Aprendizaje Supervisado: Domina los algoritmos de IA para predecir y clasificar

Question 1

¿En el aprendizaje supervisado, la tarea de predecir un valor numérico continuo se conoce como?

Accepted Answer

Regresión

Answer

Clasificación

Answer

Agrupamiento

Answer

Detección de anomalías

Question 2

En un árbol de decisión, el criterio comúnmente utilizado para seleccionar la característica más discriminatoria para dividir los datos es:

Accepted Answer

Ganancia de información

Answer

Coeficiente de correlación

Answer

Distancia euclidiana

Answer

Varianza

Question 3

En las máquinas de soporte vectorial, la separación de datos se logra mediante:

Accepted Answer

Hiperplano

Answer

Elipse

Answer

Curva parabólica

Answer

Regresión lineal

Question 4

En el algoritmo de descenso de gradiente, el movimiento del algoritmo está dirigido hacia:

Accepted Answer

Los mínimos locales de la función de pérdida

Answer

Los máximos locales de la función de pérdida

Answer

Puntos aleatorios en el espacio de búsqueda

Answer

No se mueve

Question 5

¿Qué mide el coeficiente de correlación entre dos variables?

Accepted Answer

La fuerza y ​​dirección de la relación lineal

Answer

Solo la fuerza de la relación lineal

Answer

Solo la dirección de la relación lineal

Answer

Ni la fuerza ni la dirección de la relación lineal

Question 6

En un árbol de decisión, el nodo que representa la predicción final es:

Accepted Answer

Nodo hoja

Answer

Nodo raíz

Answer

Nodo interno

Answer

Ninguno de los anteriores

Question 7

¿Cuál de los siguientes es un algoritmo de regresión lineal?

Accepted Answer

Mínimos cuadrados ordinarios

Answer

Máquinas de soporte vectorial

Answer

Perceptrón

Answer

Árboles de decisión

Question 8

En un modelo de clasificación, ¿cuál de las siguientes afirmaciones sobre la función de pérdida es verdadera?

Accepted Answer

Su objetivo es minimizar el número de errores de clasificación.

Answer

Su objetivo es maximizar la distancia entre las clases.

Answer

Encuentra el hiperplano óptimo que separa las clases.

Answer

Calcula la probabilidad de que una muestra pertenezca a una clase determinada.

Question 9

Las máquinas de soporte vectorial emplean una función de núcleo para:

Accepted Answer

Mapear los datos a un espacio de mayor dimensión, lo que permite la clasificación de datos no lineales.

Answer

Regularizar el modelo para evitar el sobreajuste.

Answer

Encontrar el hiperplano óptimo que separa las clases.

Answer

Calcular la distancia entre las muestras de datos.

Question 10

En un modelo de regresión, el coeficiente de determinación (R²) representa:

Accepted Answer

La proporción de varianza en la variable dependiente explicada por la variable independiente.

Answer

El error estándar de la estimación.

Answer

La pendiente de la línea de regresión.

Question 11

En los árboles de decisión, el criterio de información de Gini mide:

Accepted Answer

La impureza de un nodo, que indica cuánto están mezcladas las clases dentro del nodo.

Answer

La profundidad del árbol, que indica el número de niveles en el árbol.

Answer

La ganancia de información, que mide cuánto mejora la pureza de un nodo al dividirlo.

Answer

El número de muestras en un nodo, que indica cuántos puntos de datos están asignados al nodo.

Question 12

¿Cuál de los siguientes es un tipo de aprendizaje supervisado multietiqueta?

Accepted Answer

Clasificación con etiquetas binarias múltiples

Answer

Regresión multivariada

Answer

Detección de anomalías

Answer

Clasificación con una sola etiqueta

Question 13

¿Cuál de las siguientes afirmaciones sobre los tipos de algoritmos de regresión lineal es FALSA?

Accepted Answer

La regresión logística es un tipo de algoritmo de regresión lineal.

Answer

La regresión lineal simple utiliza una sola variable independiente.

Answer

La regresión lineal múltiple utiliza múltiples variables independientes.

Question 14

En la clasificación binaria, ¿qué valor de probabilidad indica que una instancia debe clasificarse como perteneciente a la clase positiva?

