N° Sobre: ${sobre}

${codigo} - ${curso}
${tipoexamen}
${periodo}

Sede: ${sede}
Área: ${area}
Profesor: ${profesor}
Sección: ${seccion}
Fecha del examen: ${fecha} Duración: ${duracion}
Fila: ${fila} Hora programada: ${hora}
______________________________________________________________________________________

Indicaciones:
• No está permitido el uso de celulares; apáguelo y guárdelo.
• No está permitido el uso de apuntes, materiales de clase o separatas.
• La ortografía, claridad, redacción y limpieza serán tomadas en cuenta en la calificación.

Importante:
• Los alumnos tienen una tolerancia de 15 minutos para ingresar a rendir este examen.
Pasado este tiempo, no pueden ingresar.
• Una vez empezado el examen, los alumnos no pueden retirarse del aula sino hasta
después de los 15 minutos de haberse iniciado la evaluación.

Pregunta 1 ([4] puntos)

Cuál es la diferencia entre los modelos supervisados y no supervisados en Machine Learning, y qué tipo de
problemas puede resolver cada uno?

1. Aprendizaje Supervisado

Características

Entrenamiento con datos etiquetados: Los modelos supervisados requieren conjuntos de datos donde
cada entrada (características o variables independientes) está asociada con una etiqueta o resultado
deseado (variable dependiente). Por ejemplo, en un problema de clasificación, se proporcionan ejemplos
de datos junto con sus respectivas categorías.
Relación entrada-salida: El objetivo principal es aprender una función que mapee de manera precisa las
entradas a las salidas basándose en los ejemplos proporcionados.
Validación: Los modelos son evaluados mediante un conjunto de datos de prueba para verificar su
capacidad de generalización.

Ejemplos de algoritmos supervisados

Regresión lineal y logística:

Página 1 de 5
Plantilla Oficial
Regresión lineal: Se utiliza para predecir valores continuos, como el precio de una casa basado en su
tamaño y ubicación.

Regresión logística: Utilizada para problemas de clasificación binaria, como si un correo es spam o no.

Árboles de decisión y Random Forest:

Modelos que dividen los datos basándose en reglas jerárquicas. Útiles en problemas de clasificación y
regresión.

Redes neuronales:

Modelos complejos que imitan la estructura del cerebro humano, especialmente útiles para datos grandes
y no lineales, como imágenes, audio o texto.

Máquinas de soporte vectorial (SVM):

Modelos que buscan un hiperplano óptimo para separar clases en un espacio multidimensional.

K-Nearest Neighbors (KNN):

Clasifica una muestra basándose en las clases de sus vecinos más cercanos.

Aplicaciones prácticas del aprendizaje supervisado

Clasificación:

Diagnóstico médico: Identificar si un tumor es maligno o benigno.

Reconocimiento de imágenes: Clasificación de objetos o rostros.

Predicción:

Predicción de precios de mercado: Precio de acciones o bienes raíces.

Modelos de riesgo: Determinar la probabilidad de impago en un préstamo.

Procesamiento del lenguaje natural (NLP):

Clasificación de correos electrónicos como spam o no spam.

Detección de sentimientos en opiniones o reseñas.

2. Aprendizaje No Supervisado

Características

Entrenamiento con datos no etiquetados: A diferencia del aprendizaje supervisado, aquí no se

proporcionan etiquetas ni resultados esperados. Los modelos deben identificar patrones, relaciones o
estructuras subyacentes en los datos por sí mismos.

Exploración de datos: Es especialmente útil cuando no se tiene un conocimiento claro de las categorías o
clases en los datos.

Página 2 de 5
Plantilla Oficial
No existe una métrica de validación directa: La evaluación del modelo depende de criterios internos, como
la cohesión dentro de grupos o la separación entre ellos.

Ejemplos de algoritmos no supervisados

Clustering:

K-Means: Agrupa datos en un número predefinido de clústeres, basado en la proximidad en el espacio

multidimensional.

Clustering jerárquico: Construye una jerarquía de grupos, representada en un dendrograma.

DBSCAN (Density-Based Spatial Clustering): Identifica clústeres de alta densidad, ignorando puntos
atípicos.

Reducción de dimensionalidad:

PCA (Análisis de Componentes Principales): Simplifica la representación de datos preservando la mayor

cantidad de variabilidad posible.

t-SNE: Visualiza datos en un espacio reducido (2D o 3D) para comprender estructuras complejas.

Modelos de asociación:

Apriori y FP-Growth: Encuentran reglas de asociación, como productos que tienden a comprarse juntos en
supermercados.

Autoencoders:

Redes neuronales diseñadas para aprender una representación comprimida (codificada) de los datos, útil
para tareas como detección de anomalías.

Aplicaciones prácticas del aprendizaje no supervisado

Segmentación de clientes:

En marketing, identificar grupos de consumidores con comportamientos similares para campañas

personalizadas.

