16 preguntas. Responde, verifica y lee la explicación. No cuenta para la calificación y nada se guarda.
0 de 16 correctas
Pregunta 1 ¿En cuál de estas situaciones tiene menos sentido usar aprendizaje automático?
a Calcular el impuesto de una factura a partir de una tasa fija establecida por ley. Hay una regla explícita y conocida; programarla directamente es más simple y exacto. b Estimar el almacenamiento de una presa a partir de lluvias y extracciones históricas. Existe un patrón, es difícil de describir analíticamente y hay datos históricos. c Detectar correos fraudulentos a partir de miles de ejemplos etiquetados. Es un caso clásico de clasificación supervisada. d Agrupar perfiles de estudiantes según su trayectoria académica. Es un problema no supervisado razonable.
Verificar
Aprender tiene sentido cuando (1) existe un patrón, (2) no sabemos describirlo analíticamente y (3) tenemos datos. En el cálculo del impuesto falla la condición (2).
Pregunta 2 Sea ℓ \ell ℓ D = { ( x i , y i ) } i = 1 n \mathcal{D}=\{(\mathbf{x}_i,y_i)\}_{i=1}^n D = {( x i , y i ) } i = 1 n riesgo empírico E in ( h ) E_{\text{in}}(h) E in ( h )
a E ( x , y ) ∼ P [ ℓ ( h ( x ) , y ) ] \mathbb{E}_{(\mathbf{x},y)\sim P}\left[\ell(h(\mathbf{x}),y)\right] E ( x , y ) ∼ P [ ℓ ( h ( x ) , y ) ] Ese es el riesgo verdadero E out ( h ) E_{\text{out}}(h) E out ( h ) P P P b 1 n ∑ i = 1 n ℓ ( h ( x i ) , y i ) \frac{1}{n}\sum_{i=1}^n \ell(h(\mathbf{x}_i),y_i) n 1 ∑ i = 1 n ℓ ( h ( x i ) , y i ) c min h ∈ H ∑ i = 1 n ℓ ( h ( x i ) , y i ) \min_{h\in\mathcal{H}} \sum_{i=1}^n \ell(h(\mathbf{x}_i),y_i) min h ∈ H ∑ i = 1 n ℓ ( h ( x i ) , y i ) Ese es el valor óptimo del problema ERM, no el riesgo de una h h h d Pr [ ∣ E in ( h ) − E out ( h ) ∣ > ϵ ] \Pr\left[\,|E_{\text{in}}(h)-E_{\text{out}}(h)|>\epsilon\,\right] Pr [ ∣ E in ( h ) − E out ( h ) ∣ > ϵ ] Esa es la probabilidad que acota la desigualdad de Hoeffding. Verificar
Pregunta 3 Si un modelo obtiene E in = 0 E_{\text{in}} = 0 E in = 0
Verdadero Falso
Verificar
Falso. En el experimento con polinomios, el de grado 12 interpola casi todos los puntos (E in ≈ 0 E_{\text{in}}\approx 0 E in ≈ 0 E out E_{\text{out}} E out sobreajustado .
Pregunta 4 Un clasificador comete errores en 3 de 20 ejemplos de entrenamiento. Con la pérdida 0–1, ¿cuánto vale E in E_{\text{in}} E in
Verificar
E in = 1 20 ∑ i 1 [ h ( x i ) ≠ y i ] = 3 / 20 = 0.15 E_{\text{in}} = \frac{1}{20}\sum_i \mathbb{1}[h(\mathbf{x}_i)\ne y_i] = 3/20 = 0.15 E in = 20 1 ∑ i 1 [ h ( x i ) = y i ] = 3/20 = 0.15
Pregunta 5 Dos modelos tienen el mismo error en los datos de entrenamiento. Uno es un polinomio de grado 3 y el otro de grado 12. Según la navaja de Occam, ¿cuál conviene preferir y por qué?
a El de grado 12, porque puede representar más funciones. Poder representar más funciones también significa poder ajustarse al ruido. b El de grado 3, porque al ser más simple es menos probable que su buen ajuste se deba al ruido. c Da igual, porque tienen el mismo error de entrenamiento. El error de entrenamiento no es lo que nos importa; nos importa el error en datos nuevos. d El de grado 12, porque los modelos complejos siempre generalizan mejor con más datos. Con muchos datos un modelo complejo puede funcionar bien, pero aquí ambos explican igual lo observado.
Verificar
Un modelo simple no puede ajustarse a cualquier cosa; si aun así se ajusta a los datos, es más probable que haya capturado el patrón. Simple no significa simplista: un modelo demasiado simple tampoco sirve.
Pregunta 6 Un programa que guarda en una tabla todos los ejemplos de entrenamiento y responde buscando el ejemplo idéntico tiene E in = 0 E_{\text{in}} = 0 E in = 0
Verdadero Falso
Verificar
Falso. Memorizar da error cero en los datos vistos, pero ante un caso nuevo el programa no tiene nada que decir. Lo que importa es E out E_{\text{out}} E out
Pregunta 7 · selecciona todas las correctas ¿Cuáles de estos pasos deben ajustarse solo con los datos de entrenamiento para evitar fuga de información?
a Calcular la media y la desviación estándar para estandarizar. b Imputar valores faltantes con la mediana de cada columna. c Elegir las categorías de una codificación one-hot . d Convertir una columna de texto "2024-05-01" a tipo fecha. Es una transformación determinista que no aprende parámetros de los datos.