Accepted Answer

Mayor a 0,5

Answer

Menor a 0,5

Answer

Exactamente 0,5

Answer

Entre 0,4 y 0,6

Question 15

¿Qué tipo de algoritmo de aprendizaje automático utiliza una estructura similar a un árbol para tomar decisiones?

Accepted Answer

Árboles de decisión

Answer

Máquinas de soporte vectorial

Answer

Regresión lineal

Answer

Redes neuronales

Question 16

¿Cuál de las siguientes NO es una ventaja de las máquinas de soporte vectorial?

Accepted Answer

Son fáciles de interpretar.

Answer

Son rápidos de entrenar.

Answer

Son robustas al sobreajuste.

Answer

Son eficientes en cuanto a memoria.

Question 17

En el aprendizaje supervisado, ¿cuál es la diferencia entre los datos de entrenamiento y los datos de prueba?

Accepted Answer

Los datos de entrenamiento se utilizan para ajustar los parámetros del modelo, mientras que los datos de prueba son un conjunto independiente utilizado para evaluar su rendimiento.

Answer

Los datos de prueba se utilizan para entrenar el modelo.

Answer

Los datos de entrenamiento son más grandes que los datos de prueba.

Question 18

¿Qué término describe un modelo de aprendizaje automático que genera predicciones continuas?

Accepted Answer

Regresión

Answer

Clasificación

Answer

Reducción de dimensionalidad

Answer

Agrupamiento

Question 19

En el aprendizaje supervisado, ¿qué medida cuantifica el error del modelo en sus predicciones?

Accepted Answer

Función de pérdida

Answer

F1-score

Answer

Sensibilidad

Answer

Precisión

Question 20

En el aprendizaje supervisado, ¿cuál es el propósito de la regularización?

Accepted Answer

Controlar el sobreajuste del modelo

Answer

Mejorar la interpretabilidad del modelo

Answer

Aumentar la precisión del modelo

Answer

Reducir la complejidad del modelo

Question 21

En la regresión lineal, ¿cuál es el principal objetivo de la función de coste?

Accepted Answer

Minimizar el error cuadrático medio entre las predicciones y los valores reales

Answer

Encontrar la línea con la pendiente más pronunciada

Answer

Maximizar la varianza de las predicciones

Question 22

En los árboles de decisión, ¿cuál es el criterio más común utilizado para seleccionar la característica de división en cada nodo?

Accepted Answer

Ganancia de información

Answer

Entropía

Answer

Distancia euclidiana

Answer

Varianza

Question 23

En el aprendizaje supervisado, ¿qué tipo de datos se utilizan para entrenar un modelo?

Accepted Answer

Datos etiquetados

Answer

Datos sin procesar

Answer

Datos de prueba

Question 24

En el aprendizaje supervisado, ¿qué se conoce como sobreajuste?

Accepted Answer

Cuando un modelo se ajusta demasiado a los datos de entrenamiento, lo que lleva a un rendimiento deficiente con nuevos datos

Answer

Cuando un modelo no aprende lo suficiente de los datos de entrenamiento

Question 25

¿Cuál de las siguientes es una característica clave del aprendizaje supervisado?

Accepted Answer

Los datos de entrenamiento están etiquetados con las respuestas correctas

Answer

El modelo solo puede hacer predicciones sobre datos no vistos

Answer

El modelo aprende de sus errores sin supervisión

Answer

El modelo se entrena sin datos de entrenamiento

Question 26

¿Qué algoritmo de aprendizaje supervisado se emplea principalmente para resolver problemas de regresión?

Accepted Answer

Regresión lineal

Answer

Árboles de decisión

Answer

Máquinas de soporte vectorial

Answer

Redes neuronales

Question 27

En la regresión lineal, ¿cuál es la función de coste comúnmente utilizada?

Accepted Answer

Error cuadrático medio (MSE)

Answer

Pérdida de bisagra

Answer

Entropía cruzada

Answer

Desviación absoluta media (MAE)

Question 28

¿Qué tipo de clasificador divide el espacio de características utilizando hiperplanos?

Accepted Answer

Máquinas de soporte vectorial

Answer

Árboles de decisión

Answer

Perceptrón

Answer

Regresión logística

Question 29

¿Cuál de las siguientes métricas se utiliza normalmente para evaluar el rendimiento de los clasificadores?