Detección de anomalías:

Detectar fraudes en transacciones financieras o fallos en sistemas de monitoreo.

Compresión de datos:

Reducir el tamaño de imágenes o datos sin perder información esencial.

Exploración de datos genómicos:

Agrupación de genes con funciones similares o detección de variaciones genéticas significativas.

Recomendación de productos:

Encontrar relaciones entre productos para sugerencias personalizadas.

Página 3 de 5
Plantilla Oficial
Pregunta 2 ([4] puntos)
Explica cómo funciona una red neuronal artificial en el contexto del Deep Learning para la clasificación de
imágenes, e incluye un diagrama de flujo del proceso de entrenamiento.

Descripción Esperada: Detalla la estructura de una red neuronal artificial, incluyendo las capas de entrada,
ocultas y de salida. Describe el proceso de propagación hacia adelante (forward propagation) y
retropropagación (backpropagation) para el ajuste de pesos. Incluye un diagrama de flujo que ilustre las
etapas del entrenamiento, desde la entrada de datos, el procesamiento a través de las capas, el cálculo del
error, la retropropagación del error y la actualización de los pesos. Menciona aplicaciones específicas
como reconocimiento facial, diagnóstico médico por imágenes y sistemas de seguridad.

Pregunta 3 ([4] puntos)

¿Qué es el aprendizaje profundo (Deep Learning) y en qué se diferencia de los modelos tradicionales de
Machine Learning?

Descripción Esperada: Define el concepto de Deep Learning y explica cómo sus arquitecturas de múltiples
capas permiten la identificación de patrones complejos en grandes volúmenes de datos. Contrasta Deep
Learning con modelos tradicionales de Machine Learning en términos de capacidad de procesamiento,
estructura de red, necesidad de características manuales y escalabilidad. Proporciona ejemplos de
aplicaciones avanzadas de Deep Learning, como procesamiento de lenguaje natural, visión artificial y
traducción automática, comparándolos con aplicaciones típicas de Machine Learning tradicional.

Pregunta 4 ([4] puntos)

Describe los modelos inteligentes de optimización en Machine Learning y Deep Learning, incluyendo la
estructura del problema a minimizar, funciones objetivo, variables de decisión y restricciones. Además,
incluye un diagrama de alguno de los algoritmos de optimización utilizados.

Descripción Esperada:

Estructura del Problema a Minimizar: Explica cómo se formula un problema de optimización en el

contexto de entrenamiento de modelos, definiendo claramente la función objetivo que se busca
minimizar (por ejemplo, la función de pérdida).

Funciones Objetivo: Describe diferentes funciones objetivo utilizadas en Machine Learning y Deep
Learning, como el error cuadrático medio, la entropía cruzada, etc.

Variables de Decisión: Detalla las variables que se optimizan, típicamente los pesos y sesgos de la red
neuronal.

Restricciones: Menciona posibles restricciones en el problema de optimización, como regularización para

evitar el sobreajuste o límites en los valores de los pesos.

Página 4 de 5
Plantilla Oficial
Diagramas de Algoritmos de Optimización: Solicita la inclusión de un diagrama de flujo de un algoritmo de
optimización inteligente, como Adam, RMSprop o Algoritmo Genético. El diagrama debe ilustrar los pasos
clave del algoritmo, desde la inicialización de parámetros, cálculo de gradientes, actualización de pesos y
convergencia.

Ejemplo de Pregunta: "Describe los modelos inteligentes de optimización utilizados en Machine Learning y
Deep Learning. Incluye la estructura del problema a minimizar, definiendo claramente la función objetivo,
las variables de decisión y las restricciones aplicables. Además, proporciona un diagrama de flujo detallado
de un algoritmo de optimización inteligente, como Adam o Algoritmo Genético, explicando cada uno de
sus pasos."

Pregunta 5 ([4] puntos)

Presenta un resumen detallado de un proyecto de investigación reciente realizado por estudiantes,

mencionando el objetivo del estudio, la metodología empleada, los optimizadores inteligentes utilizados y
los resultados obtenidos.

Descripción Esperada: Solicita a los estudiantes que describan el propósito del proyecto de investigación,
incluyendo la pregunta o hipótesis principal. Detalla la metodología utilizada, como la recolección y
preprocesamiento de datos, el tipo de modelos predictivos empleados y los optimizadores inteligentes
seleccionados (por ejemplo, Adam, Enjambre de Partículas, Algoritmo Genético). Incluye un resumen de
los resultados obtenidos, destacando cómo los optimizadores inteligentes contribuyeron a mejorar la
precisión, eficiencia o cualquier otra métrica relevante del modelo. Además, pide que adjunten un
diagrama de flujo que ilustre el proceso metodológico completo del proyecto. NOTA: ENVIAR POR UTP
CLASS EL FORMATO FINAL DE TU ARTICULO DE INVESTIGACION.

Página 5 de 5
Plantilla Oficial