Cuestionario Parte 1: Fundamentos de Aprendizaje Automático y Python
Preguntas
Capítulo 1: Introducción al Machine Learning
Pregunta 1:
¿Cuál es la principal diferencia entre la programación tradicional y el machine learning?
a) La programación tradicional se basa en reglas explícitas, mientras que los modelos de machine learning aprenden patrones a partir de datos.
b) La programación tradicional utiliza datos para predecir resultados, mientras que el machine learning crea reglas a partir de predicciones.
c) El machine learning solo puede manejar conjuntos de datos pequeños, mientras que la programación tradicional es mejor para conjuntos de datos grandes.
d) La programación tradicional es más rápida que el machine learning para todas las tareas.
Pregunta 2:
¿Cuál de los siguientes es un ejemplo de aprendizaje supervisado?
a) Agrupar clientes según su comportamiento de compra.
b) Predecir precios de casas en función de características como ubicación y tamaño.
c) Un robot aprendiendo a caminar al recibir retroalimentación.
d) Reducir las dimensiones de un conjunto de datos utilizando PCA.
Pregunta 3:
En 2024, ¿qué tendencia de machine learning se centra en entrenar modelos sin requerir grandes cantidades de datos etiquetados?
a) Aprendizaje federado.
b) Inteligencia artificial explicable.
c) Aprendizaje auto-supervisado.
d) Aprendizaje por refuerzo.
Pregunta 4:
¿Cuál de las siguientes herramientas permite el entrenamiento distribuido de modelos sin compartir datos en bruto entre dispositivos?
a) Transformadores.
b) Aprendizaje federado.
c) Vision Transformers.
d) Aprendizaje por transferencia.
Capítulo 2: Python y Bibliotecas Esenciales para la Ciencia de Datos
Pregunta 5:
¿Cuál es la principal ventaja de usar arrays de NumPy sobre listas de Python en machine learning?
a) Los arrays de NumPy pueden almacenar tipos de datos mixtos, mientras que las listas no pueden.
b) Los arrays de NumPy son más eficientes en memoria y soportan cálculos numéricos más rápidos.
c) Las listas de Python son más rápidas que los arrays de NumPy para operaciones matemáticas.
d) Los arrays de NumPy están limitados a dos dimensiones, mientras que las listas pueden almacenar datos multidimensionales.
Pregunta 6:
¿Cómo puedes cambiar la forma de un array unidimensional de NumPy a un array bidimensional con 3 filas y 2 columnas?
a) array.reshape((2, 3))
b) array.reshape((3, 2))
c) array.reshape((3))
d) array.reshape((2, 1, 3))
Pregunta 7:
¿Qué función de Pandas se utiliza para detectar valores faltantes en un DataFrame?
a) fillna()
b) dropna()
c) isnull()
d) apply()
Pregunta 8:
En Matplotlib, ¿qué función se utiliza para crear un gráfico de dispersión?
a) plt.plot()
b) plt.bar()
c) plt.scatter()
d) plt.hist()
Pregunta 9:
¿Cuál es el propósito de OneHotEncoder en Scikit-learn?
a) Escala características numéricas para tener una media de 0 y una desviación estándar de 1.
b) Codifica características categóricas como vectores binarios.
c) Imputa datos faltantes.
d) Reduce las dimensiones de un conjunto de datos.
Pregunta 10:
¿Qué biblioteca en Python es más adecuada para crear visualizaciones interactivas?
a) Matplotlib
b) Seaborn
c) Plotly
d) NumPy
Pregunta 11:
¿Qué función en Scikit-learn se utiliza para dividir un conjunto de datos en conjuntos de entrenamiento y prueba?
a) train_test_split()
b) fit()
c) StandardScaler()
d) GridSearchCV()
Pregunta 12:
¿Qué plataforma basada en la nube te permite usar GPUs y TPUs gratuitos para machine learning?
a) Jupyter Notebooks
b) Anaconda
c) Google Colab
d) PyCharm
Pregunta Bonificación:
Pregunta 13:
¿Qué es un pair plot en Seaborn, y cuándo es útil en machine learning?
a) Un pair plot visualiza las relaciones entre todos los pares de características en un conjunto de datos y es útil para identificar patrones, correlaciones e interacciones potenciales entre características.
b) Un pair plot muestra la distribución de una sola característica y se utiliza para detectar outliers.
c) Un pair plot solo compara dos características en un conjunto de datos.
d) Un pair plot se utiliza para visualizar datos de series temporales.
