Tema1

Question 1

¿Qué tipo de modelos genera el aprendizaje automático?
A) Teóricos
B) Abstractos basados en datos históricos
C) Matemáticos ideales
D) Experimentales puramente cualitativos

Answer 1

B) Abstractos basados en datos históricos

Question 2

¿Cuál es la primera fase de la metodología CRISP-DM?
A) Comprensión de los datos
B) Preparación de los datos
C) Comprensión del negocio
D) Modelado

Answer 2

C) Comprensión del negocio

Question 3

¿Qué tipo de problemas aborda el aprendizaje supervisado?
A) Aquellos con una variable de salida definida
B) Problemas sin una variable de interés
C) Reducción de dimensionalidad
D) Optimización de procesos industriales

Answer 3

A) Aquellos con una variable de salida definida

Question 4

¿Qué técnica se utiliza en aprendizaje no supervisado para crear grupos de datos similares?
A) Reglas de asociación
B) Reducción de dimensionalidad
C) Clustering
D) Regresión

Answer 4

C) Clustering

Question 5

¿Qué implica la normalización de datos?
A) Transformar valores al rango continuo [0, 1]
B) Ajustar la media y la desviación típica
C) Eliminar valores ausentes
D) Crear nuevos atributos a partir de datos existentes

Answer 5

A) Transformar valores al rango continuo [0, 1]

Question 6

¿Cuál es una técnica común para reemplazar valores ausentes?
A) Eliminación de la fila
B) Sustitución por la media, mediana o moda
C) Aplicación de normalización
D) Uso del algoritmo de clustering

Answer 6

B) Sustitución por la media, mediana o moda

Question 7

¿Qué se analiza en la fase de comprensión de los datos?
A) Estructura y distribución de los datos
B) Interpretación de los modelos generados
C) Desarrollo del plan de proyecto
D) Aplicación de algoritmos de aprendizaje automático

Answer 7

A) Estructura y distribución de los datos

Question 8

¿Qué técnica de selección de atributos elimina aquellos con valores casi constantes?
A) Eliminación por baja varianza
B) Clustering
C) Regresión
D) Estandarización

Answer 8

A) Eliminación por baja varianza

Question 9

¿Qué tarea de limpieza verifica la consistencia y la cantidad de valores fuera de rango?
A) Recolección de datos iniciales
B) Verificación de la calidad de los datos
C) Selección de atributos
D) Normalización

Answer 9

B) Verificación de la calidad de los datos

Question 10

¿Qué algoritmo asume una distribución normal para detectar outliers?
A) Árboles de decisión
B) Envolvente elíptica
C) Redes neuronales
D) Reglas de asociación

Answer 10

B) Envolvente elíptica

Question 11

¿El aprendizaje automático genera modelos teóricos?

Answer 11

No, genera modelos empíricos basados en datos.

Question 12

¿La metodología CRISP-DM incluye la fase de evaluación de negocio?

Answer 12

Sí.

Question 13

¿En qué rango se transforman los valores durante la normalización?

Answer 13

En el rango [0, 1].

Question 14

¿Es necesario que todos los datos tengan una variable de salida en aprendizaje supervisado?

Answer 14

Sí, para que se pueda aprender de ellos.

Question 15

¿Los modelos en aprendizaje supervisado pueden ser de clasificación o regresión?

Answer 15

Sí.

Question 16

¿El clustering es una técnica utilizada en aprendizaje supervisado?

Answer 16

No, es utilizada en aprendizaje no supervisado.

Question 17

¿La eliminación por baja varianza es una técnica supervisada de selección de atributos?

Answer 17

No, es una técnica no supervisada.

Question 18

¿Se puede utilizar la media para imputar valores ausentes en atributos numéricos?

Answer 18

Sí.

Question 19

¿El algoritmo de envolvente elíptica supone que los datos siguen una distribución normal?

Answer 19

Sí.

Question 20

¿El proceso KDD incluye la fase de comprensión del negocio como CRISP-DM?

Answer 20

No.

