Introducción al Aprendizaje Estadístico

• a) Desarrollar algoritmos que repliquen el comportamiento humano.
• b) Permitir que las máquinas aprendan de los datos sin ser programadas explícitamente.
• c) Crear programas informáticos que sigan reglas predefinidas.
• d) Automatizar tareas repetitivas en la industria manufacturera.

Respuesta: b) Permitir que las máquinas aprendan de los datos sin ser programadas explícitamente.. El aprendizaje automático se centra en desarrollar algoritmos que permiten a las máquinas aprender de los datos, identificar patrones y tomar decisiones con mínima intervención humana.

• a) Aprendizaje no supervisado.
• b) Aprendizaje por refuerzo.
• c) Aprendizaje supervisado.
• d) Reducción de la dimensionalidad.

Respuesta: c) Aprendizaje supervisado.. En el aprendizaje supervisado, el algoritmo se entrena con datos que ya están etiquetados, lo que le permite aprender a predecir la etiqueta correcta para nuevos datos.

• a) Aprendizaje supervisado.
• b) Aprendizaje no supervisado.
• c) Aprendizaje por imitación.
• d) Aprendizaje por refuerzo.

Respuesta: c) Aprendizaje por imitación.. Las categorías principales del aprendizaje automático son el aprendizaje supervisado, no supervisado y por refuerzo. El aprendizaje por imitación no es una categoría principal estándar.

• a) Minimización del Riesgo Empírico (ERM)
• b) Estimación Máximo-Verosímil (MLE)
• c) Regularización
• d) Descenso por gradiente

Respuesta: b) Estimación Máximo-Verosímil (MLE). La Estimación Máximo-Verosímil (MLE) es un método estadístico para encontrar los valores de los parámetros que maximizan la probabilidad de observar los datos dados.

• a) Optimización
• b) Regularización
• c) Estimación MAP
• d) Teoría de la Información

Respuesta: b) Regularización. La regularización es una técnica que añade una penalización a la función de costo para evitar que el modelo se ajuste demasiado a los datos de entrenamiento, mejorando así su capacidad de generalización.

• a) Multiplicadores de Lagrange
• b) Descenso por gradiente
• c) Análisis Discriminante Lineal
• d) Estimación Máximo-Verosímil

Respuesta: b) Descenso por gradiente. El Descenso por gradiente es un algoritmo iterativo utilizado para encontrar el mínimo local de una función, ajustando los parámetros en la dirección opuesta al gradiente.

• a) Redes Neuronales Profundas
• b) Análisis Discriminante Lineal
• c) Modelos No Paramétricos
• d) Aprendizaje por Refuerzo

Respuesta: b) Análisis Discriminante Lineal. El Análisis Discriminante Lineal es un modelo lineal, mientras que las Redes Neuronales Profundas y los Modelos No Paramétricos son diferentes tipos de modelos de aprendizaje automático.

• a) Máxima Verosimilitud
• b) Mínimos Cuadrados Convencional (OLS)
• c) Descenso de Gradiente Estocástico
• d) Regularización L1

Respuesta: b) Mínimos Cuadrados Convencional (OLS). El método de Mínimos Cuadrados Convencional (OLS) es un enfoque estándar para estimar los parámetros en la regresión lineal, buscando minimizar la suma de los cuadrados de las diferencias entre los valores observados y los valores predichos por el modelo.

• a) Una variable continua
• b) Una probabilidad de pertenencia a una clase
• c) Una variable categórica nominal
• d) Un valor entero

Respuesta: b) Una probabilidad de pertenencia a una clase. La regresión logística predice la probabilidad de que una instancia pertenezca a una clase específica, lo que la hace adecuada para problemas de clasificación binaria y multiclase.

• a) Resolver problemas de optimización lineal.
• b) Modelar relaciones complejas en datos a través de múltiples capas de abstracción.
• c) Realizar análisis estadísticos descriptivos.
• d) Implementar algoritmos de búsqueda en grafos.

Respuesta: b) Modelar relaciones complejas en datos a través de múltiples capas de abstracción.. Las redes neuronales profundas están diseñadas para modelar relaciones complejas en los datos utilizando múltiples capas que aprenden diferentes niveles de abstracción.

• a) Un tipo de función de activación.
• b) Un algoritmo para ajustar los pesos de la red durante el entrenamiento.
• c) Un método para la selección de características.
• d) Una técnica para la visualización de datos.

Respuesta: b) Un algoritmo para ajustar los pesos de la red durante el entrenamiento.. Backpropagation (retropropagación) es un algoritmo clave para entrenar redes neuronales, ajustando los pesos de las conexiones para minimizar el error entre la salida predicha y la salida real.

• a) Clasificación de imágenes.
• b) Procesamiento del lenguaje natural.
• c) Análisis de regresión lineal simple.
• d) Reconocimiento de voz.

Respuesta: c) Análisis de regresión lineal simple.. Las redes neuronales profundas son más adecuadas para tareas complejas como la clasificación de imágenes, el procesamiento del lenguaje natural y el reconocimiento de voz, y no para el análisis de regresión lineal simple.

• a) Modelos basados en ejemplos
• b) Métodos kernel
• c) Regresión lineal
• d) Árboles de decisión

Respuesta: c) Regresión lineal. La regresión lineal es un modelo paramétrico, mientras que los modelos basados en ejemplos, los métodos kernel y los árboles de decisión son modelos no paramétricos.

• a) Requieren menos datos para el entrenamiento
• b) Tienen un número fijo de parámetros
• c) Su complejidad aumenta con el tamaño de los datos
• d) Son más rápidos de entrenar

Respuesta: c) Su complejidad aumenta con el tamaño de los datos. Los modelos no paramétricos aumentan su complejidad a medida que se incrementa el tamaño de los datos, a diferencia de los modelos paramétricos que tienen un número fijo de parámetros.

• a) Máquinas de Vector Soporte (SVM)
• b) Bosques Aleatorios (Random Forests)
• c) K-Vecinos Más Cercanos (KNN)
• d) Regresión Logística

Respuesta: b) Bosques Aleatorios (Random Forests). Los Bosques Aleatorios utilizan un conjunto de árboles de decisión para mejorar la precisión y robustez del modelo, reduciendo el riesgo de sobreajuste.

• a) Clustering
• b) Transfer learning y fine-tuning
• c) Reducción de la dimensión
• d) Embeddings de grafos

Respuesta: b) Transfer learning y fine-tuning. Transfer learning y fine-tuning implican tomar un modelo ya entrenado en una tarea general y ajustarlo (fine-tuning) para que funcione bien en una tarea más específica.

• a) Reducción de la dimensión
• b) Aprendizaje con pocos datos etiquetados
• c) Clustering (algoritmo k-medias)
• d) Sistemas de recomendación

Respuesta: c) Clustering (algoritmo k-medias). El clustering, específicamente el algoritmo k-medias, fue explorado en el bloque 2 durante el SIN 2024/25.

• a) Reducción de la dimensión
• b) Clustering
• c) Sistemas de recomendación
• d) Embeddings de grafos

Respuesta: b) Clustering. El clustering es una técnica que busca agrupar datos similares en clústeres, identificando patrones y estructuras inherentes en los datos.