Examen Final - Mineria de texto y procesamiento

MÁSTER EN BIG DATA (HTTPS://CAMP…        Minería de Texto y Procesam...

Í >

> Ver Examen

Resultado del examen[pic 1]

Examen superado¡ Enhorabuena !

Este examen fue realizado el 21-11-2022 01:14 El resultado fue: 12/15 (80%)

El tiempo de realización fue: 24 Min. 43 Seg. RECUERDA:

Este examen se considerará superado si la nota obtenida es igual o superior a 8 sobre 10 puntos.

Respuesta correcta

1. El resultado de una vectorización de textos es el siguiente: [el/0'2, perro/0'3, tiene/1, un/0'1, amigo/1]. ¿Qué algoritmo he utilizado?

1. Algoritmo tf, porque se contabiliza la frecuencia relativa de los tokens.[pic 2]
2. Algoritmo tfidf, porque se contabiliza la frecuencia relativa de los tokens.[pic 3]
3. Algoritmo LDA, porque es una matriz de palabras y topics.[pic 4]
4. Algoritmo tf, porque contabiliza la relevancia de los tokens.[pic 5]

Respuesta correcta

1. ¿Qué intenta detectar este fragmento de una gramática Jape? {Token.POS=~”V.*”, Token.string=~”[a-z].*”}

1. Un verbo seguido de una palabra que empieza por a.[pic 6]
2. Un verbo seguido de una palabra que empieza por a y acaba por z.[pic 7]
3. Un verbo seguido de una palabra que empieza por minúscula.[pic 8]
4. Un verbo que empieza por una letra minúscula.[pic 9]

Respuesta correcta

1. ¿Tiene alguna ventaja el uso del algoritmo tfidf frente a tf?

1. No tiene ventajas, de hecho, suele usarse más tf por su rapidez de ejecución.[pic 10]
2. No tiene ventajas, simplemente son dos algoritmos con utilidades distintas.[pic 11]

[pic 12]MÁCSTER ESNí,BtIfiGdDfAtTieAn(HeTlTaPvSe://nCtAaMjaP…de disMtriibneuriíraedlepTeesxotoreylaPtriovcoedsaemc.a..da término, de forma que los términos más usados sean menos discriminativos al tener menor peso.

D        Sí, tfidf tiene la ventaja de distribuir el peso relativo de cada término, de forma que los términos más usados sean más discriminativos al tener mayor peso.[pic 13]

Respuesta incorrecta

1. Se han estudiado las cadenas clásicas de NLP en la teoría de la asignatura. ¿En qué consisten?

1. Son la base teórica y práctica del NLP. Aunque algunos conceptos se han visto superados por las nuevas técnicas, siguen teniendo vigencia.[pic 14]
2. Son la base teórica y práctica del NLP, pero casi todos los conceptos se han visto superados por las nuevas técnicas y ya no se usan.[pic 15]
3. Son las técnicas que se usaban antes de la llegada de los métodos estadísticos en los años 80.[pic 16]
4. Son las técnicas asociadas al NLU (Natural Language Understanding) y que, por tanto, no tienen en cuenta el NLG (Natural Language Generation).[pic 17]

Respuesta correcta

5[pic 18]

¿Qué representa esta matriz?

1. Es el resultado de cualquier algoritmo de Topic Modeling y mide cuál es el topic más relevante de un texto.[pic 19]
2. Es la transformada de la matriz TF, multiplicada por la matriz DT.[pic 20]
3. Es la matriz que usan los algoritmos NMF y DLA.[pic 21]
4. Es la matriz TP usada junto con otras matrices en Topic Modeling para calcular los topics.[pic 22]

Respuesta correcta

1. ¿Qué obtenemos con el análisis léxico de un texto?

1. Los lemas de dicho texto.[pic 23]
2. Los significados del texto.[pic 24]
3. Los lemas y las etiquetas morfológicas del texto.[pic 25]
4. Las etiquetas morfológicas del texto.[pic 26]

Respuesta incorrecta

1. ¿Con qué comando se pueden obtener los tokens de un texto?

MAÁSTER EnNltBkI.GwDoArTdA_t(oHkTeTPnSiz:/e/C(tAeMxPto…)[pic 27]

Minería de Texto y Procesam...

[pic 28]

1. nltk.tokenize.sent_tokenize(texto)[pic 29]
2. nltk.tokenize.word_tokenize(texto)[pic 30]

Respuesta correcta

1. ¿Qué detecta la regla gramatical 'Frase → SN SV'?

A        Detecta una frase cada vez que encuentra un sintagma nominal seguido de sintagma verbal. B        Detecta una frase cada vez que encuentra un sintagma nominal o bien un sintagma verbal. C        Detecta una frase cada vez que encuentra un sintagma verbal seguido de sintagma nominal. D        Detecta un sintagma verbal seguido de sintagma nominal cada vez que encuentra una frase.[pic 31][pic 32][pic 33][pic 34]