course/pr_1213/es/chapter1/7.md

# Quiz rápido[[ungraded-quiz]]

Hasta ahora, este capítulo ha cubierto bastante terreno. No pasa nada si no has asimilado todos los detalles todavía; este quiz sirve para reflexionar sobre lo que has aprendido.

Este quiz no se califica, así que puedes intentarlo tantas veces como quieras. Si te atascas en alguna pregunta, sigue las pistas y vuelve al material. Más adelante volverás a ver este contenido en el examen de certificación.

### 1. Explora el Hub y busca el checkpoint `roberta-large-mnli`. ¿Qué tarea realiza?

página de roberta-large-mnli."
        },
        {
            text: "Clasificación de texto",
            explain: "Más concretamente, clasifica si dos frases están relacionadas lógicamente entre tres etiquetas (contradicción, neutralidad e implicación), una tarea que también se conoce como inferencia en lenguaje natural.",
            correct: true
        },
        {
            text: "Generación de texto",
            explain: "Vuelve a mirar la página de roberta-large-mnli."
        }
    ]}
/>

### 2. ¿Qué devolverá 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: "Devolverá un texto generado que complete esta frase.",
            explain: "Es incorrecto; correspondería a una pipeline de text-generation."
        },
        {
            text: "Devolverá las palabras que representan personas, organizaciones o ubicaciones.",
            explain: "Además, con grouped_entities=True agrupará las palabras que pertenecen a la misma entidad, como \"Hugging Face\".",
            correct: true
        }
    ]}
/>

### 3. ¿Qué debería reemplazar a `...` en este ejemplo?

```py
from transformers import pipeline

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

 has been waiting for you.",
            explain: "Es incorrecto. Revisa la tarjeta del modelo bert-base-cased e intenta detectar el error."
        },
        {
            text: "This [MASK] has been waiting for you.",
            explain: "El token de enmascarado de este modelo es [MASK].",
            correct: true
        },
        {
            text: "This man has been waiting for you.",
            explain: "Es incorrecto. Esta pipeline rellena palabras enmascaradas, así que necesita un token de máscara 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: "Esta pipeline requiere varias frases, no solo una.",
            explain: "Es incorrecto, aunque bien utilizada esta pipeline puede recibir una lista de frases para procesarlas, como las demás pipelines."
        },
        {
            text: "La librería 🤗 Transformers está rota, como siempre.",
            explain: "No vamos a dignificar esta respuesta con un comentario."
        },
        {
            text: "Esta pipeline requiere entradas más largas; esta es demasiado corta.",
            explain: "Es incorrecto. Ten en cuenta que un texto muy largo se truncará al procesarse con esta pipeline."
        }
    ]}
/>

### 5. ¿Qué significa "transfer learning"?

transfiere el conocimiento del primero.",
            correct: true
        },
        {
            text: "Transferir el conocimiento de un modelo preentrenado a un modelo nuevo construyendo el segundo con la misma arquitectura que el primero.",
            explain: "La arquitectura solo es la forma en que se construye el modelo; en este caso no hay conocimiento compartido ni transferido."
        }
    ]}
/>

### 6. Verdadero o falso: un modelo del lenguaje normalmente no necesita etiquetas para su preentrenamiento.

autosupervisado, lo que significa que las etiquetas se crean automáticamente a partir de las entradas, por ejemplo prediciendo la siguiente palabra o rellenando palabras enmascaradas.",
            correct: true
        },
        {
            text: "Falso",
            explain: "No es la respuesta correcta."
        }
    ]}
/>

### 7. Selecciona la frase que mejor describe los términos "model", "architecture" y "weights".

### 8. ¿Qué tipo de modelo usarías para completar prompts con texto generado?

### 9. ¿Qué tipo de modelo usarías para resumir textos?

### 10. ¿Qué tipo de modelo usarías para clasificar entradas de texto según ciertas etiquetas?

### 11. ¿Qué posible origen puede tener el sesgo observado en un modelo?