ISTQB CT-AI

Métricas de ML y redes neuronales

60 preguntas

Fácil

Métricas de rendimiento funcional de ML

  1. ¿Qué cuatro situaciones distingue una matriz de confusión en una clasificación?
  2. ¿Qué significa un falso positivo (FP) para un filtro de spam si "spam" es la clase positiva?
  3. ¿Cómo se calcula la exactitud (accuracy)?
  4. ¿Cómo se calcula la precisión (precision)?
  5. ¿Cómo se calcula la exhaustividad (recall)?
  6. ¿Qué otro nombre se utiliza para la exhaustividad (recall)?
  7. ¿Cómo se define el F1-score?
  8. Un clasificador produce TP = 40, TN = 50, FP = 5 y FN = 5. ¿Cuál es la exactitud?
  9. Un modelo ha predicho 40 casos como positivos, de los cuales 30 son realmente positivos. ¿Cuál es la precisión?
  10. Un conjunto de datos de prueba contiene 50 casos realmente positivos, de los cuales el modelo identifica 45 como positivos. ¿Cuál es la exhaustividad?
  11. ¿Por qué un modelo de clasificación rara vez predice todo correctamente en todo momento?

Redes neuronales

  1. ¿Qué tres tipos principales de capas tiene una red neuronal profunda?
  2. ¿Para qué se puede utilizar un perceptrón de una sola capa?
  3. ¿Cómo se denominan también las neuronas de las capas ocultas?
  4. ¿Qué es una época (epoch) al entrenar una red neuronal?
  5. ¿Cómo se inicializan típicamente los pesos y los valores de sesgo de una red neuronal al comienzo del entrenamiento?
  6. ¿Por qué se necesitan medidas de cobertura especiales para las redes neuronales?
  7. ¿Qué mide la cobertura de neuronas (neuron coverage)?
  8. ¿Cuál es la situación respecto a las herramientas comerciales para las medidas de cobertura de redes neuronales?
  9. ¿Cuál es la tarea de la capa de salida de una red neuronal?

Medio

Métricas de rendimiento funcional de ML

  1. Un clasificador da TP = 80, FP = 20, FN = 40 y TN = 860. ¿Cuáles son la precisión (precision) y la exhaustividad (recall)?
  2. Un modelo alcanza una precision del 80 % y un recall del 60 %. ¿Cuál es la puntuación F1 (redondeada)?
  3. Un clasificador da TP = 90, FP = 30, FN = 10 y TN = 70. ¿Qué valores son correctos?
  4. ¿Qué pregunta responde la precision?
  5. ¿Qué significa una puntuación F1 baja?
  6. Un modelo para la detección precoz del cáncer debe pasar por alto el menor número posible de casos reales de la enfermedad. ¿Qué métrica es la prioritaria?
  7. Un filtro de spam debe clasificar por error como spam el menor número posible de correos importantes. ¿Qué métrica (spam = positivo) es la prioritaria?
  8. ¿Qué rango de valores tiene la puntuación F1?
  9. Un modelo da TP = 45, FP = 5, FN = 15 y TN = 35. ¿Qué valores son correctos?
  10. ¿Qué afirmación sobre la presentación de la matriz de confusión es correcta?
  11. Un modelo da TP = 60, FP = 40, FN = 20 y TN = 880. ¿Cuál es la accuracy?

Redes neuronales

  1. ¿Cómo calcula una neurona (después de la capa de entrada) su valor de activación?
  2. ¿Qué ocurre durante el entrenamiento con el error (loss) entre la salida generada y el resultado correcto conocido?
  3. ¿Qué afirmaciones sobre el sesgo (bias) de una neurona son correctas?
  4. ¿Cómo procesa una red neuronal profunda los datos de entrada de camino a la salida?
  5. ¿Cómo se relacionan las redes totalmente conectadas y los perceptrones?
  6. ¿Cómo funciona la cobertura de neuronas por k secciones (k-multisection neuron coverage, kMNC)?
  7. ¿Qué mide la cobertura de límites de neuronas (neuron boundary coverage, NBC)?
  8. ¿Para qué se usan principalmente las medidas de cobertura en las redes neuronales?
  9. ¿Por qué la cobertura estructural por sí sola no basta para evaluar una red neuronal?

Difícil

Métricas de rendimiento funcional de ML

  1. De 1.000 transacciones, 10 son fraudulentas. Un modelo clasifica todas las transacciones como "no fraude" (fraude = positivo). ¿Qué afirmaciones son correctas?
  2. Un modelo arroja TP = 8, FP = 2, FN = 2 y TN = 988 para 1.000 casos. ¿Qué valores son correctos?
  3. El modelo A alcanza una precisión del 90 % y una exhaustividad del 50 %; el modelo B, una precisión del 70 % y una exhaustividad del 70 %. ¿Qué modelo tiene la puntuación F1 más alta?
  4. Un modelo clasifica como positivos los 1.000 casos; 50 son realmente positivos. ¿Qué valores resultan?
  5. Un modelo alcanza una exhaustividad del 90 %. El conjunto de datos de prueba contiene 200 casos realmente positivos. ¿Cuántos de ellos pasó por alto el modelo?
  6. Un modelo ha predicho 50 casos como positivos y alcanza una precisión del 80 %. ¿Cuántas falsas alarmas (falsos positivos) contiene?
  7. Se presenta una matriz de confusión con los ejes intercambiados: fila "realmente positivo": 70 predichos positivos, 30 predichos negativos; fila "realmente negativo": 10 predichos positivos, 890 predichos negativos. ¿Qué valores son correctos?
  8. En la detección de fraude, tanto los casos de fraude omitidos como las falsas alarmas son costosos. ¿Qué métrica es adecuada como criterio resumen único?
  9. Un modelo arroja TP = 50, FP = 50, FN = 0 y TN = 900. ¿Qué valores son correctos?

Redes neuronales

  1. ¿Qué función lógica puede aprender un perceptrón de una sola capa?
  2. ¿En qué orden se realizan los pasos del entrenamiento de una red neuronal?
  3. Dos redes por lo demás idénticas se diferencian solo en su función de activación. ¿Qué se deduce de ello?
  4. ¿Qué afirmaciones sobre las redes neuronales profundas son correctas?
  5. Una red tiene 200 neuronas. Durante las pruebas, la salida de 150 neuronas supera el umbral especificado. ¿Cuál es la cobertura de neuronas?
  6. Una red tiene 10 neuronas cuyos rangos de salida se dividen cada uno en k = 4 secciones. Durante las pruebas se activan 28 secciones. ¿Cuál es el kMNC?
  7. En una red con 50 neuronas, la salida de 5 neuronas durante las pruebas queda fuera del rango observado en el entrenamiento (por encima del máximo o por debajo del mínimo). ¿Qué medida con qué valor resulta?
  8. Un conjunto de pruebas alcanza el 100 % de cobertura de neuronas y, aun así, el modelo falla en campo con imágenes ligeramente rotadas. ¿Qué explicaciones y consecuencias hay?
  9. La evaluación de las pruebas muestra que un grupo de neuronas de una capa oculta nunca se activa. ¿Cómo debe reaccionar un probador?
  10. Un equipo quiere comprobar si sus pruebas cubren también el comportamiento más allá de las salidas de neuronas observadas en el entrenamiento. ¿Qué medida de cobertura encaja mejor?
  11. Un responsable de pruebas quiere usar la cobertura clásica de sentencias y de ramas como medida principal para una red neuronal. ¿Qué se opone a ello?

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