Question 21

¿Qué tipo de modelos genera el aprendizaje automático?
A) Empíricos basados en datos históricos
B) Teóricos experimentales
C) Conceptuales sin datos
D) Cualitativos analíticos

Answer 21

A) Empíricos basados en datos históricos

Question 22

¿Cuál es la fase inicial de la metodología CRISP-DM?
A) Comprensión de los datos
B) Evaluación del negocio
C) Comprensión del negocio
D) Modelado

Answer 22

C) Comprensión del negocio

Question 23

¿Qué técnica se utiliza para agrupar datos similares en aprendizaje no supervisado?
A) Clasificación
B) Regresión
C) Clustering
D) Reducción de dimensionalidad

Answer 23

C) Clustering

Question 24

¿Qué ocurre en la fase de normalización de datos?
A) Se eliminan valores atípicos
B) Se transforman los valores al rango [0, 1]
C) Se sustituyen los valores ausentes por la media
D) Se seleccionan atributos relevantes

Answer 24

B) Se transforman los valores al rango [0, 1]

Question 25

¿Cuál es el objetivo principal de la imputación de valores ausentes? A) Mejorar la calidad de los datos eliminando filas completas B) Sustituir valores ausentes por estimaciones concretas C) Identificar valores fuera de rango D) Aplicar normalización a los datos

Answer 25

B) Sustituir valores ausentes por estimaciones concretas

Question 26

¿Qué algoritmo detecta valores atípicos suponiendo una distribución normal? A) Árboles de decisión B) Envolvente elíptica C) Regresión logística D) K-means

Answer 26

B) Envolvente elíptica

Question 27

¿Qué se utiliza para medir la dependencia lineal entre dos atributos? A) Información mutua B) F-test C) Varianza D) Escalado

Answer 27

B) F-test

Question 28

¿Qué tipo de problemas resuelve el aprendizaje supervisado? A) Inferencia y predicción B) Clustering y asociación C) Reducción de dimensionalidad D) Generación de nuevos atributos

Answer 28

A) Inferencia y predicción

Question 29

¿Qué tarea de limpieza de datos se centra en mejorar la consistencia de los valores? A) Normalización B) Imputación de valores ausentes C) Verificación de la calidad de los datos D) Selección de atributos

Answer 29

C) Verificación de la calidad de los datos

Question 30

¿En qué consiste la eliminación por baja varianza? A) Seleccionar atributos altamente correlacionados B) Eliminar atributos que no varían significativamente C) Reducir valores atípicos D) Sustituir valores ausentes

Answer 30

B) Eliminar atributos que no varían significativamente

Question 31

Explica qué es el aprendizaje automático y en qué se diferencia de los modelos teóricos.

Answer 31

El aprendizaje automático es una rama de conocimiento que utiliza algoritmos para generar modelos abstractos a partir de datos históricos. A diferencia de los modelos teóricos, que se basan en condiciones ideales y experimentales, los modelos de aprendizaje automático son empíricos y reflejan la realidad representada en los datos.

Question 32

Describe la fase de comprensión del negocio en la metodología CRISP-DM y su importancia.

Answer 32

En esta fase se definen los objetivos y requisitos del proyecto desde una perspectiva empresarial, los cuales luego se traducen a objetivos técnicos. Es crucial porque asegura que los desarrollos estén alineados con las necesidades del negocio y proporciona una guía para las siguientes fases.

Question 33

¿Qué es el aprendizaje supervisado y cómo se clasifican los problemas que aborda?

Answer 33

El aprendizaje supervisado se centra en problemas donde existe una variable de salida definida. Los problemas se clasifican en regresión, cuando la variable de salida es numérica, y clasificación, cuando la variable de salida es categórica.

Question 34

Explica el propósito del clustering en aprendizaje no supervisado y su utilidad.

Answer 34

El clustering es una técnica que agrupa datos similares para dividir problemas complejos en partes manejables. Esto permite analizar y modelar cada grupo por separado y es útil para segmentación de mercados, identificación de patrones y sistemas de recomendación.

Question 35

¿Por qué es importante normalizar los datos y cómo se realiza este proceso?

Answer 35

La normalización es importante porque evita que diferencias de escala entre atributos afecten los cálculos, como distancias o productos escalares. Se realiza transformando los valores al rango [0, 1], restando el mínimo de cada atributo y dividiendo por la diferencia entre el máximo y el mínimo.

Question 36

Explica qué es la imputación de valores ausentes y menciona una técnica común para realizarla.

Answer 36

La imputación de valores ausentes reemplaza los valores faltantes en los datos para evitar problemas en las fases posteriores de análisis. Una técnica común es usar la media, mediana o moda del atributo en el que se encuentran los valores ausentes.

Question 37

¿Qué significa reducción de la dimensionalidad y cuáles son sus beneficios en aprendizaje automático?

Answer 37

La reducción de la dimensionalidad disminuye el número de atributos o instancias en un conjunto de datos. Esto mejora la eficacia de los modelos al reducir el ruido y simplificar la interpretación, además de incrementar la eficiencia al disminuir el tiempo de procesamiento.

