re22, 1259 PARGIAL 2: Revision gl intento Areapersonal Mis cursos MineDatos!_-— Machine Learnings Deep learning PARCIAL2 Comerzadoe domingo, 7 de abril de 2024, 1223 Estado Finalizado Finalizado er domingo, 7 de abril de 2024, 1259 Tiempo 35 minutos 37 segundos ‘empleodo Calificacién 484 de 5,00 (96.8%) Proguntal se puntoagy8 sobre 018 Machine Learning | es el conjur rode métodos[ _mateméticas |v yherramientas, enfocados en resolver ]¥_ problemas complejos, haciendo uso de la| Inteigencia Artificial |v Progunta, se punting) sobre 018 Qué es Ie funcién de pérdida en un modelo de Machine Learning ©. Una medida que evallia qué ton bien se ajusta el modelo a los datos de entrenamiento¥” b. Elnamero total de datos de entrenamiento ©. Le tase de aprendizaje del modelo 6. Tosa de convertibilidad Progunta sepuntéa 078 obre 018 Los robots con inteligencia artiticial pueden reemplazar completamente alos trabojadores humanos en todos los sectores Seleccione una: Verdadero Faso v hnps:micampus.usarjose.colcampus!madiquiireviaw. phpattempt=890296&cmid=145 169 wmre22, 1259 PARGIAL 2: Revision Gl intento Propuntad sepuntéa gi sobre 018 CuGl es el abjetive de la teenice de ragulatizacién en Machine Learning 1, Aumentar el tamatie del conjunto de dates de entrenamiento b, Reducir el nimero de coracteristicas irrelevantes o redundantes en el madelo¥ ©. Acelerar el proceso de entrenamiento de la red neuronal 1, Manejo de Cloud Progunta 5 Fs el subcampo del aprendizaje automético en el que se utilzan redes neuronoles, Aprendizaje Profundo™ > Bigdate © nteligencia artticial 3 Todas las anteriores Progunta 6 se puntoa 078 sobre 018 Qué méttica se utiliza cominmente pare evaluar el rendimiento de un modelo de clasificacién binaria en Machine Learning ©. Precision b. Sensibilidad (recall) ©. Coeficiente de correlacion 6. Desviacion esténdar nps:micampus.usarjose.colcampus!madiquiireviaw. phpattempt=800296&cmid=145169 2mre22, 1259 PARGIAL 2: Revision Gl intento rogunta7 sepuntéa gy sobre 016 Fs el proceso de anélisis de volamenes masivos de datos para descubririnteligencia empresarial que ayude a las empresas a resolver problemas, mitigat rlesgos y aprovechar nuevas oportunidades. Es la definicion de DATAMINING Seleccione una: verdadero ¥ Falso Progunta 8 Date at Rest, in Motion, Many Forms, in Doubt son elementos de: Hacloop Bigdata” Data watawarehouse Progunta® se punta gy sobre 018 CuGl es le principal diferencia entre el aprendizeje supervisade y el ne supervisado ©. Flaprendizaje supervisado no utliza datos de entrenamiento b. Enelaprendizaje supervisado, el modelo se entrena con datos etiquetados, mientras queen eino ¥ supervisado, no hay etiquetas ©. Nohay diferencia, son términos intercambiables 1. Son técnicas de exploracién de datos nps:micampus.usarjose.colcampus!madiquiireviaw. phpattempt=800296&cmid=145169 antre22, 1259 PARGIAL 2: Revision Gl intento 7) sepuntéa gi sobre 018 La estructura légica de un problema: Contiene Problema, solucién, alcance, Hacen parte de: Hadoop Clustering Patrones secuenciales storytelling” pregunta ll Se punta 038 sobre 018 Encuentro ol enunciado correcto, de acuerdo a le frase en mencién Se utlizan para evaluar, optimizar y coorcinar las operaciones intemos de una Ccomparig. Abarca todas las tecnologias, aplicaciones y précticos para recolactat, Busines Analytics Integrar y analizor Ia inforrraci6n sobre el rendimiento y los tinanzas para que, « partir de ese andlisis, se puedan tomar decisiones para mejorar sus procesos actuales ¥ Es una disciplina del campo de la ntaligencia Attila que, a través de algoritmos, dote 3 los ordenaclores dela capacicad ce isentficar patrones en datos masivosyelaborat | \jachine earning prodicciones (andisis precietvo). v Abarea datos que contienen unc mayor variedad y que se presentan envoltmenes | sigdata recientes y a una velocidad superior b Es la combinacién de algoritmos planteados con el propésito de crear méqulnas que presenten las mismas capacidades que el ser humano. 4 v nps:micampus.usarjose.colcampus!madiquiireviaw. phpattempt=800296&cmid=145169 annre22, 1259 PARGIAL 2: Revision Gl intento propanol sepuntéa gy sobre 016 Los sistemas de inteligencia artiicial siemore mejoran con el tiempo sin necesidad de actualizaciones Seleccione unc: Verdadero Falso v ProguntaT3, Sse punta 08 sobre 018 Los chatbots son ejemplos de inteligencia ortiticial deb Seleccione una: Verdadero ¥ Falso Proguntal sopuntéa gj 2obre 018 Big Data en educacién lo que pretence es estandarizar los procesos de ensefanza y aprendizaje pare facilitar el desarrollo de los cursos de formacién Seleccione una: verdadero Falsov nps:micampus.usarjose.colcampus!madiquiireviaw. phpattempt=800296&cmid=145169 sitre22, 1259 PARGIAL 2: Revision Gl intento rope sepuntéa gy sobre 016 Sirven para hacer consultas