Adivinanzas de Ciencia de Datos

Adivinanza

Jugadas 0

Crear copia

Sobre esta actividad

Desafíos para pensar como científico de datos

Creada por

Felipe Sebastián Goyes Carpio

Ecuador

Descarga la versión para jugar en papel

Top 10 resultados

Todavía no hay resultados para este juego. ¡Sé el primero en aparecer en el ranking! Inicia sesión para identificarte.

Crea tu propio juego gratis desde nuestro creador de juegos

Compite contra tus amigos para ver quien consigue la mejor puntuación en esta actividad

Crear reto

		%
	Anónimo	%
		%
		%

Imprime tu juego

Adivinanzas de Ciencia de Datos


Adivinanzas de Ciencia de DatosVersión en línea Desafíos para pensar como científico de datos por Felipe Sebastián Goyes Carpio 1 1) Soy la colección de casos que utilizo para entrenar modelos. Me organizo en filas y columnas y, para el aprendizaje supervisado, la etiqueta da sentido a mi objetivo. ¿Qué soy? Pistas 1 Es la base sobre la que se construye un modelo. 2 No son solo números sueltos: están organizados y etiquetados en su contexto. 3 Pienso en todos los ejemplos que el algoritmo ve durante el aprendizaje. 2 2) En cada fila de mi mundo hay una serie de descripciones que caracterizan al caso, y su valor cambia de una columna a otra. ¿Qué soy? Pistas 1 Son las piezas que el modelo usa para aprender. 2 Ejemplos: edad, ingresos, temperatura. 3 Cada columna describe una propiedad del objeto estudiado. 3 3) Para evaluar la capacidad de generalización de un modelo, separo datos en dos grupos: uno para entrenar y otro para probar. ¿Qué conjunto es el de prueba? Pistas 1 Ayuda a estimar qué tan bien funcionará en datos nuevos. 2 No se usa para entrenar, solo para estimar rendimiento. 3 También se le llama phase de evaluación. 4 4) Si quiero predecir una cantidad continua, intento ajustar una relación mediante una recta que minimiza errores. ¿Qué método es este? Pistas 1 Se representa con una ecuación de la forma y = mx + b. 2 La idea es predecir una salida numérica. 3 Busca una relación lineal entre una o más variables predictoras y la respuesta. 5 5) Para evitar que el modelo aprenda solo de memoria de los datos de entrenamiento, aplico una técnica que penaliza soluciones complejas. ¿Qué concepto es este? Pistas 1 Ajusta la penalización durante el aprendizaje. 2 Puede ayudar a que el modelo generalice mejor. 3 Se trata de controlar la complejidad del modelo. 6 6) Quiero estimar el rendimiento del modelo de manera robusta, probando en varias particiones de datos. ¿Qué enfoque de validación utilizo? Pistas 1 Ayuda a evitar sesgos por una sola partición. 2 Entreno y evalúo varias veces para obtener una métrica estable. 3 Divido los datos en múltiples pliegues. 7 7) Sin usar etiquetas, descubro estructuras o grupos en los datos que comparten similitudes. ¿Qué técnica exploratoria es esta? Pistas 1 Ejemplos: k-means, jerárquico. 2 Permite revelar segmentos o patrones ocultos. 3 Busco similitudes sin saber la respuesta esperada. 8 8) Para que diferentes magnitudes numéricas no dominen el aprendizaje, transformo las características para que tengan escalas similares. ¿Qué proceso es este? Pistas 1 A veces se usa escalado entre 0 y 1. 2 Asegura que todas las características contribuyan de manera equilibrada. 3 Truco común para que una variable no pese más que otra.

Puedes integrar el juego en un LMS compatible con LTI 1.1 o LTI 1.3 como Canvas, Moodle, o Blackboard. De esta manera podrás guardar las puntuaciones automáticamente en el libro de calificaciones de esa plataforma.

Adivinanzas de Ciencia de Datos

Adivinanza

Sobre esta actividad

Creada por

Descarga la versión para jugar en papel

Top juegos

Adivinanza

¡Adivina el brawler 1!

Adivinanza

Criaturas fantásticas

Adivinanza

adivinador de adivinanzas

Adivinanza

Adivina la seleccion de futbol

Adivinanza

Adivina el jugador NBA

Adivinanzas de Ciencia de DatosVersión en línea

por Felipe Sebastián Goyes Carpio

1) Soy la colección de casos que utilizo para entrenar modelos. Me organizo en filas y columnas y, para el aprendizaje supervisado, la etiqueta da sentido a mi objetivo. ¿Qué soy?

Pistas

2) En cada fila de mi mundo hay una serie de descripciones que caracterizan al caso, y su valor cambia de una columna a otra. ¿Qué soy?

Pistas

3) Para evaluar la capacidad de generalización de un modelo, separo datos en dos grupos: uno para entrenar y otro para probar. ¿Qué conjunto es el de prueba?

Pistas

4) Si quiero predecir una cantidad continua, intento ajustar una relación mediante una recta que minimiza errores. ¿Qué método es este?

Pistas

5) Para evitar que el modelo aprenda solo de memoria de los datos de entrenamiento, aplico una técnica que penaliza soluciones complejas. ¿Qué concepto es este?

Pistas

6) Quiero estimar el rendimiento del modelo de manera robusta, probando en varias particiones de datos. ¿Qué enfoque de validación utilizo?

Pistas

7) Sin usar etiquetas, descubro estructuras o grupos en los datos que comparten similitudes. ¿Qué técnica exploratoria es esta?

Pistas

8) Para que diferentes magnitudes numéricas no dominen el aprendizaje, transformo las características para que tengan escalas similares. ¿Qué proceso es este?

Pistas