Aprendizaje No Supervisado: Cuestionarios y Ejercicios Interactivos

Question 1

En aprendizaje no supervisado, ¿cuál de las siguientes técnicas se emplea comúnmente para agrupar datos con características similares?

Accepted Answer

K-Means

Answer

Regresión logística

Answer

Redes neuronales convolucionales

Answer

Árboles de decisión

Question 2

El Análisis de Componentes Principales (PCA) es una técnica de aprendizaje no supervisado que sirve para:

Accepted Answer

Reducir la dimensionalidad de un conjunto de datos

Answer

Generar nuevos datos

Answer

Predecir valores continuos

Answer

Clasificar datos en categorías

Question 3

¿Cuál de las siguientes afirmaciones sobre el aprendizaje no supervisado es correcta?

Accepted Answer

No requiere datos etiquetados para entrenar un modelo

Answer

Es aplicable únicamente a conjuntos de datos pequeños

Answer

Siempre produce modelos más precisos que el aprendizaje supervisado

Question 4

En un algoritmo de agrupamiento jerárquico:

Accepted Answer

Los datos se representan en forma de árbol o dendrograma

Answer

El número de grupos debe especificarse de antemano

Answer

Los datos se dividen en grupos de tamaño fijo

Question 5

¿Qué medida se utiliza habitualmente para evaluar la calidad de un modelo de agrupamiento?

Accepted Answer

Índice de Silueta

Answer

Recall

Answer

Precisión

Answer

F1-score

Question 6

El algoritmo EM (Expectation-Maximization) es un método de aprendizaje no supervisado que se utiliza para:

Accepted Answer

Estimar los parámetros de un modelo probabilístico desconocido

Answer

Generar nuevos datos

Answer

Clasificar datos en categorías

Answer

Predecir valores de datos faltantes

Question 7

El autocodificador esparso es un tipo de autocodificador que:

Accepted Answer

Fomenta representaciones neuronales dispersas

Answer

Genera nuevos datos

Answer

Requiere una arquitectura de red específica

Answer

Reconstruye los datos con precisión perfecta

Question 8

¿Cuál de las siguientes opciones es una ventaja del aprendizaje no supervisado?

Accepted Answer

Puede descubrir patrones y estructuras ocultas en los datos

Answer

Siempre es más rápido que el aprendizaje supervisado

Answer

Produce modelos que siempre son interpretables

Question 9

El algoritmo de reducción de dimensionalidad t-SNE es conocido por:

Accepted Answer

Preservar la estructura local en los datos

Answer

No ser aplicable a conjuntos de datos grandes

Answer

Producir representaciones de datos de alta dimensión

Answer

Ser lineal y computacionalmente eficiente

Question 10

En el aprendizaje no supervisado, ¿qué técnica permite agrupar elementos similares basándose en sus características?

Accepted Answer

Agrupamiento

Answer

Clasificación

Answer

Regresión lineal

Answer

Árbol de decisión

Question 11

El Análisis de Componentes Principales (PCA) es una técnica de reducción de dimensionalidad. ¿Cuál es su principal ventaja?

Accepted Answer

Reduce la dimensionalidad de los datos conservando la mayor varianza posible.

Answer

Identifica valores atípicos en los datos.

Answer

Mejora la precisión de los modelos supervisados.

Question 12

En el contexto del aprendizaje no supervisado, ¿qué técnica se utiliza para identificar patrones irregulares o anomalías en los datos?

Accepted Answer

Detección de anomalías

Answer

Análisis de conglomerados

Answer

Agrupamiento jerárquico

Answer

Escalamiento multidimensional

Question 13

La categorización explicativa es una técnica de aprendizaje no supervisado. ¿Cuál es su característica principal?

Accepted Answer

Asigna etiquetas a datos no etiquetados.

Answer

Requiere datos etiquetados para entrenar el modelo.

Answer

Funciona mejor con datos de alta dimensionalidad.

Question 14

El agrupamiento jerárquico es un tipo de algoritmo de agrupamiento. ¿Cuál de los siguientes es un algoritmo de agrupamiento jerárquico?

