Machine Learning

1. ¿Cuál de las siguientes técnicas es utilizada para reducir la dimensionalidad de los datos en Machine Learning?

A) Clustering jerárquico
B) Regresión logística
C) K-Nearest Neighbors (KNN)
D) Análisis de componentes principales (PCA)

2. ¿Qué es el overfitting en Machine Learning?

A) Cuando un modelo se ajusta demasiado a los datos de entrenamiento y no generaliza bien con datos nuevos
B) Cuando un modelo se queda corto en la representación de los datos de entrenamiento
C) Un término usado solo en deep learning
D) La capacidad de un modelo para generalizar bien con datos no vistos

3. ¿Qué es el gradiente descendente?

A) Un método para aumentar la complejidad de un modelo
B) Una técnica para almacenar grandes cantidades de datos
C) Un algoritmo de optimización utilizado para encontrar los parámetros de un modelo que minimizan una función de pérdida
D) Un proceso para entrenar modelos de Machine Learning sin datos

4. ¿Qué es la regresión en Machine Learning?

A) Una técnica para reducir el ruido en los datos
B) Una técnica para aumentar la dimensionalidad de los datos
C) Un tipo de problema donde el objetivo es predecir una clase o categoría
D) Un tipo de problema donde el objetivo es predecir un valor numérico continuo

5. ¿Qué es el bias-variance tradeoff en Machine Learning?

A) Un término exclusivo de la estadística
B) El error resultante de un modelo que no es capaz de generalizar bien
C) El equilibrio entre el error debido al sesgo y la varianza de un modelo
D) Un método para reducir la variabilidad en los datos de entrenamiento

6. ¿Qué es la función de activación en una red neuronal?

A) Una función que ajusta la tasa de aprendizaje de la red neuronal
B) Una función para calcular el error de una red neuronal
C) Una función que inicializa los pesos de una red neuronal
D) Una función matemática que determina la salida de un nodo en una red neuronal

7. ¿Qué es el bagging en Machine Learning?

A) Un algoritmo de optimización para encontrar los pesos óptimos en una red neuronal
B) Una técnica de ensemble learning que entrena múltiples modelos en diferentes subconjuntos de datos y promedia sus predicciones
C) Un enfoque de aprendizaje que combina técnicas supervisadas y no supervisadas
D) Un método para reducir la complejidad de un modelo

8. ¿Cuál de las siguientes NO es una técnica de ensemble learning?

A) Regresión logística
B) Gradient Boosting
C) AdaBoost
D) Random Forest

9. ¿Qué es el kernel trick en Support Vector Machines (SVM)?

A) Un método para reducir el overfitting en modelos SVM
B) Una técnica que permite transformar datos no lineales en un espacio de mayor dimensión para hacer clasificaciones lineales
C) Una técnica de ensemble learning específica para SVM
D) Un algoritmo para encontrar los pesos óptimos en un modelo SVM

Examen creado con That Quiz — el sitio de matemáticas.