Crear actividad
Ico create Educaplay Crear actividad
Todas las actividades
Jugar Test
1. 
El proceso de minería involucra ajustar modelos o determinar patrones a partir de datos.
A.
Data Mining
B.
Ingeniería Inversa
2. 
En general, el proceso de la minería de datos itera a través de cinco pasos básicos: ¿Cuales son?
A.
Selección de datos: consiste en buscar el objetivo y las herramientas del proceso de minería, identificando los datos a ser extraídos, buscando los atributos apropiados de entrada y la información de salida para representar la tarea. Las comprobaciones básicas deben incluir el tipo de consistencia, la validez de rangos, etc. Un sistema de minería de datos puede ser utilizado para este propósito; se pueden buscar patrones generales y reglas en las bases de datos que identifiquen valores irregulares que no cumplen las reglas establecidas.
B.
Trasformación de datos: las operaciones de transformación incluyen organizar los datos en la forma deseada, convirtiendo un tipo de datos en otro -por ejemplo de simbólico a numérico-, definiendo nuevos atributos, reduciendo la dimensionalidad de los datos, removiendo ruidos, outliers, normalizando, decidir estrategias para manejar datos perdidos.
C.
Minería de datos: los datos trasformados son minados, utilizando una o más técnicas para extraer patrones de interés.
D.
Interpretación de resultados y validación: para comprender el significado del conocimiento extraído y su rango de validez, la aplicación de minería de datos prueba su robustez, utilizando métodos de validación establecidos y probándolo con datos diferentes a los utilizados para crear el modelo. Lo que se hace generalmente es dividir los datos en una serie para trabajo y otra, para validación. Solo la serie de trabajo es utilizada para evaluar la habilidad del modelo desarrollado. La información extraída es también valorada -más subjetivamente-, comparándola con experiencias anteriores.
E.
Incorporación del conocimiento descubierto: presentación de los resultados del modelo para poder comprobar o resolver conflictos con creencia o resultados anteriores y aplicar el nuevo modelo.
F.
Minería de datos: presentación de los resultados del modelo para poder comprobar o resolver conflictos con creencia o resultados anteriores y aplicar el nuevo modelo.
3. 
Seleccionar las aseveraciones falsas.
A.
Para obtener la información necesaria hemos de partir de una materia prima: los datos. Éstos se encuentran hoy en día disponibles en grado superlativo gracias a la facilidad de captación, transmisión y gestión de los mismos que ofrecen las tecnologías de la información (Leverick et al., 1997; Talvinen, 1995). Sin embargo, es la transformación de los datos en información y la aplicación de ésta al negocio lo que generará valor para la empresa (Dhar y Stein, 1997: 11; Stair y Reynolds, 2000).
B.
Para obtener la información necesaria no hemos de partir de una materia prima: los datos. Éstos se encuentran hoy en día disponibles en grado superlativo gracias a la facilidad de captación, transmisión y gestión de los mismos que ofrecen las tecnologías de la información (Leverick et al., 1997; Talvinen, 1995). Sin embargo, es la transformación de los datos en información y la aplicación de ésta al negocio lo que generará valor para la empresa (Dhar y Stein, 1997: 11; Stair y Reynolds, 2000).
C.
Para borrar la información necesaria hemos de partir de una materia prima: los datos. Éstos se encuentran hoy en día disponibles en grado superlativo gracias a la facilidad de captación, transmisión y gestión de los mismos que ofrecen las tecnologías de la información (Leverick et al., 1997; Talvinen, 1995). Sin embargo, es la transformación de los datos en información y la aplicación de ésta al negocio lo que generará valor para la empresa (Dhar y Stein, 1997: 11; Stair y Reynolds, 2000).
D.
Para obtener la información necesaria hemos de partir de una materia prima: los datos. Éstos se encuentran hoy en día disponibles en grado superlativo gracias a la facilidad de captación, transmisión y gestión de los mismos que ofrecen las tecnologías de la información (Leverick et al., 1997; Talvinen, 1995). Sin embargo, es la transformación de los datos en información y la aplicación de ésta al negocio lo que generará valor para la colonia (Dhar y Stein, 1997: 11; Stair y Reynolds, 2000).
4. 
En el ámbito industrial, una de las principales aplicaciones más interesantes del proceso de minería de datos es el modelado de:
5. 
Una de las características muy común de los procesos industriales es el constante y rápido crecimiento del almacenamientos de datos, es decir que día a día se dispone de un mayor volumen de datos que datos históricos que contienen información de dichos procesos productivos; de esta manera, al aumentar la cantidad de datos almacenados, la capacidad para asimilarlo disminuye, por lo que se hace necesario el uso de herramientas que permitan extraer conocimiento útil.
A.
Por eso es útil la minería de datos.
B.
Por eso ya no es útil la minería de datos.
6. 
