Examen de Inteligencia Artificial: Machine Learning
Preguntas del examen
¿Qué caracteriza al aprendizaje supervisado?
¿Qué caracteriza al aprendizaje no supervisado?
¿Cuál es un ejemplo de problema de regresión?
¿Cuál es un ejemplo de problema de clasificación?
¿Cuál es una distribución habitual de funciones entre conjuntos de entrenamiento, validación y prueba?
¿Qué caracteriza al sobreajuste u overfitting?
¿Qué significa fuga de datos o data leakage en aprendizaje automático?
Un clasificador produce 40 verdaderos positivos y 10 falsos positivos. ¿Cuál es su precisión o precision para la clase positiva?
Un clasificador identifica 30 verdaderos positivos y deja 10 falsos negativos. ¿Cuál es su exhaustividad, sensibilidad o recall?
¿Cuál es una finalidad frecuente de la regularización en un modelo de machine learning?
Solucionario con explicaciones
(ver respuestas)
- ¿Qué caracteriza al aprendizaje supervisado?
Respuesta: a) El entrenamiento con ejemplos que incluyen entradas y resultados objetivo conocidos.
En aprendizaje supervisado, los modelos aprenden relaciones a partir de ejemplos con etiquetas o valores objetivo.
- ¿Qué caracteriza al aprendizaje no supervisado?
Respuesta: c) Que busca patrones o estructuras en datos sin etiquetas objetivo explícitas para la tarea.
El aprendizaje no supervisado incluye tareas como agrupamiento y reducción de dimensionalidad.
- ¿Cuál es un ejemplo de problema de regresión?
Respuesta: d) Predecir el precio numérico de una vivienda a partir de sus características.
La regresión busca estimar valores numéricos continuos.
- ¿Cuál es un ejemplo de problema de clasificación?
Respuesta: b) Determinar si una transacción pertenece a las clases «fraudulenta» o «no fraudulenta».
La clasificación asigna observaciones a categorías o clases definidas.
- ¿Cuál es una distribución habitual de funciones entre conjuntos de entrenamiento, validación y prueba?
Respuesta: e) Entrenar con un conjunto, ajustar decisiones con validación y evaluar finalmente con datos de prueba independientes.
La separación apropiada permite desarrollar modelos y estimar su comportamiento ante datos no vistos.
- ¿Qué caracteriza al sobreajuste u overfitting?
Respuesta: a) Un modelo aprende demasiado las particularidades del entrenamiento y generaliza deficientemente a datos nuevos.
El sobreajuste aparece cuando un modelo se adapta excesivamente a datos de entrenamiento y pierde capacidad de generalización.
- ¿Qué significa fuga de datos o data leakage en aprendizaje automático?
Respuesta: c) La incorporación indebida de información del conjunto de evaluación o del futuro al entrenamiento o a las características disponibles, generando resultados engañosos.
La fuga de datos puede producir métricas artificialmente optimistas y una evaluación poco fiable.
- Un clasificador produce 40 verdaderos positivos y 10 falsos positivos. ¿Cuál es su precisión o precision para la clase positiva?
Respuesta: b) 80 %.
Precision = TP/(TP + FP) = 40/(40 + 10) = 80 %.
- Un clasificador identifica 30 verdaderos positivos y deja 10 falsos negativos. ¿Cuál es su exhaustividad, sensibilidad o recall?
Respuesta: d) 75 %.
Recall = TP/(TP + FN) = 30/(30 + 10) = 75 %.
- ¿Cuál es una finalidad frecuente de la regularización en un modelo de machine learning?
Respuesta: e) Penalizar determinados niveles de complejidad para ayudar a reducir el sobreajuste.
La regularización puede favorecer modelos que generalizan mejor al limitar soluciones excesivamente complejas.
Sobre este examen
- Preguntas: 10 de opción múltiple con una sola respuesta correcta
- Tiempo recomendado: unos 15 minutos (1,5 min por pregunta)
- Corrección: automática, con explicación de cada respuesta
- Alternativas: a) a e), con una respuesta correcta
Qué evalúa: Evalúa diez preguntas sobre aprendizaje supervisado, no supervisado, regresión, clasificación, sobreajuste y métricas de modelos.
¿Quieres crear un examen como este sobre otro tema?
Convierte tus apuntes en preguntas de examen.
https://generadordeexamenes.com/examen-de-inteligencia-artificial-machine-learningCompartir en redes sociales: