ISTQB CT-AI

Aprendizaje automático y datos

60 preguntas

Fácil

Introducción al aprendizaje automático

  1. ¿En qué tres formas pueden clasificarse los algoritmos de ML?
  2. Un modelo debe clasificar correos electrónicos como spam o no spam. ¿Qué tipo de problema es?
  3. Un modelo debe estimar la edad de una persona a partir de datos de su estilo de vida. ¿Qué tipo de problema es?
  4. ¿En qué se diferencia el término "regresión" en el contexto del ML de su significado en las pruebas de software clásicas?
  5. ¿Qué retroalimentación recibe un agente inteligente por sus acciones en el aprendizaje por refuerzo?
  6. ¿Qué ocurre en la primera actividad del flujo de trabajo de ML, "comprender los objetivos"?
  7. ¿Qué parámetros se denominan hiperparámetros del modelo?
  8. ¿Qué conjunto de datos se utiliza para valorar el modelo en la actividad "evaluar el modelo"?
  9. ¿Qué tres actividades componen conjuntamente la "generación del modelo"?
  10. ¿Cómo se aplica en la práctica el flujo de trabajo de ML?
  11. ¿Qué se entiende por fine-tuning?
  12. ¿Qué significa la abreviatura RAG?
  13. ¿Qué ocurre con el modelo preentrenado en RAG?

Datos para el aprendizaje automático

  1. ¿Cuánto esfuerzo requiere la preparación de los datos en el flujo de trabajo de ML en comparación con otros pasos?
  2. ¿Qué tres actividades principales comprende la preparación de los datos?
  3. ¿Qué técnicas se utilizan típicamente para rellenar valores faltantes durante la limpieza de datos (imputación)?
  4. ¿Cuál es el objetivo del análisis exploratorio de datos (EDA)?
  5. ¿Para qué se utiliza el conjunto de datos de validación?
  6. ¿Cómo se denomina también el conjunto de datos de prueba?
  7. ¿Qué valores de k son habituales en la validación cruzada de k iteraciones (k-fold)?

Medio

Introducción al aprendizaje automático

  1. 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?
  2. ¿Qué desafíos implica el aprendizaje por refuerzo?
  3. ¿De qué depende la elección de la forma de ML (supervisado, no supervisado, por refuerzo)?
  4. ¿Qué parámetros se denominan hiperparámetros del algoritmo?
  5. ¿Qué comprende la actividad "preparar y probar los datos" en el flujo de trabajo de ML?
  6. ¿Cómo se encuentra normalmente el mejor modelo en la práctica?
  7. ¿Qué hay que hacer si el modelo rinde claramente peor con el conjunto de datos de prueba independiente que durante la evaluación?
  8. ¿Quién realiza normalmente las pruebas del modelo en el flujo de trabajo de ML?
  9. ¿Qué ocurre en la actividad "desplegar el modelo"?
  10. ¿Qué implica la actividad "monitorizar y ajustar el modelo"?
  11. ¿Qué no está incluido en el flujo de trabajo de ML mostrado, pero normalmente hay que hacer además?
  12. ¿A qué partes de una red neuronal se puede aplicar el ajuste fino?
  13. ¿De qué depende principalmente el éxito del ajuste fino?
  14. ¿Qué ocurre con los sesgos y las vulnerabilidades de un modelo preentrenado cuando se adapta a una nueva tarea?
  15. ¿Cómo funciona RAG?

Datos para el aprendizaje automático

  1. ¿Qué tareas pertenecen a la adquisición de datos?
  2. ¿Qué tareas pertenecen al preprocesamiento de datos?
  3. ¿Por qué deben coincidir los datos operativos con las características de los datos de entrenamiento?
  4. ¿Qué factores determinan la cantidad de datos usados para entrenamiento, evaluación y pruebas cuando hay datos suficientes?
  5. ¿Cómo funciona la validación cruzada de k iteraciones (k-fold)?

Difícil

Introducción al aprendizaje automático

  1. ¿Qué asociaciones entre tarea y forma de ML son correctas?
  2. Un probador lee en el informe de un proyecto de ML: "Regresión completada, error 3,2 años". ¿Cómo se entiende esto con mayor probabilidad?
  3. 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?
  4. 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?
  5. ¿Qué ejemplos pertenecen a los hiperparámetros del modelo y cuáles a los hiperparámetros del algoritmo?
  6. Un modelo de procesamiento de imágenes debe integrarse en el software de un vehículo. ¿Qué afirmaciones sobre la integración son correctas?
  7. Un modelo lleva meses funcionando en producción; su precisión va cayendo gradualmente por debajo del criterio de aceptación. ¿Qué debería ocurrir a continuación?
  8. Un modelo se ha probado con éxito y ahora se reconvierte para un sistema embebido. ¿Qué se necesita después?
  9. Un clasificador de variedades de manzana debe adaptarse mediante fine-tuning. ¿Qué tareas de destino probablemente funcionarán bien y cuáles peor?
  10. 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?
  11. ¿Qué afirmaciones sobre la relación entre el fine-tuning y RAG son correctas?

Datos para el aprendizaje automático

  1. 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?
  2. ¿Qué tareas pertenecen a la ingeniería de características?
  3. ¿Qué afirmaciones sobre el desarrollo de la preparación de datos son correctas?
  4. Un equipo añade deliberadamente ejemplos adversarios a los datos de entrenamiento de un clasificador de imágenes. ¿Cómo debe clasificarse esto?
  5. Un equipo solo dispone de unos cientos de registros. ¿Qué pasos son habituales en estos casos?
  6. 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?
  7. Un conjunto de datos está muy desequilibrado (pocos casos de fraude). ¿Cómo deben formarse los pliegues en la validación cruzada de k iteraciones?
  8. ¿Qué otros métodos de remuestreo para datos escasos existen además de la validación cruzada de k iteraciones?
  9. ¿Por qué deben ser equivalentes los conjuntos de datos de entrenamiento, validación y prueba?

Certificaciones y exámenes

¿Qué examen viene después?

Ya puedes practicar 51 exámenes y 16 están en votación. Mira todas las certificaciones con información oficial, vota o propón tu examen.

Ver todas las certificaciones