Preguntas
Capítulo 1: Introducción al Machine Learning
Pregunta 1:
¿Cuál es la principal diferencia entre la programación tradicional y el machine learning?
a) La programación tradicional se basa en reglas explícitas, mientras que los modelos de machine learning aprenden patrones a partir de datos.
b) La programación tradicional utiliza datos para predecir resultados, mientras que el machine learning crea reglas a partir de predicciones.
c) El machine learning solo puede manejar conjuntos de datos pequeños, mientras que la programación tradicional es mejor para conjuntos de datos grandes.
d) La programación tradicional es más rápida que el machine learning para todas las tareas.
Pregunta 2:
¿Cuál de los siguientes es un ejemplo de aprendizaje supervisado?
a) Agrupar clientes según su comportamiento de compra.
b) Predecir precios de casas en función de características como ubicación y tamaño.
c) Un robot aprendiendo a caminar al recibir retroalimentación.
d) Reducir las dimensiones de un conjunto de datos utilizando PCA.
Pregunta 3:
En 2024, ¿qué tendencia de machine learning se centra en entrenar modelos sin requerir grandes cantidades de datos etiquetados?
a) Aprendizaje federado.
b) Inteligencia artificial explicable.
c) Aprendizaje auto-supervisado.
d) Aprendizaje por refuerzo.
Pregunta 4:
¿Cuál de las siguientes herramientas permite el entrenamiento distribuido de modelos sin compartir datos en bruto entre dispositivos?
a) Transformadores.
b) Aprendizaje federado.
c) Vision Transformers.
d) Aprendizaje por transferencia.
Capítulo 2: Python y Bibliotecas Esenciales para la Ciencia de Datos
Pregunta 5:
¿Cuál es la principal ventaja de usar arrays de NumPy sobre listas de Python en machine learning?
a) Los arrays de NumPy pueden almacenar tipos de datos mixtos, mientras que las listas no pueden.
b) Los arrays de NumPy son más eficientes en memoria y soportan cálculos numéricos más rápidos.
c) Las listas de Python son más rápidas que los arrays de NumPy para operaciones matemáticas.
d) Los arrays de NumPy están limitados a dos dimensiones, mientras que las listas pueden almacenar datos multidimensionales.
Pregunta 6:
¿Cómo puedes cambiar la forma de un array unidimensional de NumPy a un array bidimensional con 3 filas y 2 columnas?
a) array.reshape((2, 3))
b) array.reshape((3, 2))
c) array.reshape((3))
d) array.reshape((2, 1, 3))
Pregunta 7:
¿Qué función de Pandas se utiliza para detectar valores faltantes en un DataFrame?
a) fillna()
b) dropna()
c) isnull()
d) apply()
Pregunta 8:
En Matplotlib, ¿qué función se utiliza para crear un gráfico de dispersión?
a) plt.plot()
b) plt.bar()
c) plt.scatter()
d) plt.hist()
Pregunta 9:
¿Cuál es el propósito de OneHotEncoder en Scikit-learn?
a) Escala características numéricas para tener una media de 0 y una desviación estándar de 1.
b) Codifica características categóricas como vectores binarios.
c) Imputa datos faltantes.
d) Reduce las dimensiones de un conjunto de datos.
Pregunta 10:
¿Qué biblioteca en Python es más adecuada para crear visualizaciones interactivas?
a) Matplotlib
b) Seaborn
c) Plotly
d) NumPy
Pregunta 11:
¿Qué función en Scikit-learn se utiliza para dividir un conjunto de datos en conjuntos de entrenamiento y prueba?
a) train_test_split()
b) fit()
c) StandardScaler()
d) GridSearchCV()
Pregunta 12:
¿Qué plataforma basada en la nube te permite usar GPUs y TPUs gratuitos para machine learning?
a) Jupyter Notebooks
b) Anaconda
c) Google Colab
d) PyCharm
Pregunta Bonificación:
Pregunta 13:
¿Qué es un pair plot en Seaborn, y cuándo es útil en machine learning?
a) Un pair plot visualiza las relaciones entre todos los pares de características en un conjunto de datos y es útil para identificar patrones, correlaciones e interacciones potenciales entre características.
b) Un pair plot muestra la distribución de una sola característica y se utiliza para detectar outliers.
c) Un pair plot solo compara dos características en un conjunto de datos.
d) Un pair plot se utiliza para visualizar datos de series temporales.
