algoritmos

Question 1

¿Cuál es la mejor aplicación de la regresión lineal?

A) Detección de spam
B) Predicción de precios de casas
C) Reconocimiento facial
D) Agrupación de clientes

Answer 1

B

Question 2

¿Qué limita a la regresión logística?

A) No funciona con variables categóricas
B) Es débil con fronteras de decisión no lineales
C) No soporta conjuntos de datos binarios
D) Es demasiado lenta con pocos datos

Answer 2

B

Question 3

¿Cuál es una desventaja principal de los árboles de decisión?

A) Son difíciles de interpretar
B) Son muy lentos en entrenamiento
C) Tienden a sobreajustar y ser inestables
D) No sirven para regresión

Answer 3

C

Question 4

¿Cuál es una ventaja clave de los Random Forest frente a un árbol de decisión?

A) Mayor interpretabilidad
B) Evitan el sobreajuste gracias al bagging
C) Requieren menos datos
D) Son más rápidos en inferencia

Answer 4

B

Question 5

¿Cuál es un punto débil de los modelos de boosting?

A) No alcanzan alta precisión

B) Son muy interpretables

C) Pueden sobreajustar y requieren mucho tiempo de entrenamiento

D) No sirven para clasificación

Answer 5

C

Question 6

¿Cuál es un escenario típico donde usar un SVM?

A) Predicción de series temporales
B) Clasificación de imágenes con pocas dimensiones
C) Reconocimiento facial con datasets grandes
D) Reducción de dimensionalidad

Answer 6

C

Question 7

¿Por qué no es recomendable usar KNN en datasets muy grandes?

A) Porque no puede clasificar datos numéricos
B) Porque es lento al hacer predicciones
C) Porque solo funciona con datos textuales
D) Porque no soporta regresión

Answer 7

B

Question 8

Naive Bayes, ¿Cuál es una de sus principales suposiciones?

A) Las features son dependientes entre sí
B) Las features son independientes entre sí
C) Los datos deben ser numéricos
D) Siempre se entrena con árboles de decisión

Answer 8

B

Question 9

¿Cuándo NO es recomendable usar K-Means?

A) Cuando los clusters son esféricos
B) Cuando el número de clusters está bien definido
C) Cuando los datos forman clusters no esféricos
D) Cuando se necesita agrupación rápida

Answer 9

C

Question 10

¿Cuál es la utilidad principal de PCA?

A) Clasificar datos
B) Reducir la dimensionalidad conservando la mayor varianza
C) Detectar anomalías
D) Generar árboles de decisión

Answer 10

B

Question 11

¿Cuál es una limitación de las redes neuronales tradicionales (MLP)?

A) No pueden entrenarse con datos numéricos
B) Necesitan grandes cantidades de datos
C) Son muy interpretables
D) No se pueden paralelizar

Answer 11

B

Question 12

¿Para qué tipo de datos son ideales las CNN?

A) Datos de texto
B) Datos de audio
C) Datos de imagen y espaciales
D) Datos tabulares

Answer 12

C

Question 13

¿Cuál es la mayor limitación de las RNN clásicas?

A) No sirven para datos secuenciales
B) Son demasiado rápidas
C) El problema del gradiente desvanecido en secuencias largas
D) No funcionan con embeddings

Answer 13

C

Question 14

Transformers (BERT, GPT)- ¿Qué característica los hace superiores a las RNN?

A) Usan convoluciones en lugar de atenciones
B) Capturan dependencias largas gracias al mecanismo de atención
C) Requieren pocos datos
D) Son más interpretables

Answer 14

B

Question 15

Autoencoders-¿Cuál es una de sus aplicaciones más comunes?

A) Predicción de precios
B) Compresión y detección de anomalías
C) Clasificación de imágenes
D) Clustering esférico

Answer 15

B

Question 16

DBSCAN-¿Qué ventaja tiene sobre K-Means?

A) Es más interpretable
B) Puede encontrar clusters de formas arbitrarias y manejar ruido
C) Siempre requiere definir el número de clusters
D) Es más rápido en todos los casos

Answer 16

B

Question 17

¿Cuál es el algoritmo más adecuado para predecir precios de casas y por qué no se recomienda cuando los datos tienen fuerte no linealidad?

