Prueba de aumento de datos

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

1. ¿Cuál es el propósito principal del aumento de datos?
   • Ampliar y diversificar los datos de entrenamiento para que los modelos se generalicen mejor.
   • Para acelerar la inferencia en un modelo entrenado
   • Para comprimir el tamaño del conjunto de datos en el disco
   • Para etiquetar ejemplos sin etiquetar automáticamente
2. ¿Cuál de estas es una técnica común de aumento de imágenes?
   • descenso de gradiente
   • Voltear horizontalmente al azar
   • Tokenización
   • Abandono
3. ¿Qué hace la retrotraducción en el aumento de texto?
   • Invierte el orden de las palabras en una oración.
   • Elimina todas las palabras vacías del texto.
   • Traduce texto a otro idioma y viceversa para crear paráfrasis.
   • Convierte texto en incrustaciones numéricas
4. ¿Por qué los aumentos deben "conservar la etiqueta"?
   • Para mantener constante el tamaño del archivo del conjunto de datos
   • Para hacer que el entrenamiento sea más rápido
   • Porque los modelos no pueden leer las etiquetas de otra manera
   • Porque cambiar la etiqueta le enseñaría al modelo asociaciones incorrectas
5. ¿Qué hace la técnica Mixup?
   • Combina dos ejemplos y sus etiquetas en una muestra de entrenamiento
   • Enmascara una región rectangular de una imagen.
   • Busca la mejor política de aumento automáticamente
   • Agrega ruido aleatorio a los pesos del modelo.
6. ¿Cuándo es especialmente valioso el aumento de datos?
   • Cuando ya tienes datos etiquetados ilimitados
   • Cuando los datos etiquetados son escasos y recopilar más es difícil
   • Sólo cuando el modelo está completamente entrenado.
   • Sólo para datos de hojas de cálculo tabulares
7. What does CutMix do to an image and its training label?
   • It adds a random word to a sentence without changing the label
   • It swaps only class names in the dataset
   • It replaces a patch with a patch from another image and mixes labels by the replaced area
   • It blurs every input and keeps a single label unchanged
8. How does AutoAugment select augmentation policies in its original paper?
   • It chooses transformations from a fixed human-written list without evaluation
   • It uses test labels to relabel training images
   • It selects operations from inference-time confidence only
   • It searches for policies using validation performance as a reward signal