Aprendizaje Automático - Arboles de Decisión

Presentation

•

Other

•

University

•

Medium

Julio Jhonathan Colque

Used 2+ times

FREE Resource

52 Slides • 24 Questions

Multiple Choice

Según M. Minsky, ¿qué es aprender?

Realizar cambios útiles en nuestras mentes

Modificar la representación del mundo que se está percibiendo

Cualquier cambio en un sistema que le permita realizar la misma tarea de manera más eficiente la próxima vez

Aprender de la experiencia para mejorar el rendimiento en una tarea

Multiple Choice

Según H. Simon, ¿qué define el aprendizaje?

Realizar cambios útiles en nuestras mentes

Modificar la representación del mundo que se está percibiendo

Cualquier cambio en un sistema que le permita realizar la misma tarea de manera más eficiente la próxima vez

Aprender de la experiencia para mejorar el rendimiento en una tarea

Multiple Choice

Según T. M. Mitchell, ¿cómo se puede identificar que se ha aprendido?

Cuando se realizan cambios útiles en nuestras mentes

Cuando la representación del mundo percibido se modifica

Cuando se mejora la realización de una tarea con la experiencia respecto a una medida de rendimiento

Cuando se realiza la misma tarea de manera más eficiente

Multiple Choice

Según R. Michalski, ¿qué implica el aprendizaje?

Modificar la representación del mundo que se está percibiendo

Realizar cambios útiles en nuestras mentes

Mejorar la realización de una tarea con la experiencia

Realizar la misma tarea de manera más eficiente

Multiple Choice

¿Qué caracteriza al aprendizaje automático?

Descubrir modelos matemáticos que explican un fenómeno a partir de datos

Construir sistemas computacionales que mejoran su rendimiento en tareas sin programación explícita

Clasificación y diagnóstico

Resolución de problemas y planificación

Multiple Choice

¿Cuál es un ejemplo de tarea en aprendizaje automático?

Clasificación y diagnóstico

Construcción de sistemas computacionales

Mejorar el rendimiento en tareas explícitamente programadas

Descubrir modelos matemáticos que explican un fenómeno a partir de gran cantidad de datos

Multiple Choice

¿Qué representa un árbol de decisión?

Un conjunto de datos organizados jerárquicamente

Un grafo etiquetado que representa un concepto

Un modelo matemático basado en probabilidades

Una estructura lineal para clasificar información

Multiple Choice

¿Qué representan los nodos interiores en un árbol de decisión?

Los atributos que se evalúan

Los valores de clasificación

Los posibles valores del nodo origen

La función objetivo

Multiple Choice

¿Qué representan las hojas en un árbol de decisión?

Los atributos evaluados

Los valores de clasificación

Los posibles valores del nodo origen

La representación de la función objetivo

Multiple Choice

¿Qué representan los arcos en un árbol de decisión?

Los atributos evaluados

Los valores de clasificación

Los posibles valores del nodo origen

La representación de la función objetivo

Multiple Choice

¿Cuál es el objetivo del aprendizaje de árboles de decisión?

Clasificar ejemplos nuevos sin necesidad de datos previos

Aprender un árbol de decisión consistente con los ejemplos para clasificar nuevos ejemplos

Crear un modelo matemático basado en probabilidades

Representar gráficamente todos los datos disponibles

Multiple Choice

¿Qué establece la navaja de Occam?

Que la solución más compleja es siempre la correcta

Que en igualdad de condiciones, la solución más sencilla es probablemente la correcta

Que todas las soluciones posibles deben ser consideradas por igual

Que las soluciones más sencillas son siempre incorrectas

Multiple Choice

¿Qué mide la entropía de un conjunto de ejemplos D ?

La cantidad de ejemplos correctamente clasificados

La ausencia de homogeneidad en la clasificación

La cantidad de atributos necesarios para clasificar

La probabilidad de error en la clasificación

Multiple Choice

Según la Teoría de la Información, ¿qué representa la entropía?

La cantidad media de información necesaria para codificar la clasificación de un ejemplo

La probabilidad de clasificar correctamente un ejemplo

La cantidad de atributos requeridos para clasificar un conjunto

La homogeneidad de los datos en un conjunto

Multiple Choice

¿Qué atributo se selecciona en cada nodo según el algoritmo ID3?

