Minería de Datos: Conceptos, Técnicas y Aplicaciones en la Investigación Empresarial

Question 1

El proceso de extraer conocimiento de grandes cantidades de datos se conoce como:

Accepted Answer

Minería de datos

Answer

Gestión de bases de datos

Answer

Aprendizaje automático

Answer

Análisis estadístico

Question 2

Uno de los beneficios potenciales de utilizar minería de datos en la investigación empresarial es:

Accepted Answer

Mejora de la toma de decisiones

Answer

Aumento de la satisfacción del cliente

Answer

Eliminación de riesgos

Answer

Reducción de costos operativos

Question 3

El proceso de preparar datos para minería de datos incluye:

Accepted Answer

Limpieza, integración y transformación

Answer

Visualización y análisis

Answer

Interpretación y aplicación

Answer

Recopilación y almacenamiento

Question 4

¿Qué tipo de algoritmo es un árbol de decisión?

Accepted Answer

Algoritmo de aprendizaje supervisado

Answer

Algoritmo de agrupamiento

Answer

Algoritmo de regresión

Answer

Algoritmo de aprendizaje no supervisado

Question 5

El proceso de encontrar grupos similares dentro de un conjunto de datos se conoce como:

Accepted Answer

Análisis de clústeres

Answer

Detección de anomalías

Answer

Clasificación

Answer

Análisis de redes sociales

Question 6

El proceso de evaluar el rendimiento de un modelo de minería de datos implica:

Accepted Answer

Validación cruzada y métricas de rendimiento

Answer

Interpretación de resultados y aplicación

Answer

Algoritmos de selección y ajuste de parámetros

Answer

Recopilación de datos y preparación

Question 7

El objetivo fundamental de la minería de datos es:

Accepted Answer

Extraer conocimientos útiles de grandes conjuntos de datos

Answer

Almacenar datos eficientemente

Answer

Procesar datos estadísticamente

Question 8

¿Cuál de las siguientes técnicas NO está relacionada con la minería de datos?

Accepted Answer

Regresión lineal múltiple

Answer

Árboles de decisión

Answer

Análisis de conglomerados

Answer

Redes neuronales

Question 9

El proceso CRISP-DM es un marco que proporciona una guía para:

Accepted Answer

Gestionar proyectos de minería de datos de manera sistemática

Answer

Visualizar los resultados de la minería de datos de manera efectiva

Answer

Seleccionar los algoritmos de minería de datos más adecuados

Question 10

La validación cruzada es una técnica utilizada para:

Accepted Answer

Evaluar el rendimiento y la generalización de los modelos de minería de datos

Answer

Recopilar datos para proyectos de minería de datos

Answer

Preprocesar datos para proyectos de minería de datos

Question 11

En la minería de datos, los datos más adecuados para los algoritmos suelen ser:

Accepted Answer

Datos estructurados y limpios

Answer

Datos no estructurados

Answer

Tanto datos estructurados como semiestructurados

Answer

Datos semiestructurados

Question 12

El sobreajuste es un problema en la minería de datos que surge cuando:

Accepted Answer

El modelo se adapta excesivamente a los datos de entrenamiento y pierde su capacidad de generalización

Answer

El modelo se ajusta lo suficiente a los datos de entrenamiento, pero no lo suficiente a los nuevos datos

Answer

El modelo no puede aprender patrones significativos en los datos

Question 13

La importancia de los valores atípicos en la minería de datos radica en que:

Accepted Answer

Pueden influir en los resultados del modelo y deben tratarse adecuadamente

Answer

Siempre mejoran el rendimiento del modelo

Answer

Deben eliminarse siempre de los datos antes del modelado

Answer

No tienen impacto en el modelo y pueden ignorarse

Question 14

El algoritmo k-means es un algoritmo de minería de datos utilizado para:

Accepted Answer

Agrupar datos en grupos distintos y similares

Answer

Clasificar datos en categorías predeterminadas

Answer

Detectar patrones secuenciales en los datos

Answer

Predecir valores continuos

Question 15

¿Cuál de las siguientes NO es una característica de la minería de datos?

