Explícalo con tus palabras
Saber elegir la alternativa correcta no es lo mismo que entender. Si puedes explicar una idea con tus palabras, la dominas; si no, sabes exactamente qué repasar. Este es el método de estudio más efectivo para preguntas de desarrollo.
- Lee la pregunta y escribe tu explicación sin mirar la teoría (aunque sea incompleta).
- Pulsa Comparar: aparece una respuesta modelo y una lista de puntos clave.
- Marca los puntos que tu respuesta sí cubría. Una tarjeta queda en verde si cubriste al menos el 75%.
- Las que queden en rojo: repasa el tema (enlace «repasar →») y vuelve a intentarlo en un par de días.
Tus respuestas y marcas se guardan en este navegador.
Explícalo con tus palabras
0/28 respondidas · cobertura 0%¿Por qué nunca se evalúa un modelo con los datos con que se entrenó, y para qué sirve tener validación y test?
Define aprendizaje según Mitchell y aplícalo a un ejemplo propio.
¿Por qué los mínimos cuadrados elevan los residuales al cuadrado y no los suman tal cual?
Explica la interpretación geométrica de la solución de mínimos cuadrados.
¿Cuándo usarías descenso de gradiente en vez de la solución cerrada? ¿Por qué hay que estandarizar?
Un ajuste polinómico de grado 9 da una curva muy ondulada. ¿Por qué se sigue llamando regresión lineal?
Explica el trade-off sesgo–varianza con un ejemplo.
¿Por qué el lasso produce pesos exactamente cero y ridge no?
¿Cómo eliges λ correctamente y qué errores debes evitar?
¿Por qué la regresión logística usa la sigmoide? ¿Es una elección arbitraria?
¿Por qué se entrena la logística con cross-entropy y no con error cuadrático?
¿Por qué la accuracy puede engañar? ¿Qué métricas usarías y cuándo?
¿Qué pasa con precision y recall si bajas el umbral de decisión?
Diferencia entre modelo generativo y discriminativo. ¿Cuándo preferirías cada uno?
Un test con 80% de sensibilidad da positivo. ¿Por qué la probabilidad de estar enfermo puede ser solo 21%?
¿Qué supone Naive Bayes, por qué funciona aunque sea falso y para qué sirve el suavizado de Laplace?
¿Por qué LDA da una frontera lineal y QDA una cuadrática?
¿Qué maximiza el SVM y por qué el problema es min ½‖w‖²?
Explica qué son los vectores de soporte y por qué solo ellos definen la frontera.
¿Qué hace el parámetro C? ¿C grande es más o menos regularización?
Relaciona el SVM de margen suave con la receta «pérdida + penalización».
¿Qué es el truco del kernel y por qué funciona en el SVM?
¿Qué condición debe cumplir una función para ser kernel? ¿Qué efecto tiene γ en el RBF?
¿Qué dice el teorema del representante y cómo se usa en kernel ridge?
¿Qué son Gini y entropía, y por qué no se usa el error rate para crecer el árbol?
Describe el algoritmo CART y su principal limitación como búsqueda.
¿Cómo funciona la poda por costo-complejidad?
¿Cuál es la principal debilidad de un árbol y cómo se arregla?