A) Árbol de Decisión
B) Regresión Lineal
C) Red Neuronal
D) Clustering de K-Means

Answer 17

B

Question 18

¿Qué característica clave diferencia la Regresión Logística de la Regresión Lineal?

A) El tipo de datos de entrada
B) Su uso para clasificación binaria
C) El uso de bagging
D) La estructura recursiva

Answer 18

B

Question 19

¿Por qué los árboles de decisión pueden ser inestables en conjuntos de datos ruidosos?

A) Tienen interpretabilidad baja
B) Se sobreajustan fácilmente
C) Requieren muchos datos
D) Tienen alta capacidad de computación

Answer 19

B

Question 20

¿Qué ventaja principal proporciona el Random Forest sobre el árbol de decisión individual?

A) Más rápido en tiempo real
B) Mayor robustez y precisión
C) Mejor para compresión de imágenes
D) Menos requerimiento de datos

Answer 20

B

Question 21

¿En qué caso no es recomendable usar Gradient Boosting?

A) Cuando se requiere alta interpretabilidad
B) En sistemas de recomendación
C) Cuando los datos presentan alta no linealidad
D) Para agrupamiento no supervisado

Answer 21

A

Question 22

¿Cuál es la principal desventaja del uso de SVM en grandes volúmenes de datos?

A) Bajo ajuste en casos de noise
B) Altos costes computacionales
C) Sensible a la escala de las características
D) Usa bagging

Answer 22

B

Question 23

¿Por qué KNN puede ser lento en problemas con muchísimos datos?

A) Por el preprocesamiento extenso
B) Por la naturaleza de la búsqueda de distancia
C) Por la necesidad de interpretabilidad
D) Usa boosting

Answer 23

B

Question 24

¿En qué tipo de situaciones es más útil Naive Bayes?

A) Recomendaciones personalizadas
B) Clasificación de texto y sentimiento
C) Series temporales
D) Reducción dimensional

Answer 24

B

Question 25

¿Para qué tipo de tarea se recomienda usar PCA (Análisis de Componentes Principales)? A) Recomendación de productos B) Reducción de dimensionalidad de los datos C) Predecir series temporales D) Clasificación binaria

Answer 25

B

Question 26

¿Por qué DBSCAN es adecuado para conjuntos de datos con densidades variables? A) Por su velocidad de cálculo B) Por su tolerancia al ruido y flexibilidad en las formas de los clusters C) Porque requiere especificar K D) Por ser interpretativo

Answer 26

B

Question 27

¿Qué ventaja tiene una red neuronal convolucional (CNN) respecto a un perceptrón multicapa (MLP) para imágenes? A) Mejor para agrupamiento B) Utiliza convoluciones y pooling para captar patrones espaciales C) Más rápido en clustering D) Mejor para reducción dimensional

Answer 27

B

Question 28

¿Por qué los transformadores como BERT o GPT requieren entrenar con grandes volúmenes de datos? A) Por la naturaleza de autoencoders B) Por el mecanismo de atención y codificación posicional C) Porque sobreajustan fácilmente D) Porque usan pooling convolucional

Answer 28

B

Question 29

¿Para qué aplicaciones reales se recomienda el uso de autoencoders? A) Predicción de precios B) Detección de anomalías y compresión de datos C) Clustering jerárquico D) Series temporales

Answer 29

B

Question 30

¿Cuál es una limitación importante de las RNN (Redes Neuronales Recurrentes) en tareas muy largas? A) Bajo umbral de error B) Gradiente evanescente C) Mal procesamiento de imágenes D) Falta de clusters flexibles

Answer 30

B

Question 31

¿Qué tipo de algoritmo es más adecuado para predecir el precio de una vivienda basándose en características como el tamaño y la ubicación? a) Regresión Logística b) Regresión Lineal c) K-Means d) Árbol de Decisión

Answer 31

B

Question 32

Si quisieras clasificar correos electrónicos como 'spam' o 'no spam', ¿cuál de los siguientes algoritmos supervisados sería una elección apropiada para esta tarea de clasificación binaria? a) K-Means b) Regresión Logística c) PCA (Análisis de Componentes Principales) d) Regresión Lineal

Answer 32

B

Question 33

¿Cuál de las siguientes afirmaciones sobre los Árboles de Decisión es VERDADERA según la tabla? a) Son difíciles de interpretar. b) Son robustos y tienen una alta precisión por sí solos. c) Son fáciles de interpretar. d) Requieren que los datos sean linealmente separables.