Question 38

Describe el algoritmo de envolvente elíptica y su aplicación en la detección de valores atípicos.

Answer 38

Este algoritmo asume que los datos siguen una distribución normal. Crea superficies elípticas alrededor de los valores normales; los puntos fuera de estas superficies son considerados valores atípicos. Es útil para identificar anomalías que puedan afectar la calidad del modelo.

Question 39

¿Cómo se evalúan los atributos en selección supervisada y cuál es la diferencia entre métricas univariantes y multivariantes?

Answer 39

Los atributos se evalúan para determinar su relevancia en la predicción de la clase. Las métricas univariantes miden la relación individual de un atributo con la clase, mientras que las multivariantes consideran interacciones entre varios atributos, aunque son más complejas computacionalmente.

Question 40

Explica cómo la limpieza de datos mejora los resultados en proyectos de minería de datos.

Answer 40

La limpieza de datos elimina defectos como valores ausentes, atípicos o inconsistencias, asegurando que los datos estén en el formato adecuado. Esto reduce el ruido y mejora la precisión y la fiabilidad de los modelos en las fases posteriores.

Question 41

Describe qué es la metodología CRISP-DM y sus principales fases.

Answer 41

La metodología CRISP-DM (Cross-Industry Standard Process for Data Mining) es un estándar utilizado en minería de datos que incluye seis fases principales: comprensión del negocio, comprensión de los datos, preparación de los datos, modelado, evaluación y despliegue. Estas fases son interdependientes y pueden implicar iteraciones para mejorar los resultados.

Question 42

¿Qué tareas se realizan durante la fase de preparación de los datos en minería de datos?

Answer 42

Las tareas incluyen la selección, limpieza, construcción, integración y formateo de los datos. Esto asegura que los datos sean correctos, organizados y adecuados para la fase de modelado, reduciendo errores y mejorando la precisión de los modelos.

Question 43

¿Cómo se clasifican los problemas que aborda el aprendizaje supervisado?

Answer 43

Los problemas se dividen en regresión, donde la variable de salida es numérica, y clasificación, donde la variable de salida es categórica. Ambos se centran en predecir valores de salida basados en las variables de entrada.

Question 44

Describe las técnicas comunes de limpieza de datos y su importancia.

Answer 44

Entre las técnicas comunes están la normalización (ajustar valores al rango [0, 1]), estandarización (ajustar valores a una distribución con media 0 y desviación estándar 1), imputación de valores ausentes (reemplazar valores faltantes) y detección de valores atípicos (identificar outliers). Estas técnicas mejoran la calidad de los datos y la eficacia de los modelos.

Question 45

¿Qué son los valores atípicos (outliers) y cómo afectan a los modelos de aprendizaje automático?

Answer 45

Los valores atípicos son datos que se encuentran fuera de la distribución natural de los valores. Pueden distorsionar los resultados de los modelos, reducir su precisión y provocar inferencias incorrectas si no se gestionan adecuadamente.

Question 46

Describe las características que suelen observarse en un conjunto de datos antes de iniciar un proyecto.

Answer 46

Las características incluyen el número de instancias y atributos, el tipo y dominio de los datos de los atributos y la clase, la cantidad de valores ausentes, y una breve descripción de cada atributo y de la clase, si está presente.

Question 47

¿Qué es la imputación de valores ausentes y cómo puede realizarse?

Answer 47

Es el proceso de reemplazar valores faltantes en un conjunto de datos para mantener la integridad de los análisis. Puede realizarse utilizando técnicas como la sustitución por la media, mediana o moda del atributo afectado.

Question 48

¿Qué tareas comprende la fase de evaluación de negocio en CRISP-DM?

Answer 48

Esta fase incluye evaluar los resultados obtenidos en las fases anteriores, revisar el proceso para detectar errores o riesgos, y determinar los pasos siguientes, como finalizar el proyecto o realizar nuevas iteraciones.

Question 49

Describe el aprendizaje no supervisado y menciona dos tipos de problemas que aborda.

Answer 49

El aprendizaje no supervisado no utiliza una variable de salida destacada. Los dos problemas principales que aborda son el clustering (agrupación de datos similares) y las reglas de asociación (descubrimiento de relaciones entre variables).

Question 50

¿Qué papel juega la selección de atributos en la reducción de la dimensionalidad?

Answer 50

La selección de atributos identifica y elimina aquellos que no son relevantes o tienen poca variación, reduciendo la complejidad del conjunto de datos y mejorando la eficacia y eficiencia de los modelos de aprendizaje automático.