MediaOpción múltiple

Pregunta de práctica de AI-900

¿Qué tipo de aprendizaje automático utiliza datos de entrenamiento etiquetados en los que se proporciona la salida correcta para cada entrada?

Elige la mejor respuesta.

Respuesta correcta

  • CSupervised learning

Explicación

El aprendizaje supervisado utiliza explícitamente datos de entrenamiento etiquetados en los que cada ejemplo de entrada se empareja con la etiqueta de salida correcta. El algoritmo aprende a asociar entradas con salidas minimizando el error entre sus predicciones y las etiquetas proporcionadas, lo que permite realizar tareas como clasificación y regresión.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Unsupervised learning

El aprendizaje no supervisado encuentra estructura en datos que no llevan etiquetas de salida, por lo que no puede asociar entradas con respuestas conocidas. Resulta tentador porque la agrupación en clústeres y la detección de anomalías se adaptan genuinamente al trabajo exploratorio donde no existe una verdad de base, pero el enunciado requiere explícitamente una salida correcta proporcionada por entrada.

B

Incorrecta

Reinforcement learning

El aprendizaje por refuerzo aprende a partir de señales de recompensa producidas por las acciones de un agente en un entorno, sin que se suministren pares de entrada-salida etiquetados. Es el enfoque correcto para problemas de decisión secuencial como jugar o controlar robots, donde las acciones óptimas se descubren mediante prueba y error.

C

Correcta

Supervised learning

El aprendizaje supervisado entrena modelos en conjuntos de datos etiquetados, donde cada entrada se empareja con su salida correcta conocida, lo que permite al algoritmo aprender la correspondencia entre ellas. Esto satisface directamente el requisito del enunciado de datos de entrenamiento etiquetados con salidas proporcionadas, distinguiéndolo del aprendizaje no supervisado, que utiliza datos no etiquetados.

D

Incorrecta

Transfer learning

El aprendizaje por transferencia reutiliza los pesos de un modelo preentrenado y los ajusta en un conjunto de datos nuevo y a menudo pequeño; no define por sí mismo el paradigma de entrenamiento de entrada etiquetada que describe el enunciado. Es tentador porque implica datos de entrenamiento, y sería la opción correcta cuando los ejemplos etiquetados son escasos y existe un modelo preentrenado relacionado.

Para profundizar

El aprendizaje supervisado entrena un modelo en un conjunto de datos donde cada ejemplo de entrada se empareja con una etiqueta conocida, y el algoritmo ajusta sus parámetros para minimizar la diferencia entre las salidas predichas y las reales. Los algoritmos comunes incluyen la regresión lineal para objetivos continuos y la regresión logística o los árboles de decisión para clasificación, guiando la optimización basada en gradientes mediante la función de pérdida. Un comportamiento sutil es que el rendimiento depende en gran medida de la calidad y cobertura de las etiquetas; las etiquetas con ruido o sesgadas hacen que el modelo aprenda mapeos incorrectos, y el desequilibrio de clases puede hacer que la precisión sea engañosa. En la práctica, un escenario como predecir si un cliente se dará de baja utiliza registros históricos donde los resultados de la baja ya se conocen, lo que permite al modelo aprender patrones y luego calificar a nuevos clientes cuyos resultados se desconocen.

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.