sobre los datos en el esquema de objetos en SQL © opt pau’ DML pet Prequel Se punta 038 sobre 018 Qué es un modelo en el contexto de Machine Learning ‘©. Un conjunto de datos de entrenamiento b. Un algoritmo de clasificacién especttice ©. Una representacién matematica que aprende patrones a partir de datos” 4. Una técnica de almacenamiento ProguntaT7 ‘se puntua 076 obra 018 Cudl es el propésito de Ia agregacién en mineria de datos, . Evaluara velocidad de procesamiento b. Reduccién de datos a un nivel més alto de detalle . Reduccién de datos a un nivel més alto de detallew Inerementarla recundancia de datos nps:micampus.usarjose.colcampus!madiquiireviaw. phpattempt=800296&cmid=145169 anre22, 1259 PARGIAL 2: Revision Gl intento rope sepuntéa gy sobre 016 Los algoritmes de inteligencia artificial siempre toman decisiones de manera imparcicl Seleccione unc: Verdadero Falso v Proguntal® Sse punta 08 sobre 018 Es una técnica de andlisis que se basa en enfoques visuales para entender los datos % Regresién > Prediccién © clustering” a Patrones secuenciales rogunea.20 se punta 900 sore 038 Cudles la diferencia entre el aprendizaje supervisado y no supervisado en mineria de datos ©. No hay diferencia, son términos intercambiables b. Elaprendizaje supervisado utiliza conjuntos de datos sin etiquetas, mientras que ol no supervisado Utliza conjuntos de datos con etiquetas ©. Flaprendizaje supervisado requiere fa intervencién humana, mientras que el no supervisado no la requiere £1 oprenalzaje supervisado se utliza para clasiticacién, mientras que el no supervisade se utilize para regresion nps:micampus.usarjose.colcampus!madiquiireviaw. phpattempt=800296&cmid=145169 mmre22, 1259 PARGIAL 2: Revision Gl intento rrogunto sepuntéa gy sobre 016 Una tecnologia pata el andlisis interactive de datos multidimensionales, corresponde al Procesamiento analitice entinea (O1AP) Seleccione una: verdadero ¥ Falso Pregunta 22 se puntoa 6 bre 018 Cudl es la diferencia entre la mineria de dotos y el procesamiento anaiftco de datos (DAP) @._ Nohay diferencia, son términos intercambiables Lo minera de datos se contra en descubrir patrones y conocimientos, mientras que el DAP se centra en el andisis de datos en tiempo real €. La minerta de datos utiliza conjuntos de datos pequefios, mientras que el DAP utiliza grandes conjuntos de datos . La mineria de datos es un proceso mas lento que el DAP ogunte 23 Sse punta 08 sobre 018 Deteccién de fraudes, busqueda web, next best action son pilares de: Big date Deep Learning Machine teaming” Todas las anteriores nps:micampus.usarjose.colcampus!madiquiireviaw. phpattempt=800296&cmid=145169 antre22, 1259 PARGIAL 2: Revision Gl intento rogue 24 sepuntoa gj sobre 018 El aprendizoje profundo es un subconjunte del aprendizaje automatice Seleccione unc: Verdadero ¥ Falso Progunta.25 se puntiag)8 sobre 018 Cudl es el propésito de la validacién eruzada en Machine Learning 2. Entrenar un modelo con més datos b. Evaluar el rengimiento del modelo en datos no vistos para evitar el sobreclustew” Cc. Alustar los hiperparémetros del modelo 6, Todas las anteriores Progunta 26 Qué es un cubo de datos en ol contexto de OLAP ©. Une estructura pata almacenat datos en brute b. Une técnica de diseretizacién €. Un modelo de datos jerdrquico 1. Une representaclén multidimensional de datos que permite su anéliss interactivo¥ nps:micampus.usarjose.colcampus!madiquiireviaw. phpattempt=800296&cmid=145169 ontrisi2e, 1259 PARCIAL 2: Revsin Gl ntonto sropunto 27 sopunteagyt sobre 016 CuGl de las siguientes opciones deserine mejor el Deep Learning ©. Untipo de aprendizaje supervisado, Un subconjunto de Machine Learning que utiliza redes neuronales profundas¥ ©. Un enfoque de programacién convencional 1. Ningune de las anteriores Progunta 28 Modelo ML que reconoce objetos, lugares y acciones es una de las caracteristicas de la API Cloud Vision Seleccione una: Verdadero Falsov Progunta.29 Transacciones, biométrices, zNavegacién web son tipologios de datos de ML? Seleccione una: Verdadero ¥ Falso nps:micampus.usarjose.colcampus!madiquiireviaw. phpattempt=800296&cmid=145169 sontrisi28, 1259 PARCIAL 2: Revsin Gl ntonto rrogunte 30 sepuntoa gj sobre 018 cual de las sig antes opciones describe mejor el propésito del algoritmo de agrupamiente (clustering) en rmineria de datos ©. Asignor stiquetas a datos no etiquetados b. Predecir valores numéricos besados en datos de entrada ©. Descubrir patrones y grupos naturales en conjuntos de datos¥™ 4. Encontrar a relacién entre variables independientes y dependientes Actividad previo 4 Simulador - Machine Learning Siguiente actividad Bibliogratia » Mantente en contacto @ hittps://www.usanjose.edu.co/ EaResumen de retencion de datos ntps:micampus.usarjose.colcampus!madiquiireviaw. phpattempt=800296&cmid=145169 a