Quiz del Módulo 3: Seguimiento de Experimentos

Ponga a prueba su comprensión sobre el seguimiento de experimentos con estas 30 preguntas.

---

Pregunta 1

¿Cuáles son los cuatro componentes principales de MLflow?

1. Tracking, Projects, Models, Registry
2. Training, Pipelines, Models, Repository
3. Tracking, Packaging, Monitoring, Registry
4. Testing, Projects, Metrics, Registry

---

Pregunta 2

¿Qué hace MLflow autolog?

1. Inicia sesión automáticamente en el servidor MLflow
2. Registra automáticamente parámetros, métricas y modelos sin llamadas explícitas de registro
3. Registra automáticamente errores y excepciones
4. Registra automáticamente commits de Git

---

Pregunta 3

¿Qué es un sweep de W&B?

1. Una herramienta para limpiar experimentos antiguos
2. Un sistema automatizado de optimización de hiperparámetros
3. Un método para recorrer datos
4. Un tipo de visualización de métricas

---

Pregunta 4

¿Qué es una firma de modelo en MLflow?

1. Una firma digital para seguridad
2. Una especificación del esquema de entrada y salida del modelo
3. El nombre del autor en el modelo
4. Un identificador único para el modelo

---

Pregunta 5

¿Qué método de sweep de W&B utiliza optimización bayesiana?

1. grid
2. random
3. bayes
4. exhaustive

---

Pregunta 6

¿Qué es un artefacto de MLflow?

1. Un modelo antiguo y obsoleto
2. Cualquier archivo o directorio registrado con una ejecución (modelos, gráficos, datos)
3. Un tipo de métrica
4. Un archivo de configuración

---

Pregunta 7

¿Cuál es el propósito de las ejecuciones anidadas en MLflow?

1. Ejecutar experimentos en paralelo
2. Organizar ejecuciones relacionadas (como búsqueda de hiperparámetros) bajo una ejecución principal
3. Anidar modelos entre sí
4. Crear experimentos recursivos

---

Pregunta 8

¿Qué es un artefacto de W&B?

1. Una exhibición de museo de modelos de ML
2. Una unidad versionada y rastreable como conjuntos de datos o modelos
3. Un mensaje de error
4. Un tipo de visualización

---

Pregunta 9

¿Qué comando de MLflow ejecuta un proyecto desde un repositorio Git?

1. mlflow git run
2. mlflow run https://github.com/...
3. mlflow clone and run
4. mlflow project github

---

Pregunta 10

¿Qué archivo define un proyecto de MLflow?

1. mlflow.yaml
2. project.yaml
3. MLproject
4. config.yaml

---

Pregunta 11

¿Cuál es el beneficio del seguimiento de experimentos?

1. Hace que el entrenamiento sea más rápido
2. Permite la reproducibilidad y comparación de experimentos
3. Reduce el tamaño del modelo
4. Mejora automáticamente la precisión del modelo

---

Pregunta 12

¿Cómo se registra una métrica personalizada en W&B?

1. wandb.metric("name", value)
2. wandb.log({"metric_name": value})
3. wandb.track("name", value)
4. wandb.add_metric("name", value)

---

Pregunta 13

¿Cuál es el propósito de mlflow.set_experiment()?

1. Iniciar una ejecución de experimento
2. Establecer el experimento activo para las siguientes ejecuciones
3. Configurar parámetros del experimento
4. Finalizar un experimento

---

Pregunta 14

¿Qué visualización es mejor para comparar el impacto de los hiperparámetros?

1. Gráfico de pastel
2. Gráfico de coordenadas paralelas
3. Histograma
4. Sólo gráfico de dispersión

---

Pregunta 15

¿Qué hace wandb.init()?

1. Instala W&B
2. Inicializa una nueva ejecución y se conecta a W&B
3. Inicializa la red neuronal
4. Reinicia todas las ejecuciones anteriores

---

Pregunta 16

¿Qué es una W&B Table?

