Aprendizaje automático no supervisado: cuestionarios y ejercicios interactivos

Question 1

¿Cuál de los siguientes NO es un tipo de algoritmo de aprendizaje automático no supervisado?

Accepted Answer

Clasificación

Answer

Clustering

Answer

Reducción de dimensionalidad

Answer

Detección de anomalías

Question 2

¿Qué algoritmo de clustering divide los datos en grupos jerárquicos?

Accepted Answer

Jerárquico

Answer

K-Means

Answer

DBSCAN

Answer

Spectral

Question 3

¿Qué técnica de reducción de dimensionalidad se utiliza para preservar la varianza de los datos?

Accepted Answer

PCA

Answer

LDA

Answer

T-SNE

Answer

UMAP

Question 4

¿Qué medida se utiliza para evaluar la pureza de un cluster?

Accepted Answer

Índice de Silhouette

Answer

Precisión

Answer

Pérdida de entropía cruzada

Answer

F1-score

Question 5

¿Qué algoritmo de aprendizaje no supervisado se utiliza para identificar asociaciones entre elementos?

Accepted Answer

Apriori

Answer

C4.5

Answer

Naive Bayes

Answer

KNN

Question 6

Un conjunto de datos contiene información sobre los hábitos de gasto de los clientes. ¿Qué algoritmo de aprendizaje no supervisado sería más adecuado para identificar patrones de gasto?

Accepted Answer

K-Means

Answer

Apriori

Answer

LDA

Answer

DBSCAN

Question 7

Indica cuál es la característica principal del aprendizaje automático no supervisado:

Accepted Answer

Detecta patrones y estructuras en datos sin etiquetas

Answer

Predice valores basados en datos etiquetados

Answer

Requiere datos etiquetados para entrenar modelos

Question 8

¿Cuál de los siguientes tipos de algoritmos NO corresponde al aprendizaje no supervisado?

Accepted Answer

Aprendizaje supervisado

Answer

Agrupamiento

Answer

Reducción de dimensionalidad

Answer

Detección de anomalías

Question 9

El algoritmo k-Means es un ejemplo de:

Accepted Answer

Algoritmo de agrupamiento

Answer

Algoritmo de aprendizaje supervisado

Answer

Algoritmo de detección de anomalías

Answer

Algoritmo de reducción de dimensionalidad

Question 10

¿Cuál es el objetivo de la reducción de dimensionalidad?

Accepted Answer

Disminuir el número de características en un conjunto de datos

Answer

Descubrir patrones y estructuras

Answer

Mejorar la exactitud de los modelos

Question 11

Nombra la métrica comúnmente empleada para evaluar modelos de agrupamiento:

Accepted Answer

Índice de silueta

Answer

Puntuación F1

Answer

Precisión

Answer

Sensibilidad

Question 12

El algoritmo de detección de anomalías Local Outlier Factor (LOF) identifica:

Accepted Answer

Puntos de datos que difieren marcadamente de sus vecinos

Answer

Puntos de datos con valores nulos

Answer

Puntos de datos que forman grupos distintos

Question 13

Nombra una aplicación del aprendizaje automático no supervisado:

Accepted Answer

Detección de fraude

Answer

Clasificación de imágenes

Answer

Pronóstico de series temporales

Answer

Reconocimiento de voz

Question 14

El aprendizaje automático no supervisado es particularmente útil cuando:

Accepted Answer

Los datos carecen de etiquetas o etiquetarlos es complicado

Answer

El problema es complejo y lineal

Answer

Los datos son abundantes y de alta calidad

Question 15

En el ámbito del aprendizaje automático no supervisado, ¿qué función desempeña la visualización de datos?

Accepted Answer

Facilita la identificación de patrones y estructuras ocultas

Answer

Sustituye a los algoritmos de aprendizaje automático

Answer

Es irrelevante para el proceso de aprendizaje

Answer

Garantiza la precisión de los modelos

Question 16

Al trabajar con datos de alta dimensionalidad, la reducción de dimensionalidad puede:

Accepted Answer

Optimizar el rendimiento del modelo y facilitar su interpretación

Answer

Introducir errores en los datos

Answer

Aumentar la complejidad del modelo

Question 17

¿Cuál de las siguientes técnicas NO es apropiada para la reducción de dimensionalidad en el aprendizaje no supervisado?

Accepted Answer

Regresión lineal

Answer

Escalamiento multidimensional

Answer

Análisis de conglomerados

Answer

Análisis de componentes principales

Question 18

¿Qué algoritmo de agrupamiento minimiza la distancia entre los puntos de datos agrupados?

Accepted Answer

K-medias

Answer

DBSCAN

Answer

Jerárquico

Question 19

En el aprendizaje no supervisado, ¿qué tipo de datos se emplea para entrenar los modelos?

Accepted Answer

Datos sin etiquetar

Answer

Datos parcialmente etiquetados

Answer

Datos simulados

Answer

Datos etiquetados

Question 20

Para evaluar modelos de agrupamiento, ¿qué métrica es comúnmente utilizada?

Accepted Answer

Índice de silueta

Answer

Exactitud

Answer

F1-score

Answer

Precisión

Question 21

Una ventaja principal del aprendizaje no supervisado es que:

Accepted Answer

Puede descubrir patrones ocultos en datos sin etiquetar.

Answer

Es computacionalmente muy costoso.

Answer

Siempre produce modelos de alta precisión.

Question 22

En el aprendizaje no supervisado, ¿qué técnica reduce la dimensionalidad de los datos proyectándolos ortogonalmente?

Accepted Answer

Análisis de componentes principales

Answer

Análisis de conglomerados

Answer

Escalamiento multidimensional

Answer

Detección de anomalías

Question 23

En el análisis de agrupamiento, ¿cómo se denomina a un conjunto de puntos de datos similares?

Accepted Answer

Conglomerado

Answer

Etiqueta

Answer

Patrón

Answer

Clase

Question 24

En el análisis de conglomerados jerárquico, ¿qué método de vinculación calcula la distancia entre conglomerados como la distancia mínima entre dos puntos de datos individuales de cada conglomerado?

Accepted Answer

Vinculación simple

Answer

Vinculación promedio

Answer

Vinculación completa

Answer

Vinculación de Ward

Question 25

¿Qué algoritmo de aprendizaje no supervisado se emplea para identificar anomalías o puntos de datos inusuales en un conjunto de datos?

Accepted Answer

Detección de anomalías

Answer

Aprendizaje por reglas de asociación

Answer

Reducción de dimensionalidad

Answer

Agrupamiento

Question 26

Selecciona el algoritmo de agrupación que asigna puntos de datos a grupos según la similitud de sus características.

Accepted Answer

Agrupación de k-medias

Answer

Análisis de componentes principales

Answer

Agrupación jerárquica

Answer

Detección de anomalías

Question 27

Indica la técnica de aprendizaje no supervisado que se utiliza para reducir la dimensionalidad de los datos sin perder información esencial.

Accepted Answer

Análisis de componentes principales

Answer

Regresión lineal

Answer

Agrupación

Answer

Detección de anomalías

Question 28

Selecciona la técnica de evaluación que mide la capacidad de un algoritmo de agrupación para asignar puntos de datos a sus grupos correctos.

Accepted Answer

Índice de silueta

Answer

Rechazo

Answer

F-medida

Answer

Precisión

Question 29

¿Cuál es el objetivo principal del análisis de componentes principales?

Accepted Answer

Reducir la dimensionalidad de los datos para facilitar su análisis e interpretación.

Answer

Agrupar puntos de datos con características similares.

Answer

Clasificar puntos de datos en categorías distintas.

Question 30

Indica el algoritmo de agrupación que crea una jerarquía de grupos anidados.

Accepted Answer

Agrupación jerárquica

Answer

Agrupación espectral

Answer

Agrupación de k-medias

Answer

Agrupación DBSCAN

Question 31

¿Cuál es el propósito de la reducción de dimensionalidad en el aprendizaje no supervisado?

Accepted Answer

Hacer que los datos sean más manejables y optimizar su análisis.

Answer

Reducir el tiempo de entrenamiento.

Answer

Aumentar la precisión de los modelos.

Question 32

Selecciona el parámetro más importante en el algoritmo de agrupación de k-medias.

Accepted Answer

Número de grupos

Answer

Función de distancia

Answer

Factor de regularización

Answer

Tasa de aprendizaje

Question 33

¿Cuál de las siguientes técnicas NO es un algoritmo de aprendizaje automático no supervisado?

Accepted Answer

Regresión lineal

Answer

Reducción de dimensionalidad (Dimensionality Reduction)

Answer

Agrupamiento (Clustering)

Answer

Detección de anomalías (Anomaly Detection)

Question 34

¿Qué tipo de aprendizaje no supervisado se utiliza para encontrar grupos de datos con características similares?

Accepted Answer

Agrupamiento (Clustering)

Answer

Detección de anomalías (Anomaly Detection)

Answer

Clasificación (Classification)

Answer

Reducción de dimensionalidad (Dimensionality Reduction)

Question 35

¿Qué técnica se utiliza para identificar patrones en series de datos ordenados en el tiempo?

