiquetas predefinidas.

• Encontrar patrones ocultos en los datos.

• Aprender de los datos especificando una variable objetivo.

• Optimizar algoritmos sin una salida deseada.

En el contexto del aprendizaje automático, ¿cómo se denominan las mediciones individuales que, al combinarse, forman un ejemplo de entrenamiento (usualmente columnas en un conjunto de datos)?

• Clases.

• Variables objetivo.

• Características (Features).

• Conjuntos de prueba.

Si la variable objetivo puede tomar un número infinito de valores numéricos (por ejemplo, 0.100, 42.001), la tarea de aprendizaje supervisado se conoce como:

• Clasificación.

• Agrupamiento (Clustering).

• Regresión.

• Análisis de asociación.

¿Cuál de las siguientes es una aplicación de aprendizaje automático?

• Predicción de los movimientos del mercado de valores.

• Filtrado de spam en el correo electrónico.

• Diseño de robots industriales.

• Creación de efectos visuales para películas.

Según la metodología de desarrollo de aplicaciones de aprendizaje automático, ¿qué paso se realiza después de 'Analizar los datos de entrada' y antes de 'Probar el algoritmo'?

• Recopilar datos.

• Usar el sistema.

• Entrenar el algoritmo.

• Elegir el algoritmo correcto.

¿Cuál es una de las razones principales por las que se elige Python para implementar aplicaciones de aprendizaje automático en este libro?

• Es el lenguaje de programación más antiguo y establecido.

• Tiene bibliotecas excelentes para operaciones matriciales y una comunidad activa de desarrolladores.

• Es el único lenguaje que soporta el aprendizaje supervisado.

• Es inherentemente más rápido que otros lenguajes interpretados.

¿Qué es un 'conjunto de entrenamiento' (training set) en el contexto del aprendizaje automático?

• El conjunto de datos que se utiliza para evaluar la precisión final del algoritmo.

• El conjunto de ejemplos de calidad conocidos que se utiliza para que el algoritmo aprenda.

• Cualquier dato de entrada que no tiene una variable objetivo.

• Un conjunto de datos que se usa para ajustar los parámetros del modelo.

¿Cuál es la idea principal detrás del algoritmo k-Nearest Neighbors (kNN) para la clasificación?

• Crear un árbol de decisiones para categorizar elementos.

• Utilizar la teoría de la probabilidad para asignar clases.

• Clasificar elementos basándose en la distancia a sus vecinos más cercanos en el conjunto de entrenamiento.

• Encontrar una línea de mejor ajuste para separar los datos.

Para calcular la distancia entre dos vectores, xA y xB, en el algoritmo kNN, ¿qué fórmula de distancia se presenta en el texto?

• La suma de los valores absolutos de las diferencias.

• La distancia euclidiana, que implica la raíz cuadrada de la suma de los cuadrados de las diferencias.

• El producto punto entre los vectores.

• La correlación de Pearson.

¿Cuál es una de las desventajas del algoritmo k-Nearest Neighbors (kNN) mencionada en el texto?

• Es propenso al sobreajuste.

• Es computacionalmente costoso y requiere mucha memoria.

• No funciona con valores nominales.

• Es difícil de entender para los humanos.