ISTQB CT-AI
Aprendizaje automático y datos
Fácil
Introducción al aprendizaje automático
- ¿En qué tres formas pueden clasificarse los algoritmos de ML?
- Un modelo debe clasificar correos electrónicos como spam o no spam. ¿Qué tipo de problema es?
- Un modelo debe estimar la edad de una persona a partir de datos de su estilo de vida. ¿Qué tipo de problema es?
- ¿En qué se diferencia el término "regresión" en el contexto del ML de su significado en las pruebas de software clásicas?
- ¿Qué retroalimentación recibe un agente inteligente por sus acciones en el aprendizaje por refuerzo?
- ¿Qué ocurre en la primera actividad del flujo de trabajo de ML, "comprender los objetivos"?
- ¿Qué parámetros se denominan hiperparámetros del modelo?
- ¿Qué conjunto de datos se utiliza para valorar el modelo en la actividad "evaluar el modelo"?
- ¿Qué tres actividades componen conjuntamente la "generación del modelo"?
- ¿Cómo se aplica en la práctica el flujo de trabajo de ML?
- ¿Qué se entiende por fine-tuning?
- ¿Qué significa la abreviatura RAG?
- ¿Qué ocurre con el modelo preentrenado en RAG?
Datos para el aprendizaje automático
- ¿Cuánto esfuerzo requiere la preparación de los datos en el flujo de trabajo de ML en comparación con otros pasos?
- ¿Qué tres actividades principales comprende la preparación de los datos?
- ¿Qué técnicas se utilizan típicamente para rellenar valores faltantes durante la limpieza de datos (imputación)?
- ¿Cuál es el objetivo del análisis exploratorio de datos (EDA)?
- ¿Para qué se utiliza el conjunto de datos de validación?
- ¿Cómo se denomina también el conjunto de datos de prueba?
- ¿Qué valores de k son habituales en la validación cruzada de k iteraciones (k-fold)?
Medio
Introducción al aprendizaje automático
- Un comercio en línea quiere deducir de los datos de compra qué productos se compran a menudo juntos para hacer recomendaciones. ¿Qué forma de ML encaja?
- ¿Qué desafíos implica el aprendizaje por refuerzo?
- ¿De qué depende la elección de la forma de ML (supervisado, no supervisado, por refuerzo)?
- ¿Qué parámetros se denominan hiperparámetros del algoritmo?
- ¿Qué comprende la actividad "preparar y probar los datos" en el flujo de trabajo de ML?
- ¿Cómo se encuentra normalmente el mejor modelo en la práctica?
- ¿Qué hay que hacer si el modelo rinde claramente peor con el conjunto de datos de prueba independiente que durante la evaluación?
- ¿Quién realiza normalmente las pruebas del modelo en el flujo de trabajo de ML?
- ¿Qué ocurre en la actividad "desplegar el modelo"?
- ¿Qué implica la actividad "monitorizar y ajustar el modelo"?
- ¿Qué no está incluido en el flujo de trabajo de ML mostrado, pero normalmente hay que hacer además?
- ¿A qué partes de una red neuronal se puede aplicar el ajuste fino?
- ¿De qué depende principalmente el éxito del ajuste fino?
- ¿Qué ocurre con los sesgos y las vulnerabilidades de un modelo preentrenado cuando se adapta a una nueva tarea?
- ¿Cómo funciona RAG?
Datos para el aprendizaje automático
- ¿Qué tareas pertenecen a la adquisición de datos?
- ¿Qué tareas pertenecen al preprocesamiento de datos?
- ¿Por qué deben coincidir los datos operativos con las características de los datos de entrenamiento?
- ¿Qué factores determinan la cantidad de datos usados para entrenamiento, evaluación y pruebas cuando hay datos suficientes?
- ¿Cómo funciona la validación cruzada de k iteraciones (k-fold)?
Difícil
Introducción al aprendizaje automático
- ¿Qué asociaciones entre tarea y forma de ML son correctas?
- Un probador lee en el informe de un proyecto de ML: "Regresión completada, error 3,2 años". ¿Cómo se entiende esto con mayor probabilidad?
- Un equipo ha entrenado tres modelos con random forest, SVM y una red neuronal y ha elegido el mejor según los datos de validación. ¿Qué paso falta antes del despliegue?
- Tras el ajuste, un modelo alcanza una exactitud del 94 % con los datos de validación, pero solo del 78 % con el conjunto de datos de prueba independiente. ¿Qué conclusiones son adecuadas?
- ¿Qué ejemplos pertenecen a los hiperparámetros del modelo y cuáles a los hiperparámetros del algoritmo?
- Un modelo de procesamiento de imágenes debe integrarse en el software de un vehículo. ¿Qué afirmaciones sobre la integración son correctas?
- Un modelo lleva meses funcionando en producción; su precisión va cayendo gradualmente por debajo del criterio de aceptación. ¿Qué debería ocurrir a continuación?
- Un modelo se ha probado con éxito y ahora se reconvierte para un sistema embebido. ¿Qué se necesita después?
- Un clasificador de variedades de manzana debe adaptarse mediante fine-tuning. ¿Qué tareas de destino probablemente funcionarán bien y cuáles peor?
- Una empresa quiere que un LLM responda preguntas sobre manuales internos sin modificar el propio modelo. ¿Qué se recomienda y qué hay que tener en cuenta?
- ¿Qué afirmaciones sobre la relación entre el fine-tuning y RAG son correctas?
Datos para el aprendizaje automático
- Un modelo de detección de fraude se entrenó con datos de Europa y ahora se utiliza en Asia, con patrones de transacciones notablemente distintos. ¿Cuál es la consecuencia?
- ¿Qué tareas pertenecen a la ingeniería de características?
- ¿Qué afirmaciones sobre el desarrollo de la preparación de datos son correctas?
- Un equipo añade deliberadamente ejemplos adversarios a los datos de entrenamiento de un clasificador de imágenes. ¿Cómo debe clasificarse esto?
- Un equipo solo dispone de unos cientos de registros. ¿Qué pasos son habituales en estos casos?
- Los datos son tan escasos que no es posible un conjunto de prueba de reserva; solo se informa de la media de la validación cruzada. ¿Cómo debe valorarse este valor?
- Un conjunto de datos está muy desequilibrado (pocos casos de fraude). ¿Cómo deben formarse los pliegues en la validación cruzada de k iteraciones?
- ¿Qué otros métodos de remuestreo para datos escasos existen además de la validación cruzada de k iteraciones?
- ¿Por qué deben ser equivalentes los conjuntos de datos de entrenamiento, validación y prueba?