Answer 33

C

Question 34

El algoritmo Random Forest es una mejora de los Árboles de Decisión. ¿Cuál es su principal ventaja? a) Es más rápido y menos complejo. b) Es más fácil de interpretar. c) Ofrece una alta precisión y es robusto. d) Funciona mejor con datos de alta dimensionalidad.

Answer 34

C

Question 35

¿Qué algoritmo se considera de "alto rendimiento" y utiliza "árboles aditivos" para minimizar la pérdida, siendo muy popular en competiciones de machine learning? a) SVM (Máquinas de Vectores de Soporte) b) KNN (K-Vecinos más Cercanos) c) Gradient Boosting d) Naive Bayes

Answer 35

C

Question 36

¿Cuál es la lógica principal detrás del algoritmo SVM (Máquinas de Vectores de Soporte)? a) Se basa en el teorema de Bayes. b) Agrupa los datos en clústeres. c) Maximiza el margen entre las clases. d) Utiliza el voto por mayoría de los vecinos más cercanos.

Answer 36

C

Question 37

Si necesitas un algoritmo simple y rápido para un sistema de recomendación basado en la similitud de usuarios, ¿cuál de los siguientes sería una buena opción? a) Redes Neuronales (MLP) b) KNN (K-Vecinos más Cercanos) c) Hierarchical Clustering d) Autoencoders

Answer 37

B

Question 38

¿Cuál es la principal asunción (y a la vez una limitación) del algoritmo Naive Bayes, especialmente relevante en el análisis de sentimiento de texto? a) Que las características son dependientes entre sí. b) Que las características son independientes entre sí. c) Que los datos deben tener una distribución esférica. d) Que los datos no deben ser ruidosos.

Answer 38

B

Question 39

¿Qué algoritmo no supervisado es adecuado para la segmentación de clientes, agrupándolos en función de su comportamiento de compra? a) Regresión Lineal b) K-Means c) SVM d) Random Forest

Answer 39

B

Question 40

¿Cuál de estos algoritmos es de Reducción de Dimensionalidad y se utiliza para la compresión de imágenes? a) DBSCAN b) CNN (Red Neuronal Convolucional) c) PCA (Análisis de Componentes Principales) d) RNN (Red Neuronal Recurrente)

Answer 40

C

Question 41

¿Qué tipo de Red Neuronal es especialmente excelente para el procesamiento de imágenes y tareas como la conducción autónoma? a) RNN (Red Neuronal Recurrente) b) MLP (Perceptrón Multicapa) c) CNN (Red Neuronal Convolucional) d) Autoencoders

Answer 41

C

Question 42

Para modelar secuencias de datos, como la predicción del precio de las acciones a lo largo del tiempo, ¿qué algoritmo es el más adecuado? a) K-Means b) SVM c) RNN (Red Neuronal Recurrente) d) PCA

Answer 42

C

Question 43

Modelos de lenguaje avanzados como ChatGPT y BERT se basan en una arquitectura de red neuronal específica. ¿Cuál es? a) Autoencoders b) Transformer c) DBSCAN d) CNN

Answer 43

B

Question 44

Si tu objetivo es la detección de anomalías o la compresión de datos mediante una red neuronal no supervisada, ¿qué algoritmo elegirías? a) Gradient Boosting b) Hierarchical Clustering c) Autoencoders d) Naive Bayes

Answer 44

C

Question 45

¿Qué algoritmo de clustering no supervisado es tolerante al ruido y puede encontrar clústeres de formas arbitrarias basándose en la densidad? a) K-Means b) Hierarchical Clustering c) PCA d) DBSCAN

Answer 45

D

Question 46

¿Cuál es el tipo de aprendizaje que utiliza la regresión lineal? a) Por refuerzo b) Supervisado c) Semi-supervisado d) No supervisado

Answer 46

B

Question 47

¿Qué fórmula representa la regresión lineal? a) y = Σ (i=1 hasta n) wi * xi b) y = 1 / (1 + e^(-x)) c) y = b0 + b1*x + e d) y = softmax(x)

Answer 47

C

Question 48

¿Cuál es el principal uso de la regresión logística? a) Clasificación binaria b) Clasificación multiclase c) Clustering d) Reducción de dimensionalidad

