Revisión de aprendizaje automático
1 - ¿Qué es un diagnóstico en el contexto del aprendizaje automático?
R. Esto se refiere al proceso de medir qué tan bien se desempeña un algoritmo de aprendizaje en un conjunto de prueba (datos en los que el algoritmo no ha sido entrenado)
B. Pruebe rápidamente tantas formas diferentes de mejorar el algoritmo para ver qué funciona
C. La aplicación del aprendizaje automático en el campo médico con el fin de diagnosticar la condición de un paciente
D. Una prueba que ejecuta para obtener información sobre lo que funciona y lo que no funciona para el algoritmo de aprendizaje.
Respuesta: D
2 - Siempre es cierto que cuanto mejor lo haga un algoritmo en el conjunto de entrenamiento, mejor se generalizará a nuevos datos.
A. incorrecto
B. correcto
respuesta: mal
3 - Para una tarea de clasificación, suponga que entrena tres modelos diferentes utilizando tres arquitecturas de redes neuronales diferentes. ¿Qué datos usó para evaluar los tres modelos para elegir el mejor modelo?
A. Conjunto de validación cruzada
B. Conjunto de entrenamiento
C. Conjunto de prueba
D. Todos los datos
Respuesta: A
4 - Si el error del modelo en el conjunto de validación cruzada es mucho mayor que el error de entrenamiento, esto indica que el modelo tiene:
A. Varianza baja
B. Sesgo bajo
C. Varianza alta
D. Sesgo alto
**Respuesta: C**
5 - ¿Cuál es la mejor manera de determinar si su modelo tiene un alto sesgo (desajuste de los datos de entrenamiento)?
A. Ver si el error de validación cruzada es alto en comparación con la línea base de rendimiento
B. Ver si el error de entrenamiento es alto (más del 15%)
C. Comparación del error de entrenamiento con el error de validación cruzada
D. Comparación del error de entrenamiento con un nivel de referencia de rendimiento
**Respuesta: D**
6 - Encuentra que su algoritmo tiene un alto sesgo. ¿Cuál de las siguientes parece una buena opción para mejorar el rendimiento del algoritmo? (múltiples opciones)
A. Recopilar características adicionales o aumentar las características polinomiales
B. Reducir el parámetro de regularización λ (lambda)
C. Recopilar más ejemplos de entrenamiento
D. Eliminar ejemplos del conjunto de entrenamiento
**Respuesta: AB**
7 - Encuentra que su algoritmo tiene un error de entrenamiento del 2% y un error de validación cruzada del 20% (mucho más alto que el error de entrenamiento).
Según su conocimiento de si el algoritmo tiene un alto sesgo o una gran varianza, ¿cuáles parecen buenas opciones para mejorar el rendimiento del algoritmo? (opción multiple)
A. Reducir el parámetro de regularización λ
B. Aumentar el parámetro de regularización λ
C. Reducir el tamaño del conjunto de entrenamiento
D. Recopilar más datos de entrenamiento
**Respuesta: BD**
8 - ¿Cuál de los siguientes es un método de análisis de errores?
A. Inspeccionar manualmente las muestras de entrenamiento que el modelo clasificó incorrectamente para identificar características y tendencias comunes
B. Recopilar datos de entrenamiento adicionales para ayudar al algoritmo a hacerlo mejor
C. Calcular el error de prueba \(J_{test}\)
D. Calcular el error de entrenamiento \ (J_{tren}\)
Respuesta: A
9 - A veces tomamos una instancia de entrenamiento existente y la modificamos (por ejemplo, giramos la imagen) para crear una nueva instancia con la misma etiqueta. ¿Cómo se llama este proceso?
A. Sesgo/ANOVA
B. Diagnósticos de aprendizaje automático
C. Aumento de datos
D. Análisis de errores
Respuesta: C
10 - ¿Cuáles son las dos formas posibles de hacer transferencia de aprendizaje? (opción multiple)
A. Descargar un modelo previamente entrenado y usarlo para la predicción sin modificarlo ni volver a entrenarlo
B. Dado un conjunto de datos, entrenar previamente y luego ajustar aún más una red neuronal en el mismo conjunto de datos
C. Puede elegir entrenar todos los parámetros del modelo, incluida la capa de salida y la primera capa
D. Puede optar por entrenar solo los parámetros de la capa de salida y dejar que los demás parámetros del modelo se arreglen
Respuesta: CD