Accepted Answer

Agrupamiento jerárquico ascendente

Answer

DBSCAN

Answer

K-medias

Answer

Agrupamiento espectral

Question 15

La reducción de dimensionalidad es una técnica utilizada en el aprendizaje no supervisado. ¿Cuál es su objetivo principal?

Accepted Answer

Hacer que los datos sean más manejables y comprensibles.

Answer

Mejorar la precisión de los modelos supervisados.

Answer

Identificar relaciones no lineales entre variables.

Question 16

¿Cuál es una ventaja de utilizar algoritmos de agrupamiento basados en densidad?

Accepted Answer

Pueden identificar grupos de forma arbitraria y no requieren un número predeterminado de clústeres.

Answer

Funcionan bien con datos de alta dimensionalidad.

Answer

Son más eficientes computacionalmente que otros algoritmos de agrupamiento.

Question 17

Al evaluar algoritmos de agrupamiento, ¿cuál de las siguientes NO es una métrica de evaluación comúnmente utilizada?

Accepted Answer

Precisión

Answer

Rand Index

Answer

Coeficiente de Dunn

Answer

Índice de Silhouette

Question 18

En un proyecto de aprendizaje automático, ¿cuál es el objetivo principal del aprendizaje no supervisado?

Accepted Answer

Descubrir patrones, estructuras y relaciones ocultas en datos no etiquetados.

Answer

Clasificar datos en categorías predefinidas.

Answer

Predecir valores de variables objetivo.

Question 19

¿Qué ventaja principal ofrece el aprendizaje no supervisado?

Accepted Answer

Descubrimiento de patrones y tendencias desconocidos en datos no etiquetados

Answer

Etiquetado manual de datos

Answer

Alta precisión en tareas de clasificación supervisada

Answer

Información previa sobre los datos

Question 20

¿Qué técnica de agrupamiento utiliza el concepto de centroides para asignar puntos de datos a clústeres?

Accepted Answer

K-means

Answer

Análisis de componentes principales (PCA)

Answer

DBSCAN (Clustering basado en densidad espacial con aplicaciones de ruido)

Answer

Agrupamiento jerárquico

Question 21

En la reducción de dimensionalidad, ¿qué técnica proyecta datos en un espacio de menor dimensión mientras maximiza la varianza retenida?

Accepted Answer

Análisis de componentes principales (PCA)

Answer

Regresión lineal

Answer

Autoencoder

Answer

Escalado multidimensional (MDS)

Question 22

En el agrupamiento K-means, ¿qué criterio se utiliza típicamente para determinar el número óptimo de clústeres?

Accepted Answer

Suma de cuadrados dentro del clúster (WCSS)

Answer

Índice de silueta

Answer

Coeficiente de Davies-Bouldin

Answer

Información mutua

Question 23

¿Qué técnica de aprendizaje no supervisado se especializa en identificar valores atípicos (puntos de datos inusuales) en un conjunto de datos?

Accepted Answer

Análisis de valores atípicos

Answer

Reducción de dimensionalidad

Answer

Agrupamiento

Question 24

¿En qué escenario es más beneficioso utilizar el análisis de componentes principales (PCA)?

Accepted Answer

Reducir la dimensionalidad de un conjunto de datos de alta dimensión conservando la información relevante

Answer

Clasificar datos en distintas categorías

Question 25

En el aprendizaje no supervisado, ¿cuál es el objetivo principal?

Accepted Answer

Encontrar patrones y estructuras en datos no etiquetados

Answer

Clasificar datos en categorías predefinidas

Answer

Predecir resultados futuros

Question 26

¿Cuál de los siguientes métodos de reducción de dimensionalidad se basa en valores propios y vectores propios?

Accepted Answer

Análisis de componentes principales

Answer

Escalamiento multidimensional

Answer

Análisis factorial

Answer

Análisis discriminante

Question 27

En el análisis de componentes principales, ¿cuál es el objetivo de maximizar la varianza?