Answer 48

A

Question 49

¿Qué algoritmo divide recursivamente los datos en ramas binarias? a) Decision Tree b) SVM c) Gradient Boosting d) Random Forest

Answer 49

A

Question 50

¿Qué técnica usa múltiples árboles entrenados de forma independiente? a) KNN b) Gradient Boosting c) SVM d) Random Forest

Answer 50

D

Question 51

¿Cuál es la lógica principal de Gradient Boosting? a) Agregar árboles para minimizar la función de pérdida b) Maximizar el margen entre clases c) Aplicar la regla de Bayes d) Minimizar la distancia entre vecinos

Answer 51

A

Question 52

¿Qué algoritmo maximiza el margen entre clases? a) MLP b) SVM c) KNN d) Naive Bayes

Answer 52

B

Question 53

¿Qué algoritmo se basa en la distancia entre puntos para clasificar? a) SVM b) KNN c) Naive Bayes d) PCA

Answer 53

B

Question 54

¿Qué algoritmo usa el teorema de Bayes para clasificar textos? a) Transformer b) MLP c) Naive Bayes d) Logistic Regression

Answer 54

C

Question 55

¿Cuál es el objetivo principal de K-Means? a) Maximizar el margen entre clases b) Reducir la dimensionalidad c) Clasificar datos binarios d) Minimizar la distancia intra-cluster

Answer 55

D

Question 56

¿Qué algoritmo construye un dendrograma para agrupar datos? a) PCA b) Hierarchical Clustering c) DBSCAN d) K-Means

Answer 56

B

Question 57

¿Qué técnica de reducción de dimensionalidad usa descomposición en valores propios? a) GAN b) MLP c) t-SNE d) PCA

Answer 57

D

Question 58

¿Qué técnica usa similitudes probabilísticas entre puntos? a) t-SNE b) PCA c) K-Means d) SVM

Answer 58

A

Question 59

¿Qué red neuronal usa retropropagación para aprender? a) MLP b) Naive Bayes c) Transformer d) GAN

Answer 59

A

Question 60

¿Qué algoritmo se basa en el mecanismo de atención para procesar secuencias? a) MLP b) Gradient Boosting c) Transformer d) SVM

Answer 60

C

Question 61

¿Cuál es el mejor caso de uso para Linear Regression, según la tabla, y por qué se asume linealidad en sus suposiciones? A) Clasificación binaria, porque maneja probabilidades. B) Predicción de valores continuos, porque asume linealidad e independencia. C) Clustering de datos, porque minimiza distancias intra-cluster. D) Modelado de secuencias, porque usa bucles de retroalimentación.

Answer 61

B

Question 62

En Logistic Regression, ¿cuál es la fórmula clave y por qué no se recomienda usarla cuando los datos son altamente no-lineales? A) Y = b0 + b1X + b2X2 + ..., porque es lineal y rápida. B) P = 1 / (1 + e^-(b0 + b1X + ...)), porque usa log-odds y es probabilística. C) Distancia basada en mayoría de votos, porque es no paramétrica. D) Maximización de margen usando kernel trick, porque separa hiperplanos.

Answer 62

B

Question 63

¿Cuál es una desventaja clave de Decision Tree y un escenario donde NO se debe usar, basado en la tabla? A) Overfitting y datasets complejos, porque es ensemble y robusto. B) Overfitting y datasets noisy/complex, porque es recursivo y propenso a inestabilidad. C) Lento en grandes datos, porque usa kernel trick. D) Necesita K, porque es clustering esférico.

Answer 63

B

Question 64

¿Qué lógica clave usa Random Forest y cuál es su pro principal comparado con un solo Decision Tree? A) Bagging + averaging trees, alta accuracy y robusto a overfitting. B) Additive trees minimizing loss, state-of-the-art accuracy pero necesita tuning. C) Distance-based majority vote, simple pero slow. D) Maximize margin using kernel, separability en high dimensions.

Answer 64

A

Question 65

¿Por qué Gradient Boosting es bueno para performance modeling y cuál es su con principal? A) Porque usa bagging y es rápido, pero overfittea. B) Additive trees minimizing loss, state-of-the-art accuracy, pero overfittea y necesita tuning. C) Porque es density-based, noise tolerant pero falla en varying density. D) Weighted sums + activation, non-linear power pero needs large data.