1. Una tabla de base de datos
2. Un formato estructurado de datos para registrar y visualizar datos tabulares
3. Una tabla comparativa entre modelos
4. Una tabla HTML en reportes

---

Pregunta 17

¿Qué tipos de backend store soporta MLflow?

1. Sólo archivos locales
2. Sólo PostgreSQL
3. Archivos locales, SQLite, PostgreSQL, MySQL y más
4. Sólo bases de datos en la nube

---

Pregunta 18

¿Cuál es el propósito de wandb.finish()?

1. Eliminar la ejecución
2. Cerrar correctamente la ejecución y cargar los datos restantes
3. Finalizar el entrenamiento
4. Cerrar sesión en W&B

---

Pregunta 19

¿Cómo se comparan experimentos en la interfaz de usuario de MLflow?

1. Usar solo la línea de comandos
2. Seleccionar varias ejecuciones y usar la vista de comparación
3. Exportar a Excel y comparar manualmente
4. MLflow no soporta comparación

---

Pregunta 20

¿Qué es un ejemplo de entrada en modelos MLflow?

1. Código de ejemplo para usar el modelo
2. Datos de entrada de muestra almacenados con el modelo como referencia
3. Ejemplos de datos de entrenamiento
4. Ejemplos de errores

---

Pregunta 21

¿Cuál es el beneficio de los W&B Reports?

1. Entrenamiento automatizado de modelos
2. Documentos compartibles que combinan texto, código y visualizaciones
3. Reporte de errores
4. Registro de errores

---

Pregunta 22

¿Cómo se filtran ejecuciones de MLflow programáticamente?

1. mlflow.filter_runs()
2. client.search_runs() con filter_string
3. mlflow.query_runs()
4. mlflow.get_filtered_runs()

---

Pregunta 23

¿Qué es un flavor de modelo en MLflow?

1. El sabor del modelo
2. Un formato específico para guardar modelos (sklearn, pytorch, etc.)
3. La versión del modelo
4. Un tipo de hiperparámetro

---

Pregunta 24

¿Qué proporciona wandb.config?

1. Configuración del servidor
2. Acceso a los hiperparámetros establecidos durante la inicialización
3. Configuración de red
4. Configuración de visualización

---

Pregunta 25

¿Por qué registrar curvas de entrenamiento durante el entrenamiento?

1. Es obligatorio en MLflow
2. Para monitorear la convergencia y detectar problemas temprano
3. Para ralentizar el entrenamiento
4. Sólo por motivos estéticos

---

Pregunta 26

¿Cuál es la ubicación predeterminada de artefactos en MLflow?

1. Bucket S3 remoto
2. Directorio mlruns en el directorio de trabajo actual
3. /var/mlflow/artifacts
4. Sólo almacenamiento en la nube

---

Pregunta 27

¿Cómo se usa un artefacto de W&B en una nueva ejecución?

1. wandb.get_artifact()
2. wandb.use_artifact("name:version")
3. wandb.download_artifact()
4. wandb.load_artifact()

---

Pregunta 28

¿Cuál es la mejor práctica para nombrar experimentos?

1. Usar nombres aleatorios
2. Usar solo fechas
3. Usar nombres descriptivos con información clave de configuración
4. Usar solo IDs autogenerados

---

Pregunta 29

¿Qué sucede si no llama a wandb.finish()?

1. La ejecución se elimina
2. Nada, es opcional
3. Es posible que los datos no se carguen completamente y la ejecución aparezca incompleta
4. W&B falla

---

Pregunta 30

¿Qué se debe registrar para experimentos reproducibles?

1. Solo métricas
2. Solo pesos del modelo
3. Parámetros, métricas, artefactos, información del entorno y versión del código
4. Solo el modelo final

---

🎉 ¡Quiz completado!

Ha completado el quiz del Módulo 3 sobre Seguimiento de Experimentos.

---

Siguiente: Módulo 4: Data Pipelines