Accepted Answer

Identificar las direcciones de mayor variación en los datos

Answer

Reducir el número de variables

Answer

Mejorar la precisión de un modelo

Question 28

En un algoritmo de agrupamiento de k-medias, el valor k representa:

Accepted Answer

El número de grupos a formar

Answer

La distancia entre los grupos

Answer

El número de datos en el conjunto de datos

Answer

El tamaño de los grupos

Question 29

¿Cuál de las siguientes métricas se utiliza para evaluar la eficacia de un algoritmo de agrupamiento?

Accepted Answer

Índice de silueta

Answer

Curva ROC

Answer

Recuerdo

Answer

Precisión

Question 30

En el análisis de componentes principales, el primer componente explica:

Accepted Answer

La mayor parte de la variación en los datos

Answer

La variación total en los datos

Answer

La menor parte de la variación en los datos

Answer

La variación promedio en los datos

Question 31

En el contexto del aprendizaje no supervisado, un 'cluster' se refiere a:

Accepted Answer

Un grupo de datos similares

Answer

Un modelo entrenado

Answer

Un punto individual de datos

Answer

Un conjunto de datos etiquetados

Question 32

El aprendizaje no supervisado se utiliza principalmente para:

Accepted Answer

Descubrir patrones y estructuras en datos no etiquetados

Answer

Procesar datos de imágenes

Answer

Resolver problemas de predicción

Question 33

En el aprendizaje no supervisado, ¿cuál de las siguientes técnicas se utiliza comúnmente para agrupar datos sin etiquetas?

Accepted Answer

k-means

Answer

Árbol de decisión

Answer

Regresión lineal

Answer

Perceptrón multicapa

Question 34

En el análisis de componentes principales (PCA), ¿cuál es el objetivo principal?

Accepted Answer

Reducir la dimensionalidad de los datos sin perder información significativa

Answer

Identificar valores atípicos

Answer

Predecir valores continuos

Answer

Clasificar datos en categorías

Question 35

En el agrupamiento jerárquico, ¿qué estructura representa las relaciones entre los grupos de datos?

Accepted Answer

Dendograma

Answer

Diagrama de dispersión

Answer

Tabla de contingencia

Answer

Mapa autoorganizado

Question 36

¿Cuál de las siguientes características describe mejor al aprendizaje no supervisado?

Accepted Answer

Puede descubrir patrones ocultos en datos no etiquetados

Answer

Requiere datos etiquetados para el entrenamiento

Answer

Siempre produce modelos con alta precisión predictiva

Answer

Solo es aplicable a datos de tipo categórico

Question 37

Una ventaja del análisis de componentes principales (PCA) es:

Accepted Answer

Simplificar conjuntos de datos de alta dimensionalidad para su análisis

Answer

Predecir valores futuros con alta precisión

Answer

Clasificar datos en categorías complejas

Question 38

¿Cuál de los siguientes es un beneficio del aprendizaje no supervisado?

Accepted Answer

Puede identificar patrones desconocidos en los datos

Answer

Es más fácil de implementar que el aprendizaje supervisado

Answer

Siempre genera modelos con un rendimiento excepcional

Answer

No requiere preprocesamiento de datos

Question 39

El agrupamiento basado en densidad tiene como objetivo identificar:

Accepted Answer

Regiones de datos con una alta concentración de puntos

Answer

Valores atípicos aislados en un conjunto de datos

Answer

Líneas de tendencia que describen el comportamiento de los datos

Answer

Secuencias temporales en los datos

Question 40

Una limitación del aprendizaje no supervisado es que:

Accepted Answer

La interpretación de los resultados puede ser desafiante

Answer

Requiere una gran cantidad de datos para entrenar modelos

Answer

No es aplicable a tareas de predicción

Answer

Solo es adecuado para problemas simples

Question 41

La técnica de reducción de dimensionalidad t-SNE es conocida por:

Accepted Answer

Preservar bien las distancias locales entre puntos de datos

Answer

Ser adecuada solo para datos de baja dimensionalidad

Answer

Generar siempre visualizaciones fácilmente interpretables

Answer

Ser lineal y computacionalmente eficiente