Preguntas:

1. ¿Qué es aprendizaje automático en inteligencia artificial?

Rama de la inteligencia artificial que estudia como dotar a las máquinas de capacidad de aprendizaje
como la generalización del conocimiento a partir de experiencias

2. Comenta un ejemplo del aprendizaje automático.

RECONOCIMIENTO DEVOZ

3. ¿Cuáles es la diferencia fundamental entre el aprendizaje automático supervisado y no

supervisado?

El supervisado se basa en datos de entrada y salida etiquetados y el no supervisado procesa datos

sin etiquetar o procesar

3. ¿En qué se diferencia el aprendizaje profundo del aprendizaje automático?

El automático se utiliza algoritmos para analizar los datos aprender de ellos y tomar decisiones en
base a lo aprendido y el profundo crea una red neuronal artificial capaz de aprender y tomar
decisiones inteligentes por si misma

5. ¿En qué se diferencia la minería de datos y aprendizaje automático?

El aprendizaje automático observa los patrones y aprende de ellos para el futuro y la minería de
datos es una fuente de información para el aprendizaje de maquinas

6. ¿Cuáles son las diferencias entre inteligencia artificial y aprendizaje automático?

El aprendizaje automático es una subcategoría de la IA. La IA consiste en crear maquinas similares a

los humanos, y el aprendizaje automático enseña a las maquinas a aprender datos sin ayuda
explicita de los humanos

7. Mencione cinco algoritmos populares de aprendizaje automático.

REGRESION

BAYESIANO

ARBOL DE DECISION

AGRUPACION

REDUCCION DE DIMENSION

8. Ventajas y desventajas de utilizar los árboles de decisión en machine learning y la minería de

datos

VENTAJAS: No requiere preparación de datos exigente, Si no es grande puede visualizarse y son

simples de entender
DESVENTAJAS: Inestables, el árbol no puede ser optimo y hay conceptos que no se pueden aprender

9. Describa la comparación entre el aprendizaje automático inductivo y el aprendizaje automático

deductivo.

INDUCTIVO: Parte de lo general a lo particular

DEDUCTIVO: Parte de lo particular a lo general

10. Mencione las ventajas y desventajas de las redes neuronales.

VENTAJAS: Su estructura es paralela, pueden aprender, almacenan información de forma

redundante, crea su propia representación de la información.

DESVENTAJAS: Su tiempo de aprendizaje es elevado, no permite interpretar lo aprendido, tiene

complejidad de aprendizaje de grandes tareas, gran cantidad de datos de entrenamiento

11. ¿Cuáles son los pasos necesarios para elegir el algoritmo de aprendizaje automático adecuado
para su problema de clasificación?

TAMAÑO DE DATOS, TIEMPO DE ENTRENAMIENTO, PUNTO DE DAOTS, PARAMETRO DE DATOS

12. ¿A qué se refiere "Conjunto de entrenamiento" y "Conjunto de prueba"?

Conjunto de entrenamiento: Son los datos con los que partimos para entrenar al algoritmo

Conjunto de prueba: Se realizan las selecciones predeterminadas en el dialogo

13. Defina el concepto de agrupamiento en términos de aprendizaje automático.

Es un método de aprendizaje de maquinas que implica la agrupación de puntos de datos para

categorizar o clasificar cada punto de datos en un grupo particular

14. ¿Qué es la Matriz de confusión?

Herramienta que permite analizar los resultados de como trabaja un algoritmo supervisado

15. Comente las diferencias entre clasificación y regresión en IA.

Clasificación: Tiene la tarea de asignar una clase, predecir a que clase pertenece.

Regresión: Tiene de objetivo predecir valores continuos

16. Comenta algunas métricas útiles en el aprendizaje automático.

Matriz de confusión, precisión, sensibilidad

17. Menciona las diferencias entre Text Mining y Data Mining

El data mining es la etapa de análisis del KDD

Text mining es un conjunto de técnicas que estructuran la información para identificar patrones y
extraer nueva información
18. Realiza una tabla donde aparezcan las características y utilidades más significativas de las
siguientes librerías correspondientes a Machine learning

Librería Características
Pandas Permite leer y escribir para BDD, para manipulación de datos

Numpy Arreglos numéricos, analiza datos y cálculos en cantidades grandes de

datos
Matplotlib Ofrece una interfaz de alto nivel para la creación de atractivas
gráficas.
Seaborn Ofrece una interfaz de alto nivel para la creación de atractivas gráficas.

Scikyt learn Es de aprendizaje automático, ayuda con los árboles de decisión y

facilita etapas de preprocesado, entrenamiento, optimización, y
modelos predictivos
Keras Analiza redes neuronales profundas

Tensor flow Permite a las redes neuronales construir redes para patrones de
entrenamiento

19. Realice un esquema del ciclo de un proyecto de minería de datos

20. realice un esquema que muestre las 5 fases del proceso de extracción del conocimiento y
explique cada fase.

Selección de datos: Se determina las fuentes de datos , es donde los datos relevantes para el análisis
son extraídos desde las fuentes

Preprocesamiento: Preparación y limpieza de los datos extraídos.

Transformación: Tratamiento preliminar de los datos, transformación y generación de nuevas

variables

Data mining: Métodos inteligentes para extraer patrones desconocidos, nuevos y potencialmente
útiles y comprensibles.

Interpretación y evaluación: Identifican los patrones obtenidos y realmente interesantes y se realiza

una evaluación de resultados obtenidos.

21. Realiza una tabla donde aparezcan las características y utilidades más significativas de las
técnicas más representativas de la minería de datos.

REDES NEURONALES

ARBOLES DE DECISOON

MODELOS ESTADISCTICO

AGRUPAMIENTO
ALGORITMO SUPERVISADO

ALGORITMO NO SUPERVISADO