FácilOpción múltiple

Pregunta de práctica de AI-900

¿Qué es el 'clustering' en el aprendizaje automático no supervisado?

Elige la mejor respuesta.

Respuesta correcta

  • AAgrupar puntos de datos similares sin etiquetas predefinidas basándose en patrones naturales

Explicación

El clustering es una técnica de aprendizaje no supervisado que agrupa automáticamente puntos de datos basándose en similitudes o patrones inherentes en los datos, sin requerir ninguna etiqueta preexistente. El algoritmo identifica estructuras naturales, como relaciones de distancia o densidad, para formar clústeres. En Azure Machine Learning, el clustering se implementa comúnmente utilizando algoritmos como K-Means o DBSCAN para tareas como la segmentación de clientes o la detección de anomalías.

Por qué cada opción es correcta o incorrecta

A

Correcta

Agrupar puntos de datos similares sin etiquetas predefinidas basándose en patrones naturales

El clustering particiona datos sin etiquetar por similitud, por lo que el algoritmo descubre agrupaciones naturales sin etiquetas predefinidas. Esto satisface la restricción no supervisada en el enunciado, donde no existen clases objetivo. Es distinto de la clasificación, que requiere datos de entrenamiento etiquetados para mapear entradas a categorías conocidas.

B

Incorrecta

Clasificar puntos de datos en categorías predefinidas utilizando ejemplos de entrenamiento etiquetados

El clustering agrupa puntos sin etiquetar por similitud inherente; nunca utiliza categorías o etiquetas predefinidas. La opción describe en su lugar la clasificación supervisada, que es exactamente lo que elegiría cuando existen datos de entrenamiento etiquetados y clases objetivo conocidas. El clustering no supervisado descubre estructuras sin ninguna etiqueta.

C

Incorrecta

Agrupar recursos de cómputo de Azure para trabajos de entrenamiento distribuido

El clustering agrupa puntos de datos similares por patrones inherentes, no infraestructura de cómputo. Agrupar el cómputo de Azure para entrenamiento distribuido es una preocupación de orquestación de recursos manejada por herramientas como los clústeres de cómputo de Azure Machine Learning. Esa agrupación sería correcta al escalar trabajos de entrenamiento entre nodos, no al descubrir estructuras en datos sin etiquetar.

D

Incorrecta

Organizar ejecuciones de entrenamiento de modelos en grupos lógicos para el seguimiento de experimentos

El clustering es un algoritmo no supervisado que particiona datos sin etiquetar por similitud; no es una característica de organización de metadatos. Agrupar ejecuciones para el seguimiento de experimentos es lo que proporcionan los experimentos y trabajos de Azure Machine Learning. Esa agrupación sería correcta al comparar ejecuciones de entrenamiento, no al descubrir agrupaciones naturales dentro de los datos.

Para profundizar

El clustering es una técnica no supervisada que particiona los datos en grupos para que los puntos dentro de un grupo sean más similares entre sí que con los puntos de otros grupos, utilizando una medida de distancia o densidad como la distancia euclidiana o la similitud de coseno. Algoritmos como k-means, DBSCAN y el clustering jerárquico descubren estas estructuras sin etiquetas; el número de clústeres puede ser un hiperparámetro o deducirse de los datos. La evaluación utiliza métricas como el coeficiente de silueta o el índice de Davies-Bouldin en lugar de la precisión. Esto importa en escenarios como la segmentación de clientes, la detección de anomalías o la agrupación de lecturas de sensores, donde no existen etiquetas de verdad fundamental y el objetivo es revelar agrupaciones naturales para la interpretación humana en lugar de predecir una clase conocida.

Sobre estas preguntas de práctica

Esta es una de las preguntas de práctica originales de AI-900 de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.

Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.