Examen Dataming Avanzado 2023

Examen Data Mining Avanzado 2022
_______________________________________________________________________________
Consigna:
▪ Se pueden armar grupos de hasta 5 alumnos. Es válido el examen individual
▪ Se debe entregar antes del 5/julio 2023
▪ Se debe detallar la fuente.
▪ Al corregir , es opción del profesor preguntar arbitrariamente a algún miembro del
grupo, por alguna explicación adicional a una determinada pregunta.
▪ La idea del examen es estimular un repaso general de los algoritmos vistos en la
materia, de manera de generar fijación de conceptos
▪ La entrega consiste en un archivo del tipo pdf, con el desarrollo de las preguntas
▪ Se espera que las preguntas sean contestadas con rigor, tanto en las expresiones como
descripciones. No deberían tener más de 4 hojas por pregunta.
▪ La nota se asignara en función de la calidad de los trabajos, normalizando las notas en
función del mejor examen.
______________________________________________________________________________
Ejercicio 1:
I. Dar la topología (dibujo y conexiones) y las funciones de activación convenientes para entrenar
una red que estime las probabilidades de pertenecer a cada una de tres clases en un problema
con 4 variables independientes.
II. ¿Qué aporta el modelo Radial Base a las redes Multilayer Perceptron?
III. Explique las diferencias esenciales entre Redes “Deep” y “Shallow”.
IV. Explique el concepto de “embedding” y autoencoder en el contexto de “Deep Learning”. De
ejemplos de uso.
V. De un tipo de red Neuronal que sirve para obtener clustering. La que elija, explique brevemente
como funciona.
VI. ¿Qué es una convolución y como aplica en las redes neuronales? De un diagrama de las distintas
capas de una red convolucional y explique.
VII. ¿Qué es una red neuronal recurrente clásica? ¿ Las redes LSTM en que se diferencian de las redes
recurrentes clásicas? De un diagrama de su topología y explíquela brevemente. Cantidad de
parámetros que utiliza en base a su configuración.
Ejercicio 2
Mencione y describa los tipos de VSM. Que parámetros externos necesita el algoritmo en su versión no
lineal separable. ¿Qué característica especial tiene VSM en relación al resto de los algoritmos de
Machine learning?
¿Como se adapta VSM clasificación, para poder usarlo como regresión?
Interprete la discusión del siguiente link brevemente:
http://stackoverflow.com/questions/11632516/what-are-advantages-of-artificial-neural-networks-over-
support-vector-machines
Ejercicio 3: Explique brevemente de que trata el campo de Statistical Learning Theory. Que indicador
muestra la complejidad de un data set usando el algoritmo SVM? Que es la capacidad de un algoritmo
y que manera heurística propone Vapnik–Chervonenkis para estimarla, dado un data set de 1000
observaciones con k variables – deje de lado el caso particular de SVM en el cual existe un forma
matemática de estimarla?
Ejercicio 4
Escriba el pseudocódigo de algoritmos genéticos. Explique brevemente las principales diferencia entre
AG binarios y reales. De 3 casos de aplicación de AG y sus respectivas fuentes (paper, autor, fecha),
con breve explicación. Como lo implementaría usando programas disponibles open-source (cita y breve
explicación).
Ejercicio 5:
Explique brevemente la utilización de Componente principal en Machine Learning. Investigue la
implicancia de utilizar Kernel en Componentes principales (citar fuentes y explique con sus palabras).
¿Que significa el “Truco del Kernel”. De ejemplos de los kernel más utilizados
¿Investigue que métodos se pueden utilizar para seleccionar el Kernel apropiado en un determinado
data set? Mencione fuentes y conclusiones brevemente.
Ejercicio 6
Análisis de supervivencia. Explique porque este enfoque es superior a los métodos de regresión para
estimar dias a un evento. Que tipos existen y que implementaciones en Python/R existen.
Ejercicio 7: Mencione las técnicas de pre-proceso que existen en clustering para visualizar la potencial
existencia de grupos. Explique brevemente 1 de ellas.
¿Habiendo aplicado alguna técnica de clustering y obteniendo los grupos finales, de qué manera puede
estimar que diferencias existen en los perfiles de los grupos obtenidos– Explicar los resultados-?
Explique en forma resumida las técnicas.
Ayuda: utilice el último capítulo de la guía de clustering (Assessment Clustering)
En que consiste el algoritmo t-sne. ¿para que se utiliza? De un ejemplo de implementación en Python.
¿Qué limitantes tiene? ¿Que ventajas tiene?
Ejercicio 8
Que diferencia existen entre el algoritmo Adaboost y Gradiente Boosting. Explique brevemente.
De una explicación intuitiva de cómo trabaja el Gradiente Boosting.
Ejercicio 9: Random Forest. Describir el algoritmo y su diferencia con el resto de los algoritmos de
ensamblaje. Describa los principales usos del algoritmo.
Ejercico 10
Muestre el clasificador final del algoritmo voted perceptron y explique sus parámetros. Escriba el
pseudocódigo del mencionado algoritmo. Elija un data set y corra VSM No lineal y Voted Perceptron
con algún kernel que seleccione. Compare los resultados (Use R y eventualmente el Excel que se vio en
clase)

Examen Dataming Avanzado 2023

Cargado por

Copyright:

Formatos disponibles

Examen Dataming Avanzado 2023

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Examen Dataming Avanzado 2023

Cargado por

Copyright:

Formatos disponibles

Examen Data Mining Avanzado 2022

También podría gustarte