Desafío de Entrevista en Ciencia de Datos

Contenido del Curso

Desafío de Entrevista en Ciencia de Datos

Desafío de Entrevista en Ciencia de Datos

1. Python

Introducción Desafío 1: Comprensión de Listas Desafío 2: Manipulación de Cadenas Desafío 3: Manipulación de Diccionarios Desafío 4: Bucles Anidados Desafío 5: Clases Preguntas Teóricas

2. NumPy

Desafío 1: Creación de Arreglo Desafío 2: Manipulación de Arreglos Desafío 3: Perspectivas Estadísticas Desafío 4: Manejo de Valores Ausentes Reto 5: Ordenamiento de Subarreglos Preguntas Teóricas

3. Pandas

Desafío 1: Creación de DataFrame Desafío 2: Agrupación de Datos Desafío 3: Indexación y MultiIndexación Desafío 4: Modificando DataFrame Desafío 5: Iterando Sobre Datos Preguntas Teóricas

4. Matplotlib

Desafío 1: Fundamentos de Trazado Desafío 2: Otros Tipos de Gráficos Desafío 3: Subtramas Desafío 4: Personalización de Gráficos Desafío 5: Añadir Texto a las Gráficas Preguntas Teóricas

5. Seaborn

Reto 1: Visualización de Distribuciones Desafío 2: Explorando Datos Categóricos Desafío 3: Gráficos Relacionales Reto 4: Gráficos de Regresión Desafío 5: Gráficos de Matrices Preguntas Teóricas

6. Estadísticas

Desafío 1: Probabilidades y Distribuciones Desafío 2: Teorema de Bayes Desafío 3: Pruebas de Hipótesis Desafío 4: Intervalos de Confianza Desafío 5: Correlación Preguntas Teóricas

7. Scikit-learn

Desafío 1: Escalado de Datos Reto 2: Creación de un Modelo Básico Desafío 3: Tuberías Desafío 4: Validación cruzada Desafío 5: Ajuste de Hiperparámetros Preguntas Teóricas

Preguntas Teóricas

1. ¿Cómo se gestiona el sobreajuste en un modelo?

2. Explicar el equilibrio entre sesgo y varianza.

3. ¿Qué es la parada temprana en el contexto del entrenamiento de un modelo?

4. ¿Cómo gestionaría los conjuntos de datos desequilibrados?

5. ¿Cuál de las siguientes opciones describe mejor la diferencia entre normalización de datos y escalado?

6. ¿Cómo funciona la validación cruzada?

7. ¿Qué afirmación describe mejor la diferencia entre precisión y recuperación?

8. ¿Qué tipo de modelos utiliza el método bagging ensemble?

9. ¿Cómo funciona un algoritmo Random Forest?

10. ¿Cuál de los siguientes no es un método de conjunto?

11. ¿En qué caso es más importante una alta recuperación que una alta precisión?

¿Cómo se gestiona el sobreajuste en un modelo?

Select the correct answer

Aumento de la cantidad de datos de formación.

Utilizando el aumento de datos.

Utilizando modelos muy complejos.

Mediante una técnica de regularización.

Explicar el equilibrio entre sesgo y varianza.

Select the correct answer

Se trata de elegir el número óptimo de clusters en KMeans.

Es el equilibrio entre la flexibilidad de un modelo y su capacidad de generalización a datos desconocidos.

Es el compromiso entre la regularización L1 y L2.

Es la decisión entre parar antes de tiempo o entrenar durante más épocas.

¿Qué es la parada temprana en el contexto del entrenamiento de un modelo?

Select the correct answer

Es una técnica de regularización que afecta a la magnitud de los coeficientes.

Se trata de un método para evitar el sobreajuste mediante la finalización del entrenamiento una vez que se cumple una determinada condición, a menudo cuando la pérdida de validación comienza a aumentar.

Es una técnica para equilibrar conjuntos de datos.

¿Cómo gestionaría los conjuntos de datos desequilibrados?

Select the correct answer

Utilizando técnicas de regularización L1 o L2.

Con paradas tempranas durante el entrenamiento.

Utilizando métodos como el sobremuestreo, el submuestreo o la generación de datos sintéticos.

Añadiendo pesos a las clases.

¿Cuál de las siguientes opciones describe mejor la diferencia entre normalización de datos y escalado?

Select the correct answer

La normalización consiste en hacer que los datos sigan una distribución gaussiana, mientras que el escalado ajusta el rango de los datos.

El escalado implica convertir los datos a un rango entre 0 y 1, mientras que la normalización hace que los datos se centren en cero.

Tanto la normalización como el escalado ajustan el rango de datos entre 0 y 1.

¿Cómo funciona la validación cruzada?

Select the correct answer

Entrena el modelo en todo el conjunto de datos y luego lo prueba en el mismo conjunto de datos.

Divide el conjunto de datos en "k" particiones iguales y utiliza cada partición como conjunto de prueba, mientras que las partes restantes como conjunto de entrenamiento, iterando "k" veces.

Entrena el modelo una vez con un subconjunto aleatorio y lo prueba con los datos restantes.

Prueba el modelo "k" veces en el mismo conjunto de validación después de entrenarlo en todo el conjunto de datos.

¿Qué afirmación describe mejor la diferencia entre precisión y recuperación?

Select the correct answer

La precisión es el número de verdaderos positivos dividido por el número de verdaderos positivos más los falsos negativos, mientras que la recuperación es el número de verdaderos positivos dividido por el número de verdaderos positivos más los falsos positivos.

La precisión mide el número de predicciones correctas, mientras que la recuperación mide el número de predicciones falsas.

La precisión se centra en la exactitud de las predicciones positivas, mientras que la recuperación se centra en capturar el mayor número posible de positivos.

¿Qué tipo de modelos utiliza el método bagging ensemble?

Select the correct answer

Diferentes tipos de modelos para cada conjunto.

Modelos del mismo tipo para cada conjunto.

Exclusivamente para árboles de decisión.

Exclusivamente para redes neuronales poco profundas.

¿Cómo funciona un algoritmo Random Forest?

Select the correct answer

Construye múltiples árboles de decisión y promedia sus resultados.

Construye un único árbol de decisión con selección aleatoria de características.

Utiliza el azar para elegir la profundidad de un único árbol de decisión.

¿Cuál de los siguientes no es un método de conjunto?

Select the correct answer

Impulsar

Embolsado

Apilado

Escala

¿En qué caso es más importante una alta recuperación que una alta precisión?

Select the correct answer

Recomendar productos a los compradores en línea.

Filtrado de correo basura.

Diagnosticar una enfermedad rara y mortal.

Identificar anuncios adecuados para los usuarios en función de su historial de navegación.

¿Todo estuvo claro?

¿Cómo podemos mejorarlo?

¡Gracias por tus comentarios!

Sección 7. Capítulo 6

Lamentamos que algo salió mal. ¿Qué pasó?

some-alt