course/pr_1149/es/chapter1/10.md

# Quiz de final de capítulo

¡Este capítulo cubrió una gran variedad de temas! No te preocupes si no entendiste todos los detalles; los siguientes capítulos te ayudarán a entender cómo funcionan las cosas detrás de cámaras.

Por ahora, ¡revisemos lo que aprendiste en este capítulo!

### 1. Explora el Hub y busca el punto de control `roberta-large-mnli`. ¿Qué tarea desarrolla?

página de roberta-large-mnli."
		},
		{
			text: "Clasificación de texto",
			explain: " Más precisamente, clasifica si dos oraciones están relacionadas lógicamente a través de tres etiquetas (contradiction, neutral, entailment) - una tarea que también se conoce como inferencia de lenguaje natural.", 
			correct: true
		},
		{
			text: "Generación de texto",
			explain: "Vuelve a mirar en la página de roberta-large-mnli."
		}
	]}
/>

### 2. ¿Qué devuelve el siguiente código?

```py
from transformers import pipeline

ner = pipeline("ner", grouped_entities=True)
ner("My name is Sylvain and I work at Hugging Face in Brooklyn.")
```

sentiment-analysis."
		},
		{
			text: "Devuelve un texto generado que completa esta oración.",
			explain: "Incorrecto - esto sería un pipeline de text-generation."
		},
		{
			text: "Devuelve las palabras que representan personas, organizaciones o ubicaciones.",
			explain: "Adicionalmente, con grouped_entities=True, agrupará las palabras que pertenecen a la misma entidad, como \"Hugging Face\".",
			correct: true
		}
	]}
/>

### 3. ¿Qué debería reemplazar ... en este ejemplo de código?

```py
from transformers import pipeline

filler = pipeline("fill-mask", model="bert-base-cased")
result = filler("...")
```

 has been waiting for you.",
			explain: "Incorrecto. Revisa la ficha del modelo bert-base-cased e intenta identificar tu error."
		},
		{
			text: "This [MASK] has been waiting for you.",
			explain: "¡Correcto! El mask token de este modelo es [MASK].",
			correct: true
		},
		{
			text: "This man has been waiting for you.",
			explain: "Incorrecto. Este pipeline llena palabras ocultas, por lo que necesita un mask token en algún lugar."
		}
	]}
/>

### 4. ¿Por qué fallará este código?

```py
from transformers import pipeline

classifier = pipeline("zero-shot-classification")
result = classifier("This is a course about the Transformers library")
```

candidate_labels=[...].",
			correct: true
		},
		{
			text: "Este pipeline requiere varias oraciones, no sólo una.",
			explain: "Incorrecto, aunque cuando se usa adecuadamente, este pipeline puede tomar una lista de oraciones para procesar (como todos los otros pipelines)."
		},
		{
			text: "La librería 🤗 Transformers está dañada, como siempre.",
			explain: "¡No vamos a dignificar esta respuesta con un comentario!"
		},
		{
			text: "Este pipeline necesita entradas más largas; esta oración es muy corta.",
			explain: "Incorrecto. Un texto muy largo se va a truncar cuando se procesa por este pipeline."
		}
	]}
/>

### 5. ¿Qué significa "transferencia de aprendizaje"?

### 6. ¿Verdadero o falso? Un modelo de lenguaje usualmente no necesita etiquetas para su preentrenamiento.

auto-supervisado, lo que significa que las etiquetas se crean automáticamente a partir de la entrada (como predecir la siguiente palabra o llenar palabras ocultas).",
			correct: true
		},
		{
			text: "Falso",
			explain: "Esta no es la respuesta correcta."
		}
	]}
/>

### 7. Selecciona la oración que describe mejor los términos "modelo", "arquitectura" y "pesos".

### 8. ¿Cuál de los siguientes tipos de modelos usarías para completar una indicación con texto generado?

### 9. ¿Cuál de los siguientes tipos de modelos usarías para resumir textos?

### 10. ¿Cuál de los siguientes tipos de modelos usarías para clasificar texto de acuerdo con ciertas etiquetas?

### 11. ¿Cuál puede ser una posible fuente del sesgo observado en un modelo?