El atributo con mayor ganancia de información

El atributo con menor entropía

El atributo con mayor cantidad de ejemplos

El atributo con menor cantidad de valores

Multiple Choice

¿Por qué preferimos nodos con menos entropía en los árboles de decisión?

Porque generan árboles más pequeños y eficientes

Porque aumentan la cantidad de información en cada nodo

Porque reducen la cantidad de atributos necesarios

Porque garantizan una clasificación perfecta

Multiple Choice

¿Qué significa validar la hipótesis aprendida en aprendizaje automático?

Comprobar que los datos usados en el aprendizaje son correctos

Evaluar la capacidad de la hipótesis para generalizar a nuevos datos

Ajustar la hipótesis para que se adapte perfectamente a los datos de entrenamiento

Cuantificar la cantidad de datos necesarios para el aprendizaje

Multiple Choice

¿Qué implica el sobreajuste en aprendizaje automático?

Que la hipótesis aprendida se ajusta demasiado a los datos concretos usados en el aprendizaje

Que la hipótesis aprendida no generaliza bien a nuevos datos

Que los datos de entrenamiento son insuficientes

Que la hipótesis aprendida es demasiado sencilla

Multiple Choice

¿Qué se mide en el conjunto de prueba en aprendizaje automático?

La proporción de ejemplos bien clasificados

La cantidad de datos usados en el entrenamiento

La cantidad de clases representadas correctamente

La proporción de datos mal clasificados

Explanation Slide...

Validar la hipótesis aprendida implica evaluar su capacidad para generalizar a nuevos datos y no solo ajustarse a los datos de entrenamiento.

Multiple Choice

¿Qué implica la validación cruzada en aprendizaje automático?

Dividir los datos en \k \ partes y realizar \k \ aprendizajes, usando cada parte como prueba y el resto como entrenamiento

Usar un conjunto de prueba adicional para ajustar parámetros

Entrenar el modelo varias veces con los mismos datos

Dividir los datos en dos partes iguales para entrenamiento y prueba

Multiple Choice

¿Cuál es una causa común del sobreajuste en aprendizaje automático?

Conjuntos de entrenamiento pequeños

Modelos excesivamente simples

Uso de conjuntos de validación independientes

Atributos irrelevantes con aparente regularidad

Multiple Choice

¿Cómo se puede evitar el sobreajuste en aprendizaje automático?

Usando modelos excesivamente complejos

Medir el rendimiento sobre conjuntos de validación independientes

Ignorar el ruido en los datos

Reduciendo el tamaño del conjunto de entrenamiento

Multiple Choice

¿Qué es el early stopping en árboles de decisión?

Parar el desarrollo del árbol antes de que se ajuste perfectamente a todos los datos

Podar el árbol directamente en los nodos

Transformar el árbol en reglas y podar las condiciones

Generar árboles con una profundidad ilimitada

Multiple Choice

¿Cuándo se realiza la poda a posteriori en árboles de decisión?

Cuando se reduce el error sobre un conjunto de validación

Cuando el árbol alcanza una profundidad máxima

Cuando los nodos contienen un porcentaje bajo de los datos

Cuando la mayoría de los ejemplos en un nodo son de una clase

Show answer

Auto Play

Slide 1 / 76

SLIDE

Similar Resources on Wayground

73 questions

Bacillus

Presentation

•

University

74 questions

Estructura de Costos vs Ingreso

Presentation

•

University

68 questions

STİ-01-05b

Presentation

•

University

68 questions

Chapter 4 - Text Data Mining

Presentation

•

University

75 questions

75 câu tiếp theo LSĐ

Presentation

•

University

75 questions

Modelo cognitivo

Presentation

•

University

72 questions

Imperativo - y su conjugación

Presentation

•

12th Grade

70 questions

Unit 1 level 3

Presentation

•

University

Popular Resources on Wayground

10 questions

HCS SCI 03 Summer School Review 4

Quiz

•

3rd Grade

11 questions

HSMS - Standard Response Protocol

Quiz

•

6th - 8th Grade

16 questions

1.1-1.2 Quiz Review

Quiz

•

9th - 12th Grade

12 questions

Exponent Expressions

Quiz

•

6th Grade

20 questions

Adding and Subtracting Integers

Quiz

•

6th - 7th Grade

11 questions

Northeast States

Quiz

•

3rd - 4th Grade

10 questions

Characterization

Quiz

•

3rd - 7th Grade

10 questions

Common Denominators

Quiz

•

5th Grade