Definir el ámbito del problema, definir las métricas por las que se evaluará el modelo y definir los objetivos concretos del proyecto de minería de datos. ¿Qué tipo de preguntas debería plantearse?
A.
¿Qué está buscando? ¿Qué tipos de relaciones intenta buscar?
B.
¿Refleja el problema que está intentando resolver las directivas o procesos de la empresa?
C.
¿Desea realizar predicciones a partir del modelo de minería de datos o solamente buscar asociaciones y patrones interesantes?
D.
¿Qué resultado o atributo desea predecir?
E.
¿Qué tipo de datos tiene y qué tipo de información hay en cada columna? En caso de que haya varias tablas, ¿cómo se relacionan? ¿Necesita limpiar, agregar o procesar los datos antes de poder usarlos?
F.
¿Cómo se distribuyen los datos? ¿Los datos son estacionales? ¿Los datos representan con precisión los procesos de la empresa?
7. 
La limpieza de datos no solamente implica quitar los datos no válidos o interpolar valores que faltan, sino también buscar las correlaciones ocultas en los datos, identificar los orígenes de datos que son más precisos y determinar qué columnas son las más adecuadas para el análisis. Por ejemplo:
A.
¿debería utilizar la fecha de envío o la fecha de pedido?
B.
¿Qué influye más en las ventas: la cantidad, el precio total o un precio con descuento?
8. 
Debe conocer los datos para tomar las decisiones adecuadas al crear los modelos de minería de datos.
A.
Sí
B.
No
9. 
Un modelo de minería de datos simplemente es un contenedor que especifica las columnas que se usan para la entrada, el atributo que está prediciendo y parámetros que indican al algoritmo cómo procesar los datos.
A.
Cierto
B.
Falso
10. 
Una vez que los modelos de minería de datos se encuentran en el entorno de producción, puede llevar acabo diferentes tareas, dependiendo de sus necesidades. ¿Cuales de las siguientes son algunas de las tareas que puede realizar?
A.
Use los modelos para crear predicciones que luego podrá usar para tomar decisiones comerciales.
B.
Crear consultas de contenido para recuperar estadísticas, reglas o fórmulas del modelo.
C.
Incrustar la funcionalidad de minería de datos directamente en una aplicación. Puede incluir Objetos de administración de análisis (AMO), que contiene un conjunto de objetos que la aplicación pueda utilizar para crear, cambiar, procesar y eliminar estructuras y modelos de minería de datos.
D.
Utilizar Integration Services para crear un paquete en el que se utilice un modelo de minería de datos para dividir de forma inteligente los datos entrantes en varias tablas. Por ejemplo, si una base de datos se actualiza continuamente con clientes potenciales, puede utilizar un modelo de minería de datos junto con Integration Services para dividir los datos entrantes en clientes que probablemente compren un producto y clientes que probablemente no compren un producto.
11. 
Es aquella disciplina moderna que forma parte de la Inteligencia Artificial y cuyo fin es el diseño y desarrollo de Sistemas Expertos. Para esto, se apoya en metodologías instruccionales y en las ciencias de la computación y de las tecnologías de la información, intentando representar el conocimiento y razonamiento humanos en un determinado dominio, dentro de un sistema artificial.
A.
Ingeniería del conocimiento.
B.
Geometria combinatoria
C.
Modelado
D.
La cintemática
12. 
Desde el punto de vista de la Inteligencia Artificial(IA), el conocimiento se puede interpretar como la combinación de esquemas o estructuras de datos y procedimientos interpretativos que confieren algún comportamiento inteligente y está formado por hechos, conceptos, procedimientos, ideas abstracciones, reglas y asociaciones utilizadas para modelar el mundo real.
A.
Cierto
B.
Falso
13. 
Especialista informático que tiene los conocimientos profundos sobre el desarrollo y ejecución de sistemas basado en el conocimiento de un sistema experto, debe conocer las herramientas de su desarrollo, estrategias efectivas de comunicación y contar con conocimientos mínimos de psicología, para poder interpretar las expresiones y manifestaciones del experto humano.
A.
Ingeniero del conocimiento
B.
Cualquier ingeniero
14. 
Tiene que ver con la adquisición, representación, validación, inferenciación, explicación y mantenimiento del conocimiento.
A.
Ingeniería del conocimiento.
B.
Ingeniería Inversa
15. 
Se asocia como rama de la Inteligencia Artificial (IA), debido a que esta “relacionada con la adquisición, representación y el procesamiento del conocimiento”, estrechamente vinculada con el desarrollo de sistemas de software en donde el conocimiento y razonamiento tienen un papel fundamental.
A.
Ingeniería del conocimiento.
B.
Ingeniería Inversa
16. 
¿Que observa en la imágen?
A.
Las estapas de la adquisición del conocimiento
B.
Las estapas de la adquisición del dato