Introducción a Modelos de Machine Learning

Audio automático activado: las próximas preguntas se leerán al hacer clic en Seguir.

1. 1

   ¿Qué es el sobreajuste en un modelo de machine learning?

   A Cuando el modelo no capta la complejidad del entrenamiento. B Cuando el modelo tiene un rendimiento excelente en datos de entrenamiento pero falla en datos nuevos. C Cuando el modelo es demasiado sencillo para los datos.
2. 2

   ¿Qué es una función de activación en redes neuronales?

   A Una función que determina el tamaño de las capas ocultas. B Una ecuación que mide el error del modelo. C Una función que introduce no linealidad al modelo para aprender patrones complejos.
3. 3

   ¿Qué técnica se utiliza para reducir el sobreajuste?

   A Aumentar la complejidad del modelo. B Reducir la cantidad de datos del conjunto de prueba. C Utilizar regularización o aumentar datos de entrenamiento.
4. 4

   ¿Cuál es el propósito de la validación cruzada?

   A Evaluar el modelo en diferentes particiones de los datos para asegurarse de que generaliza bien. B Incrementar la velocidad del entrenamiento. C Mejorar el rendimiento en el conjunto de entrenamiento.
5. 5

   ¿Qué es la normalización de datos?

   A Proceso de eliminar datos redundantes. B Escalar las características para tener una media y desviación estándar específicas. C Convertir todos los atributos numéricos a valores binarios.
6. 6

   ¿Cuál es el propósito de un modelo de regresión?

   A Predecir un valor continuo basado en características de entrada. B Clasificar entre categorías discretas. C Estimar la probabilidad de un suceso determinado.
7. 7

   ¿Qué es el descenso de gradiente?

   A Una técnica para aumentar el número de datos de entrenamiento. B Un algoritmo de optimización para minimizar la función de pérdida del modelo. C Un método para separar datos en clusters.
8. 8

   ¿Qué criterio se utiliza para seleccionar el mejor modelo en machine learning?

   A El modelo que tarda menos en entrenarse. B El modelo con más parámetros. C El modelo que equilibra mejor el rendimiento entre los datos de entrenamiento y de prueba.
9. 9

   ¿Qué es la agrupación en clúster?

   A Técnica de machine learning no supervisada usada para agrupar datos similares. B Proceso de ordenar datos secuencialmente. C Método de incrementar la variabilidad de datos.
10. 10

    ¿Qué es el sesgo de un modelo en machine learning?

    A La diferencia entre las predicciones promedio del modelo y los valores reales. B La capacidad de un modelo de ajustarse demasiado a los datos de entrenamiento. C La variación del rendimiento del modelo en diferentes subconjuntos.