MediaOpción múltiple

Pregunta de práctica de AI-900

Un equipo de fabricación quiere predecir defectos en los productos basándose en las lecturas de los sensores de la línea de producción. Tienen 10.000 muestras históricas, cada una etiquetada como 'defectuoso' o 'no defectuoso'. ¿Qué tipo de aprendizaje automático deben utilizar en Azure Machine Learning?

Elige la mejor respuesta.

Respuesta correcta

  • AAprendizaje supervisado

Explicación

Este es un problema de aprendizaje supervisado porque el conjunto de datos contiene muestras históricas etiquetadas (defectuoso o no defectuoso), y el objetivo es predecir un resultado categórico basado en las lecturas de los sensores. En Azure Machine Learning, se utilizan algoritmos de aprendizaje supervisado como la regresión logística de dos clases o los árboles de decisión potenciados para entrenar un modelo que asigne características de entrada a etiquetas conocidas.

Por qué cada opción es correcta o incorrecta

A

Correcta

Aprendizaje supervisado

Las 10.000 muestras llevan etiquetas conocidas de 'defectuoso' o 'no defectuoso', lo que proporciona al modelo una verdad de terreno etiquetada para aprender el mapeo de las lecturas de los sensores al resultado. La clasificación supervisada en Azure Machine Learning encaja perfectamente porque existen etiquetas, a diferencia de los enfoques no supervisados o de refuerzo.

B

Incorrecta

Aprendizaje no supervisado

El aprendizaje no supervisado encuentra estructura en datos no etiquetados, como agrupamiento (clustering) o detección de anomalías, por lo que no puede predecir un resultado conocido de defectuoso o no defectuoso. Sería correcto si las etiquetas estuvieran ausentes y el equipo quisiera descubrir agrupaciones naturales en las lecturas de los sensores.

C

Incorrecta

Aprendizaje por refuerzo

El aprendizaje por refuerzo optimiza acciones secuenciales a través de señales de recompensa, por lo que no puede mapear lecturas de sensores a una etiqueta de defectuoso o no defectuoso. Es correcto para escenarios como el control robótico o juegos, donde un agente aprende políticas interactuando con un entorno y recibiendo comentarios.

D

Incorrecta

Aprendizaje semisupervisado

El aprendizaje semisupervisado asume un conjunto pequeño etiquetado más abundantes datos no etiquetados; aquí las 10.000 muestras ya llevan etiquetas, por lo que la técnica no aporta nada. Se adapta a casos donde el etiquetado es costoso y la mayoría de los datos no están etiquetados, no a un problema de clasificación binaria completamente etiquetado.

Para profundizar

El aprendizaje supervisado entrena un modelo sobre ejemplos etiquetados, donde cada fila empareja características de entrada con un objetivo conocido. En Azure Machine Learning, esto normalmente significa crear un conjunto de datos tabular con una columna de etiquetas y usar una tarea de clasificación de AutoML o un pipeline de diseñador con un algoritmo de clasificación como gradient boosting o regresión logística. Con 10.000 muestras de sensores etiquetadas y un objetivo binario, el modelo aprende un límite de decisión que asigna las lecturas de los sensores a defectuoso o no defectuoso. Una sutileza es el desequilibrio de clases: si los defectos son raros, la precisión es engañosa, por lo que importan métricas como la precisión, el recuerdo (recall) y el peso AUC. Este escenario importa porque el modelo debe generalizarse a nuevas lecturas de sensores, lo que requiere una división de prueba reservada (held-out) y validación cruzada en lugar de memorizar las filas de entrenamiento.

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.