Preguntas
Capítulo 1: Introducción al Machine Learning
Pregunta 1:
¿Cuál es la principal diferencia entre la programación tradicional y el machine learning?
a) La programación tradicional se basa en reglas explícitas, mientras que los modelos de machine learning aprenden patrones a partir de datos.
b) La programación tradicional utiliza datos para predecir resultados, mientras que el machine learning crea reglas a partir de predicciones.
c) El machine learning solo puede manejar conjuntos de datos pequeños, mientras que la programación tradicional es mejor para conjuntos de datos grandes.
d) La programación tradicional es más rápida que el machine learning para todas las tareas.
Pregunta 2:
¿Cuál de los siguientes es un ejemplo de aprendizaje supervisado?
a) Agrupar clientes según su comportamiento de compra.
b) Predecir precios de casas en función de características como ubicación y tamaño.
c) Un robot aprendiendo a caminar al recibir retroalimentación.
d) Reducir las dimensiones de un conjunto de datos utilizando PCA.
Pregunta 3:
En 2024, ¿qué tendencia de machine learning se centra en entrenar modelos sin requerir grandes cantidades de datos etiquetados?
a) Aprendizaje federado.
b) Inteligencia artificial explicable.
c) Aprendizaje auto-supervisado.
d) Aprendizaje por refuerzo.
Pregunta 4:
¿Cuál de las siguientes herramientas permite el entrenamiento distribuido de modelos sin compartir datos en bruto entre dispositivos?
a) Transformadores.
b) Aprendizaje federado.
c) Vision Transformers.
d) Aprendizaje por transferencia.
Capítulo 2: Python y Bibliotecas Esenciales para la Ciencia de Datos
Pregunta 5:
¿Cuál es la principal ventaja de usar arrays de NumPy sobre listas de Python en machine learning?
a) Los arrays de NumPy pueden almacenar tipos de datos mixtos, mientras que las listas no pueden.
b) Los arrays de NumPy son más eficientes en memoria y soportan cálculos numéricos más rápidos.
c) Las listas de Python son más rápidas que los arrays de NumPy para operaciones matemáticas.
d) Los arrays de NumPy están limitados a dos dimensiones, mientras que las listas pueden almacenar datos multidimensionales.
Pregunta 6:
¿Cómo puedes cambiar la forma de un array unidimensional de NumPy a un array bidimensional con 3 filas y 2 columnas?
a) array.reshape((2, 3))
b) array.reshape((3, 2))
c) array.reshape((3))
d) array.reshape((2, 1, 3))
Pregunta 7:
¿Qué función de Pandas se utiliza para detectar valores faltantes en un DataFrame?
a) fillna()
b) dropna()
c) isnull()
d) apply()
Pregunta 8:
En Matplotlib, ¿qué función se utiliza para crear un gráfico de dispersión?
a) plt.plot()
b) plt.bar()
c) plt.scatter()
d) plt.hist()
Pregunta 9:
¿Cuál es el propósito de OneHotEncoder en Scikit-learn?
a) Escala características numéricas para tener una media de 0 y una desviación estándar de 1.
b) Codifica características categóricas como vectores binarios.
c) Imputa datos faltantes.
d) Reduce las dimensiones de un conjunto de datos.
Pregunta 10:
¿Qué biblioteca en Python es más adecuada para crear visualizaciones interactivas?
a) Matplotlib
b) Seaborn
c) Plotly
d) NumPy
Pregunta 11:
¿Qué función en Scikit-learn se utiliza para dividir un conjunto de datos en conjuntos de entrenamiento y prueba?
a) train_test_split()
b) fit()
c) StandardScaler()
d) GridSearchCV()
Pregunta 12:
¿Qué plataforma basada en la nube te permite usar GPUs y TPUs gratuitos para machine learning?
a) Jupyter Notebooks
b) Anaconda
c) Google Colab
d) PyCharm
Pregunta Bonificación:
Pregunta 13:
¿Qué es un pair plot en Seaborn, y cuándo es útil en machine learning?
a) Un pair plot visualiza las relaciones entre todos los pares de características en un conjunto de datos y es útil para identificar patrones, correlaciones e interacciones potenciales entre características.
b) Un pair plot muestra la distribución de una sola característica y se utiliza para detectar outliers.
c) Un pair plot solo compara dos características en un conjunto de datos.
d) Un pair plot se utiliza para visualizar datos de series temporales.
