Parte 2 - Tema 48

Question 1

¿Qué es ETL (Extracción, Transformación y Carga)?

Answer 1

Es un proceso que implica extraer datos de diversas fuentes, transformarlos para que sean adecuados para el análisis y cargarlos en un almacenamiento final.

Question 2

¿Cuáles son las principales etapas del ETL?

Answer 2

• Extracción: Obtener datos de fuentes como bases de datos, archivos CSV, APIs, etc.
• Transformación: Limpiar, transformar y integrar los datos, incluyendo la gestión de valores faltantes, la normalización y la agregación.
• Carga: Cargar los datos transformados en un almacén de datos o un data lake.

Question 3

¿Por qué es importante el preprocesamiento de datos?

Answer 3

Asegura la calidad de los datos, elimina inconsistencias y prepara los datos para el modelado.

Question 4

¿Qué técnicas de preprocesamiento se utilizan comúnmente?

Answer 4

Limpieza de datos (manejo de valores faltantes, outliers, etc.), transformación de variables (normalización, estandarización), reducción de dimensionalidad.

Question 5

¿Cuáles son las principales etapas del modelado?

Answer 5

• Selección de características: Identificar las variables más relevantes para el modelo.
• Selección del algoritmo: Elegir el algoritmo de machine learning adecuado (regresión, clasificación, clustering, etc.).
• Entrenamiento del modelo: Ajustar los parámetros del modelo a los datos de entrenamiento.

Question 6

¿Qué es el sobreajuste y el subajuste?

Answer 6

• Sobreajuste: Cuando el modelo se ajusta demasiado bien a los datos de entrenamiento y no generaliza bien a nuevos datos.
• Subajuste: Cuando el modelo no captura la complejidad de los datos y no es capaz de realizar predicciones precisas.

Question 7

¿Por qué es importante validar un modelo?

Answer 7

Para evaluar el desempeño del modelo y asegurarse de que generaliza bien a nuevos datos.

Question 8

¿Qué métricas se utilizan para evaluar los modelos?

Answer 8

Precisión, recall, F1-score, matriz de confusión, curva ROC, etc.

Question 9

¿Qué técnicas de validación cruzada se utilizan?

Answer 9

K-fold cross-validation, holdout validation.

Question 10

¿Qué son las MLOps (Machine Learning Operations)?

Answer 10

Un conjunto de prácticas que automatizan y optimizan el ciclo de vida completo de un modelo de machine learning, desde el desarrollo hasta la producción.

Question 11

¿Cuáles son los principales componentes de MLOps?

Answer 11

Integración continua, despliegue continuo, monitoreo de modelos, gestión de versiones.

Question 12

¿Cuáles son las principales herramientas utilizadas en Ciencia de Datos?

Answer 12

Python (Pandas, NumPy, Scikit-learn), R, SQL, Jupyter Notebook, plataformas en la nube como Google Colab, AWS SageMaker y Azure Machine Learning.

Question 13

¿Qué es un entorno de desarrollo integrado (IDE) para Ciencia de Datos?

Answer 13

Un software que proporciona un entorno completo para escribir, ejecutar y depurar código, como PyCharm, RStudio o Visual Studio Code.

Question 14

¿Qué es un notebook de Jupyter?

Answer 14

Un entorno interactivo que combina código, visualizaciones y texto narrativo, ideal para explorar datos y desarrollar modelos.

Question 15

¿Por qué Python es popular en Ciencia de Datos?

Answer 15

Por su sintaxis sencilla, amplia comunidad, y una gran cantidad de bibliotecas especializadas para análisis de datos y machine learning.

Question 16

¿Qué diferencia a R de Python en Ciencia de Datos?

Answer 16

R es más especializado en estadística y visualización de datos, mientras que Python es más versátil y utilizado en una amplia gama de aplicaciones.

Question 17

¿Cuándo usar SQL en Ciencia de Datos?

Answer 17

Para interactuar con bases de datos relacionales, extraer datos y realizar consultas SQL.

Question 18

¿Qué es el trade-off sesgo-varianza?

Answer 18

Es el equilibrio entre la simplicidad y la complejidad de un modelo. Un modelo simple (alto sesgo) puede no capturar las relaciones subyacentes en los datos, mientras que un modelo complejo (alta varianza) puede sobreajustarse a los datos de entrenamiento.

Question 19

¿Qué es el sesgo en un modelo?

Answer 19

El sesgo es el error sistemático que se produce cuando un modelo hace suposiciones incorrectas sobre los datos.

Question 20

¿Qué es la varianza en un modelo?

Answer 20

La varianza mide cuánto cambia la predicción de un modelo cuando se entrena con diferentes conjuntos de datos.

Question 21

¿Cómo se relaciona el trade-off sesgo-varianza con el sobreajuste y el subajuste?

Answer 21

Un modelo con alto sesgo está subajustado, mientras que un modelo con alta varianza está sobreajustado.

Question 22

¿Cuáles son las fases típicas de un proyecto de aprendizaje máquina?

Answer 22

Definición del problema, recopilación de datos, preprocesamiento, exploración de datos, modelado, evaluación y despliegue.

Question 23

¿Cuál es la importancia de la definición del problema en un proyecto de aprendizaje máquina?

Answer 23

Una definición clara del problema guía todo el proyecto, desde la elección de los datos hasta la evaluación del modelo.

Question 24

¿Qué es el preprocesamiento de datos en aprendizaje máquina?

Answer 24

Es el proceso de limpiar, transformar y preparar los datos para el modelado, incluyendo la gestión de valores faltantes, la normalización y la codificación de variables categóricas.

Question 25

¿Qué es el aprendizaje profundo?

Answer 25

Es un subcampo del aprendizaje máquina que utiliza redes neuronales artificiales con múltiples capas para aprender representaciones jerárquicas de datos.

Question 26

¿Cuál es la diferencia entre aprendizaje máquina y aprendizaje profundo?

Answer 26

El aprendizaje profundo utiliza redes neuronales más complejas con muchas capas, mientras que el aprendizaje máquina tradicional utiliza algoritmos más simples.

Question 27

¿Cuáles son las principales aplicaciones del aprendizaje profundo?

Answer 27

Visión por computadora, procesamiento del lenguaje natural, reconocimiento de voz, generación de contenido.

Question 28

¿Qué es una red neuronal artificial?

Answer 28

Es un modelo computacional inspirado en el cerebro humano, compuesto por nodos interconectados que procesan información.

Question 29

¿Cuáles son los componentes principales de una red neuronal?

Answer 29

Neuronas, capas, pesos y sesgos.

Question 30

¿Qué es una neurona artificial?

Answer 30

La unidad básica de una red neuronal, que realiza una operación matemática simple sobre sus entradas y produce una salida.

Question 31

¿Qué es la regularización en aprendizaje máquina?

Answer 31

Un conjunto de técnicas utilizadas para prevenir el sobreajuste, penalizando modelos complejos.

Question 32

¿Cuáles son los tipos más comunes de regularización?

Answer 32

L1 (Lasso), L2 (Ridge), Dropout.

Question 33

¿Qué es la optimización en aprendizaje máquina?

Answer 33

El proceso de encontrar los valores óptimos de los parámetros de un modelo que minimizan una función de pérdida.

Question 34

¿Cuáles son los algoritmos de optimización más comunes?

Answer 34

Descenso del gradiente, Adam, RMSprop