Accepted Answer

Análisis de series temporales (Time Series Analysis)

Answer

Agrupamiento (Clustering)

Answer

Regresión (Regression)

Answer

Detección de anomalías (Anomaly Detection)

Question 36

¿Qué tipo de aprendizaje no supervisado se utiliza para identificar datos atípicos o inusuales dentro de un conjunto de datos?

Accepted Answer

Detección de anomalías (Anomaly Detection)

Answer

Clasificación (Classification)

Answer

Agrupamiento (Clustering)

Answer

Reducción de dimensionalidad (Dimensionality Reduction)

Question 37

¿Qué algoritmo de aprendizaje no supervisado se utiliza para transformar datos no lineales en una representación lineal?

Accepted Answer

Mapeado de núcleos (Kernel Mapping)

Answer

K-medias (K-means)

Answer

Detección de anomalías (Anomaly Detection)

Answer

Red neuronal autocodificadora (Autoencoder Neural Network)

Question 38

¿Qué técnica se utiliza para visualizar datos con muchas dimensiones en un espacio de menor dimensión?

Accepted Answer

Análisis de componentes principales (PCA)

Answer

Detección de anomalías (Anomaly Detection)

Answer

Regresión (Regression)

Answer

Agrupamiento (Clustering)

Question 39

¿Qué tipo de aprendizaje no supervisado se utiliza para construir una jerarquía de conceptos o categorías?

Accepted Answer

Aprendizaje jerárquico (Hierarchical Learning)

Answer

Reducción de dimensionalidad (Dimensionality Reduction)

Answer

Agrupamiento (Clustering)

Question 40

¿Qué algoritmo de aprendizaje no supervisado se utiliza para generar datos sintéticos similares a los datos reales?

Accepted Answer

Modelo generativo adversarial (GAN)

Answer

Detección de anomalías (Anomaly Detection)

Answer

K-medias (K-means)

Answer

Red neuronal autocodificadora (Autoencoder Neural Network)

Question 41

¿Cuál de las siguientes técnicas NO se considera aprendizaje automático no supervisado?

Accepted Answer

Aprendizaje por refuerzo

Answer

Aprendizaje asociativo

Answer

Reducción de dimensionalidad

Answer

Agrupamiento

Question 42

El algoritmo K-means se utiliza principalmente para:

Accepted Answer

Agrupar datos en K clusters

Answer

Clasificar datos en categorías predefinidas

Answer

Reducir la dimensionalidad de los datos

Answer

Identificar patrones de asociación entre variables

Question 43

El análisis de componentes principales (PCA) es una técnica que se utiliza para:

Accepted Answer

Reducir la dimensionalidad de los datos manteniendo la mayor varianza

Answer

Clasificar datos en categorías predefinidas

Answer

Agrupar datos en clusters basados en la distancia

Question 44

Un modelo de aprendizaje no supervisado se considera exitoso cuando:

Accepted Answer

Encuentra patrones y estructuras significativas en los datos

Answer

Alcanza una alta precisión en la clasificación de datos etiquetados

Answer

Tiene un alto rendimiento en la predicción de valores futuros

Question 45

¿Cuál de los siguientes métodos se utiliza para evaluar la calidad de un modelo de agrupamiento?

Accepted Answer

El índice de silueta

Answer

Precisión

Answer

Valor predictivo positivo

Answer

Sensibilidad

Question 46

El aprendizaje asociativo se utiliza principalmente para:

Accepted Answer

Identificar relaciones de asociación entre variables

Answer

Reducir la dimensionalidad de los datos

Answer

Agrupar datos en clusters

Question 47

Un ejemplo de aplicación práctica del aprendizaje no supervisado es:

Accepted Answer

Recomendación de productos en una tienda online

Answer

Detección de spam en correos electrónicos

Answer

Clasificación de imágenes en categorías predefinidas

Question 48

¿Qué técnica de reducción de dimensionalidad se basa en encontrar una combinación lineal de variables que explica la mayor varianza en los datos?

Accepted Answer

Análisis de componentes principales (PCA)

Answer

K-means

Answer

Análisis de discriminantes lineales (LDA)

Answer

Aprendizaje asociativo

Question 49

Una desventaja común del aprendizaje no supervisado es:

Accepted Answer

La dificultad de interpretar los resultados obtenidos

Answer

La baja precisión en la clasificación de datos

Answer

La necesidad de grandes conjuntos de datos etiquetados

Question 50

El algoritmo de clustering jerárquico se diferencia de K-means en que:

Accepted Answer

Crea una jerarquía de clusters, mientras que K-means solo crea clusters planos

Answer

Requiere definir el número de clusters de antemano, a diferencia de K-means

Answer

Es más eficiente computacionalmente que K-means