Preguntas
Capítulo 1: Introducción al Machine Learning
Pregunta 1:
¿Cuál es la principal diferencia entre la programación tradicional y el machine learning?
a) La programación tradicional se basa en reglas explícitas, mientras que los modelos de machine learning aprenden patrones a partir de datos.
b) La programación tradicional utiliza datos para predecir resultados, mientras que el machine learning crea reglas a partir de predicciones.
c) El machine learning solo puede manejar conjuntos de datos pequeños, mientras que la programación tradicional es mejor para conjuntos de datos grandes.
d) La programación tradicional es más rápida que el machine learning para todas las tareas.
Pregunta 2:
¿Cuál de los siguientes es un ejemplo de aprendizaje supervisado?
a) Agrupar clientes según su comportamiento de compra.
b) Predecir precios de casas en función de características como ubicación y tamaño.
c) Un robot aprendiendo a caminar al recibir retroalimentación.
d) Reducir las dimensiones de un conjunto de datos utilizando PCA.
Pregunta 3:
En 2024, ¿qué tendencia de machine learning se centra en entrenar modelos sin requerir grandes cantidades de datos etiquetados?
a) Aprendizaje federado.
b) Inteligencia artificial explicable.
c) Aprendizaje auto-supervisado.
d) Aprendizaje por refuerzo.
Pregunta 4:
¿Cuál de las siguientes herramientas permite el entrenamiento distribuido de modelos sin compartir datos en bruto entre dispositivos?
a) Transformadores.
b) Aprendizaje federado.
c) Vision Transformers.
d) Aprendizaje por transferencia.
Capítulo 2: Python y Bibliotecas Esenciales para la Ciencia de Datos
Pregunta 5:
¿Cuál es la principal ventaja de usar arrays de NumPy sobre listas de Python en machine learning?
a) Los arrays de NumPy pueden almacenar tipos de datos mixtos, mientras que las listas no pueden.
b) Los arrays de NumPy son más eficientes en memoria y soportan cálculos numéricos más rápidos.
c) Las listas de Python son más rápidas que los arrays de NumPy para operaciones matemáticas.
d) Los arrays de NumPy están limitados a dos dimensiones, mientras que las listas pueden almacenar datos multidimensionales.
Pregunta 6:
¿Cómo puedes cambiar la forma de un array unidimensional de NumPy a un array bidimensional con 3 filas y 2 columnas?
a) array.reshape((2, 3))
b) array.reshape((3, 2))
c) array.reshape((3))
d) array.reshape((2, 1, 3))
Pregunta 7:
¿Qué función de Pandas se utiliza para detectar valores faltantes en un DataFrame?
a) fillna()
b) dropna()
c) isnull()
d) apply()
Pregunta 8:
En Matplotlib, ¿qué función se utiliza para crear un gráfico de dispersión?
a) plt.plot()
b) plt.bar()
c) plt.scatter()
d) plt.hist()
Pregunta 9:
¿Cuál es el propósito de OneHotEncoder en Scikit-learn?
a) Escala características numéricas para tener una media de 0 y una desviación estándar de 1.
b) Codifica características categóricas como vectores binarios.
c) Imputa datos faltantes.
d) Reduce las dimensiones de un conjunto de datos.
Pregunta 10:
¿Qué biblioteca en Python es más adecuada para crear visualizaciones interactivas?
a) Matplotlib
b) Seaborn
c) Plotly
d) NumPy
Pregunta 11:
¿Qué función en Scikit-learn se utiliza para dividir un conjunto de datos en conjuntos de entrenamiento y prueba?
a) train_test_split()
b) fit()
c) StandardScaler()
d) GridSearchCV()
Pregunta 12:
¿Qué plataforma basada en la nube te permite usar GPUs y TPUs gratuitos para machine learning?
a) Jupyter Notebooks
b) Anaconda
c) Google Colab
d) PyCharm
Pregunta Bonificación:
Pregunta 13:
¿Qué es un pair plot en Seaborn, y cuándo es útil en machine learning?
a) Un pair plot visualiza las relaciones entre todos los pares de características en un conjunto de datos y es útil para identificar patrones, correlaciones e interacciones potenciales entre características.
b) Un pair plot muestra la distribución de una sola característica y se utiliza para detectar outliers.
c) Un pair plot solo compara dos características en un conjunto de datos.
d) Un pair plot se utiliza para visualizar datos de series temporales.