Accepted Answer

Precisión

Answer

RMSE

Answer

R2

Answer

MSE

Question 30

¿Cuál es la ventaja más destacada de los árboles de decisión?

Accepted Answer

Ofrecen una gran interpretabilidad, facilitando la comprensión del proceso de toma de decisiones.

Answer

Suelen alcanzar una alta precisión en tareas de clasificación.

Answer

Son considerablemente rápidos de entrenar en comparación con otros algoritmos.

Answer

Pueden escalar eficientemente a conjuntos de datos de gran tamaño.

Question 31

¿Cuál es el objetivo principal de la función de bisagra en las máquinas de soporte vectorial (SVM)?

Accepted Answer

Maximizar el margen entre las diferentes clases, creando un límite de clasificación más amplio.

Answer

Minimizar el error de clasificación en los datos de entrenamiento.

Answer

Regularizar el modelo para evitar el sobreajuste.

Answer

Encontrar el hiperplano óptimo que separa las clases.

Question 32

En el contexto del aprendizaje supervisado, ¿qué tipo de datos se utilizan para entrenar los algoritmos?

Accepted Answer

Datos etiquetados, donde cada muestra está asociada con una etiqueta de clase o un valor objetivo conocido.

Answer

Datos no etiquetados, que carecen de información de clase o etiquetas de destino.

Answer

Datos sin procesar, que no han sido preprocesados ni preparados para el modelado.

Answer

Datos aleatorios, que no contienen ninguna información significativa.

Question 33

Los algoritmos de regresión lineal se utilizan principalmente para:

Accepted Answer

Predecir valores continuos, como precios o cantidades.

Answer

Reducir la dimensionalidad de los datos para una representación más compacta.

Answer

Agrupar datos similares en clústeres basados en sus características.

Answer

Clasificar datos en categorías discretas, como verdadero/falso o aprobados/reprobados.

Question 34

El objetivo principal de un algoritmo de clasificación es:

Accepted Answer

Asignar una etiqueta de clase específica a cada dato de entrada.

Answer

Agrupar datos similares en clústeres para identificar patrones ocultos.

Answer

Predecir valores continuos, como precios o cantidades.

Answer

Reducir la dimensionalidad de los datos eliminando características irrelevantes.

Question 35

Los árboles de decisión son una técnica de aprendizaje automático que:

Accepted Answer

Divide los datos en un conjunto de reglas similares a un árbol, facilitando la interpretación de las decisiones.

Answer

Busca patrones no supervisados en los datos sin utilizar etiquetas de clase.

Answer

Utiliza funciones matemáticas complejas para modelar relaciones no lineales.

Question 36

Las máquinas de soporte vectorial (SVM) son particularmente efectivas para:

Accepted Answer

Clasificar datos en dos o más categorías, creando un límite de decisión óptimo entre ellas.

Answer

Agrupar datos similares en clústeres para identificar estructuras subyacentes.

Answer

Extraer características importantes de los datos para el análisis.

Answer

Predecir valores continuos con alta precisión.

Question 37

¿Cuál de las siguientes técnicas NO pertenece al aprendizaje supervisado?

Accepted Answer

K-Means

Answer

Máquinas de soporte vectorial

Answer

Árboles de decisión

Answer

Regresión lineal

Question 38

El propósito de dividir un conjunto de datos en subconjuntos de entrenamiento y prueba es:

Accepted Answer

Evaluar el rendimiento del modelo en datos que no fueron utilizados para su entrenamiento.

Answer

Aumentar el tamaño general del conjunto de datos.

Answer

Reducir el tiempo requerido para entrenar el modelo.

Answer

Mejorar la precisión del modelo en los datos de entrenamiento.

Question 39

En el contexto del aprendizaje supervisado, el error de entrenamiento representa:

Accepted Answer

El desempeño del modelo en los datos de entrenamiento utilizados para ajustarlo.

Answer

El desempeño del modelo en los datos de prueba que no fueron utilizados para el entrenamiento.

Answer

La complejidad del modelo, determinada por el número de parámetros y características.

Question 40

El sobreajuste ocurre cuando:

Accepted Answer

Un modelo se ajusta demasiado a los datos de entrenamiento, perdiendo capacidad de generalización

Answer

Un modelo no se ajusta lo suficiente a los datos de entrenamiento

Answer

Un modelo tiene demasiadas características