Machine Learning

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

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

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) La capacidad de un modelo para generalizar bien con datos no vistos
C) Cuando un modelo se queda corto en la representación de los datos de entrenamiento
D) Un término usado solo en deep learning

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 proceso para entrenar modelos de Machine Learning sin datos
D) Un algoritmo de optimización utilizado para encontrar los parámetros de un modelo que minimizan una función de pérdida

4. ¿Qué es la regresión en Machine Learning?

A) Un tipo de problema donde el objetivo es predecir una clase o categoría
B) Una técnica para reducir el ruido en los datos
C) Una técnica para aumentar la dimensionalidad de los datos
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) El equilibrio entre el error debido al sesgo y la varianza de un modelo
B) Un término exclusivo de la estadística
C) El error resultante de un modelo que no es capaz de generalizar bien
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 matemática que determina la salida de un nodo en una 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 que ajusta la tasa de aprendizaje de la red neuronal

7. ¿Qué es el bagging en Machine Learning?

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

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

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

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

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

Examen creado con That Quiz — el sitio de matemáticas.