Verificar
Todo paso que estima parámetros a partir de los datos (medias, medianas, vocabularios…) debe ajustarse con el conjunto de entrenamiento. Un Pipeline de scikit-learn lo garantiza.
Pregunta 8 Estás seleccionando entre 30 configuraciones de un modelo. ¿Qué conjunto debes usar para compararlas ?
Verificar
Pregunta 9 ¿A qué paradigma corresponde entrenar un modelo para predecir la siguiente palabra de un texto, usando millones de textos sin etiquetar a mano ?
a Aprendizaje no supervisado clásico (agrupamiento). b Aprendizaje auto-supervisado. c Aprendizaje por refuerzo. d Aprendizaje supervisado con etiquetas humanas.
Verificar
Las "etiquetas" (la siguiente palabra) se obtienen de los propios datos. Es la base del preentrenamiento de los modelos de lenguaje (Unidad 6).
Pregunta 10 Si eliminamos de los datos la columna "sexo", un modelo de crédito ya no puede producir decisiones con sesgo de sexo.
Verdadero Falso
Verificar
Falso. Otras variables (ocupación, historial, patrones de compra…) pueden estar correlacionadas con el atributo eliminado y funcionar como variables sustitutas (proxies ).
Pregunta 11 Al leer un archivo, df.info() muestra que la columna fecha es de tipo object (texto). ¿Qué problema tiene dejarla así?
a Ninguno; pandas convierte el texto a fecha cuando hace falta. pandas no lo hace automáticamente al agrupar u ordenar. b No se puede extraer el mes ni agrupar por periodos, y el orden es alfabético, no cronológico. c Ocupa más memoria, pero los cálculos son correctos. El problema no es la memoria; muchas operaciones con fechas no funcionan o dan resultados equivocados. d Solo es un problema si la columna tiene valores faltantes.
Verificar
Hay que convertirla con pd.to_datetime. Con texto, "2020/10/01" queda antes que "2020/2/01" y no existen .dt.month ni resample.
Pregunta 12 En una serie de registros diarios, si df.isna().sum() da cero en todas las columnas, entonces no faltan datos.
Verdadero Falso
Verificar
Falso. Un día sin registro no aparece como NaN: simplemente no está la fila. Hay que comparar contra el rango completo de fechas, por ejemplo con reindex(pd.date_range(...)).
Pregunta 13 Unes una tabla de 11,533 registros diarios con un catálogo de presas usando merge por la clave de la presa. El resultado tiene 12,800 filas. ¿Qué pasó?
a Nada raro; merge siempre agrega filas. Una unión izquierda contra un catálogo con claves únicas conserva el número de filas. b Alguna clave aparece más de una vez en el catálogo, y sus registros se duplicaron. c Había valores faltantes en la columna de almacenamiento. Los faltantes en otras columnas no cambian el número de filas de la unión. d pandas agregó filas para las fechas faltantes. merge no inventa fechas; eso lo haría un reindex.
Verificar
Si una clave está repetida en la tabla derecha, cada registro de la izquierda con esa clave se multiplica. Por eso conviene usar validate="many_to_one" y comparar el número de filas antes y después.
Pregunta 14 En un conjunto de datos de casas, la columna "calidad de la cocina" toma los valores Excelente , Buena , Regular y Mala . ¿Qué codificación es más adecuada para un modelo lineal?
a One-hot, porque es una variable categórica. Funciona, pero desperdicia el orden natural de las categorías. b Ordinal (Mala = 0, Regular = 1, Buena = 2, Excelente = 3), porque las categorías tienen un orden. c Dejarla como texto; el modelo aprende el orden solo. Los modelos de scikit-learn requieren números. d Eliminarla, porque las variables categóricas no aportan información.
Verificar
Cuando las categorías tienen un orden con sentido, una codificación ordinal conserva esa información en una sola columna. One-hot es la opción para categorías sin orden (barrio, color, tipo de techo).
Pregunta 15 En el conjunto de casas, la columna "calidad de la alberca" tiene 99 % de valores faltantes, así que lo correcto es imputarlos con la categoría más frecuente.
Verdadero Falso
Verificar
Falso. Ahí el faltante significa algo : la casa no tiene alberca. Lo correcto es codificarlo como su propia categoría ("sin alberca"). Antes de imputar hay que preguntarse por qué falta el dato.
Pregunta 16 Estandarizas una columna con media 50 y desviación estándar 4, calculadas en el conjunto de entrenamiento. ¿Qué valor queda para un ejemplo de prueba con valor 58?
Verificar
z = ( 58 − 50 ) / 4 = 2 z = (58 - 50)/4 = 2 z = ( 58 − 50 ) /4 = 2 entrenamiento : el conjunto de prueba se transforma con los mismos parámetros, nunca con los suyos.
Reiniciar cuestionario 