Accepted Answer

Se centra en datos pequeños y estructurados

Answer

Puede identificar patrones y tendencias en los datos

Answer

Utiliza técnicas estadísticas y de aprendizaje automático

Answer

Permite extraer conocimiento de grandes cantidades de datos no estructurados

Question 16

¿Qué técnica de minería de datos se utiliza para agrupar datos similares?

Accepted Answer

Clustering

Answer

Análisis de series temporales

Answer

Regresión

Answer

Clasificación

Question 17

El proceso de minería de datos NO implica:

Accepted Answer

Recopilación de datos

Answer

Construcción de modelos

Answer

Preparación de datos

Answer

Evaluación e implementación

Question 18

¿Qué tipo de datos NO es adecuado para la minería de datos?

Accepted Answer

Datos cualitativos

Answer

Datos de imagen

Answer

Datos numéricos

Answer

Datos de texto

Question 19

¿Cuál de las siguientes afirmaciones sobre la ética en la minería de datos es correcta?

Accepted Answer

Se debe obtener el consentimiento informado de los individuos cuyos datos se utilizan

Answer

Los mineros de datos no tienen ninguna responsabilidad ética

Answer

Los datos se pueden utilizar para cualquier propósito

Question 20

Un algoritmo de clasificación que utiliza un árbol de decisión para predecir la probabilidad de pertenencia a una clase específica se conoce como:

Accepted Answer

Árbol de decisión

Answer

K-medias

Answer

Máquina de vectores de soporte

Answer

Regresión lineal

Question 21

El proceso de reducción de la dimensionalidad de los datos mediante la búsqueda de combinaciones lineales de las variables originales se conoce como:

Accepted Answer

Análisis de componentes principales (PCA)

Answer

K-medias

Answer

Agrupamiento jerárquico

Answer

Análisis discriminante

Question 22

Un conjunto de datos con un número de variables significativamente mayor que el número de observaciones se conoce como:

Accepted Answer

Datos de alta dimensionalidad

Answer

Datos desequilibrados

Answer

Datos faltantes

Answer

Datos ruidosos

Question 23

La técnica de minería de datos que busca patrones ocultos en los datos, como reglas de asociación, se conoce como:

Accepted Answer

Descubrimiento de patrones

Answer

Clasificación

Answer

Predicción

Answer

Análisis de series de tiempo

Question 24

Una medida de la precisión de un modelo de clasificación, que representa la proporción de predicciones correctas, se conoce como:

Accepted Answer

Precisión

Answer

Especificidad

Answer

Valor predictivo positivo

Answer

Sensibilidad

Question 25

En un escenario de análisis de sentimiento, ¿cuál de las siguientes técnicas se utilizaría para convertir el texto en datos numéricos que pueden ser procesados por un algoritmo de aprendizaje automático?

Accepted Answer

Análisis de sentimiento

Answer

Análisis de componentes principales

Answer

Análisis de clústeres

Answer

Regresión logística

Question 26

Un modelo de aprendizaje automático que aprende a partir de datos etiquetados, como imágenes clasificadas, se conoce como:

Accepted Answer

Aprendizaje supervisado

Answer

Aprendizaje por refuerzo

Answer

Aprendizaje no supervisado

Answer

Aprendizaje profundo

Question 27

La técnica de minería de datos que busca patrones ocultos en datos secuenciales, como el análisis de series de tiempo, se conoce como:

Accepted Answer

Análisis de series de tiempo

Answer

Análisis de clústeres

Answer

Análisis de asociación

Question 28

El proceso de identificar y eliminar datos irrelevantes o erróneos de un conjunto de datos se conoce como:

Accepted Answer

Limpieza de datos

Answer

Reducción de dimensionalidad

Answer

Transformación de datos

Answer

Preparación de datos

Question 29

Un modelo de aprendizaje automático que aprende a partir de datos no etiquetados, como la agrupación de clientes, se conoce como:

Accepted Answer

Aprendizaje no supervisado

Answer

Aprendizaje por refuerzo

Answer

Aprendizaje profundo

Answer

Aprendizaje supervisado