Answer 65

B

Question 66

¿En qué consiste la lógica clave de SVM y por qué no se recomienda para large noisy datasets? A) Distance-based majority vote, simple pero slow en large data. B) Maximize margin using kernel trick, works in high dimensions pero slow en large data. C) Bayes theorem + independent features, fast para text pero correlated features. D) Minimize intra-cluster distance, fast pero needs K.

Answer 66

B

Question 67

¿Cuál es un pro de KNN y un escenario real donde se usa, pero por qué es sensible al ruido? A) Simple, no training phase; recommender systems; pero slow y noisy sensitive. B) Fast con text data; sentiment analysis; pero falls con correlated features. C) Noise reduction; image compression; pero hard to interpret. D) Sequential structure; stock prediction; pero vanishing gradient.

Answer 67

A

Question 68

¿Por qué Naive Bayes asume independencia de features y cuál es su con cuando las features están correlacionadas? A) Porque usa minimize intra-cluster, fast pero needs K y sensitive to scale. B) Bayes theorem + independent features, fast con text pero falls con correlated features. C) Eigenvectors of covariance, noise reduction pero hard to interpret. D) Convolution + pooling layers, excellent para images pero high resource demand.

Answer 68

B

Question 69

¿Cuál es el tipo de K-Means y por qué no se usa en data no-esférica? A) Supervisado, minimize intra-cluster distance, fast pero needs K y no para non-spherical. B) Unsupervised, nested dendrogram, no need K pero memory intensive. C) Dim. reduction, eigenvectors, noise reduction pero all features important. D) Unsupervised, density-based, noise tolerant pero fails en varying density.

Answer 69

A

Question 70

¿Qué asume Hierarchical Clustering y cuál es su pro comparado con K-Means? A) Spherical clusters, fast pero needs K. B) Nested dendrogram, no need K, visual pero memory intensive. C) Large variance important, speed-up pero hard interpret. D) Encoder-decoder + reconstruction loss, effective denoising pero can overfit.

Answer 70

B

Question 71

¿Para qué se usa PCA y por qué no cuando all features are important? A) Reducing dimensionality, eigenvectors of covariance, noise reduction pero hard interpret y no cuando features important. B) Complex pattern modeling, weighted sums, non-linear power pero needs large data. C) Image/video/spatial data, convolution + pooling, excellent para images pero high demand. D) Arbitrary shape clustering, density-based, noise tolerant pero fails varying density.

Answer 71

A

Question 72

¿Cuál es la lógica de Neural Networks y un con clave? A) Weighted sums + activation functions, non-linear power pero needs large data y tuning. B) Feedback loops over time, sequential structure pero vanishing gradient. C) Attention mechanism + position encoding, long context pero heavy compute. D) Encoder-decoder + reconstruction, effective denoising pero black-box.

Answer 72

A

Question 73

¿Por qué CNN es excelente para images y cuál es su real-world example? A) Porque usa feedback loops, time-series ready, ej. stock prediction. B) Convolution + pooling layers, grid-like data, ej. self-driving vision pero high resource demand. C) Attention + position, large training data, ej. ChatGPT/translation. D) Density-based growing, cluster density, ej. geo-spatial clustering.

Answer 73

B

Question 74

¿Qué asume RNN y por qué no usarlo en long sequences? A) Sequential structure, feedback loops over time, time-series ready pero vanishing gradient en long sequences. B) Attention mechanism, long context, fast pero heavy compute. C) Symmetric network, effective denoising pero can overfit. D) Minimize intra-cluster, fast pero needs K.

Answer 74

A

Question 75

¿Cuál es el tipo de Transformer y un pro/con clave? A) Supervised, attention + position encoding, long context pero heavy compute y large model. B) Unsupervised, encoder-decoder + loss, effective denoising pero black-box. C) Unsupervised, density-based, noise tolerant pero fails varying density. D) Dim. reduction, eigenvectors, speed-up pero hard interpret.

Answer 75

A

Question 76

¿Por qué Autoencoders son buenos para anomaly detection y cuál es su con? A) Compression & anomaly, encoder-decoder + reconstruction loss, effective denoising pero can overfit y black-box. B) Arbitrary shape clustering, density-based growing, noise tolerant pero fails varying density. C) Bayes theorem, fast text pero correlated features. D) Maximize margin, high dimensions pero slow large data.

Answer 76

A

Question 77

¿Cuál es la lógica de DBSCAN y por qué falla en varying density? A) Minimize intra-cluster, spherical, fast pero needs K. B) Nested dendrogram, no need K pero memory intensive. C) Density-based region growing, cluster density, noise tolerant pero fails on varying density. D) Weighted sums, non-linear pero needs large data.

Answer 77

C

Question 78

Un analista de datos quiere predecir el precio de una casa basándose en su superficie en metros cuadrados. Asume que a más metros cuadrados, mayor será el precio, siguiendo una tendencia recta. ¿Qué algoritmo es el más adecuado para este problema y por qué? a) Logistic Regression, porque predice una categoría (si la casa es cara o barata). b) K-Means, porque agrupará las casas en clústeres de precios similares. c) Linear Regression, porque se utiliza para predecir un valor continuo (el precio) y asume una relación lineal entre las variables. d) Decision Tree, porque puede dividir los datos en función de la superficie.

Answer 78

C

Question 79

Estás construyendo un filtro de spam para correos electrónicos. Tu modelo necesita ser rápido y funcionar bien con texto. El algoritmo que eliges asume que la presencia de una palabra en un email (por ejemplo, "oferta") es independiente de la presencia de otra (por ejemplo, "gratis"). ¿De qué algoritmo hablamos? a) Support Vector Machine (SVM), porque busca el margen máximo entre spam y no spam. b) Naive Bayes, porque se basa en el teorema de Bayes y asume la independencia de las características (las palabras). c) Recurrent Neural Network (RNN), porque procesa el texto de forma secuencial. d) K-Nearest Neighbors (KNN), porque clasifica un email basándose en los emails más similares.

Answer 79

B

Question 80

Imagina que tienes datos de la ubicación de clientes en un mapa de una ciudad y quieres identificar las zonas comerciales densas, que pueden tener formas irregulares y no ser circulares. ¿Qué algoritmo de clustering sería más apropiado que K-Means y por qué? a) Hierarchical Clustering, porque crea un dendrograma de todas las ubicaciones. b) Principal Component Analysis (PCA), porque reduce el número de dimensiones de los datos de ubicación. c) DBSCAN, porque puede encontrar clústeres de formas arbitrarias y es resistente al ruido (clientes en zonas aisladas). d) K-Means, porque es el más simple y rápido de implementar para agrupar clientes.

Answer 80

C

Question 81

Un banco utiliza un modelo de Decision Tree para decidir si aprueba o no un préstamo. El modelo funciona muy bien con los datos de entrenamiento, pero falla al predecir con nuevos clientes, memorizando casi todos los casos pasados. ¿Qué problema sufre este modelo y qué algoritmo "Ensemble" se creó para solucionarlo? a) Sufre de subajuste (underfitting), y se soluciona con Linear Regression. b) Sufre de sobreajuste (overfitting), y se soluciona con Random Forest. c) Sufre de baja precisión, y se soluciona con K-Means. d) Sufre de dependencia de características, y se soluciona con Naive Bayes.

Answer 81

B

Question 82

Una empresa de tecnología está desarrollando dos proyectos: uno es un coche autónomo que necesita identificar peatones y señales de tráfico a partir de imágenes de vídeo, y el otro es un modelo para predecir el precio de las acciones de la próxima semana basándose en datos históricos. ¿Qué arquitecturas de redes neuronales serían las más adecuadas para cada tarea, respectivamente? a) CNN para la predicción de acciones y RNN para la identificación de peatones. b) MLP (Multilayer Perceptron) para ambas tareas. c) CNN para la identificación de peatones y RNN para la predicción de acciones. d) Autoencoder para la identificación de peatones y Transformer para la predicción de acciones.

Answer 82

C

Question 83

¿Cuál es el principio fundamental de funcionamiento de una Support Vector Machine (SVM) para clasificar datos? a) Votar entre los 'k' vecinos más cercanos para decidir la clase. b) Encontrar la línea (o hiperplano) que maximiza la distancia (margen) a los puntos de datos más cercanos de cada clase. c) Construir una serie de árboles de decisión de forma secuencial, donde cada árbol corrige los errores del anterior. d) Calcular la probabilidad de que un dato pertenezca a una clase basándose en el teorema de Bayes.

Answer 83

B