A) Aprendizaje semisupervisado.
B) Aprendizaje por refuerzo.
C) Aprendizaje no supervisado.
D) Aprendizaje supervisado.

A) Seguridad de la red.
B) Almacenamiento de datos.
C) Reconocimiento y clasificación de patrones.
D) Escribiendo código.

A) Un modelo que aprende más rápido.
B) Un modelo que es demasiado complejo y funciona mal con datos nuevos.
C) Un modelo que se generaliza bien.
D) Un modelo sin parámetros.

A) Algoritmos genéticos.
B) Máquinas de vectores de soporte.
C) Descenso de gradiente.
D) Agrupamiento de k-medias.

A) Para asignar entradas a salidas directamente.
B) Para optimizar ecuaciones lineales.
C) Clasificar datos en categorías.
D) Aprender comportamientos a través de ensayo y error.

A) La velocidad de procesamiento de una computadora.
B) La capacidad de una máquina de exhibir un comportamiento inteligente equivalente al de un humano.
C) La capacidad de almacenamiento de una computadora.
D) El consumo de energía de un sistema.

A) Más fácil de implementar que los algoritmos estándar.
B) Requiere menos datos que los métodos tradicionales.
C) Funciona mejor con conjuntos de datos pequeños.
D) Capacidad de aprender automáticamente características de los datos.

A) Árboles de decisión.
B) K-medias.
C) Bosques aleatorios.
D) Regresión lineal.

A) Limpieza de datos para análisis.
B) Almacenar grandes cantidades de datos en bases de datos.
C) Extracción de patrones e información de grandes conjuntos de datos.
D) Cifrado de datos para mayor seguridad.

A) Redes neuronales convolucionales (CNN).
B) Redes de funciones de base radial.
C) Redes neuronales recurrentes (RNN).
D) Redes neuronales de propagación hacia adelante.

A) Para reemplazar los equipos de prueba.
B) Para aumentar el tamaño de los datos de entrenamiento.
C) Para hacer más felices a las modelos.
D) Para evaluar el rendimiento del modelo durante el entrenamiento.

A) Aprendizaje por refuerzo.
B) Agrupamiento de k-medias.
C) Algoritmos genéticos.
D) Regresión lineal.

A) MySQL
B) Flujo tensorial
C) Ventanas
D) Git

A) Algoritmos genéticos
B) Descenso de gradiente
C) Árboles de decisión
D) Simulación de Monte Carlo

A) Rendimiento
B) Entropía
C) Diferencia
D) Exactitud

A) Conjuntos de datos grandes y complejos que requieren herramientas avanzadas para procesarlos.
B) Datos privados de usuario recopilados por aplicaciones.
C) Datos almacenados en una base de datos relacional.
D) Datos demasiado pequeños para el análisis.

A) Clasificación
B) Agrupamiento
C) Predicción
D) Regresión

A) Formato HTML.
B) C++.
C) Asamblea.
D) Pitón.

A) Aprendizaje Q.
B) Agrupamiento de k-medias.
C) Máquina de vectores de soporte.
D) Regresión lineal.

A) Ordenación mediante clasificación rápida.
B) La supervivencia del más apto a través de la evolución.
C) Iteración mediante muestreo aleatorio.
D) Aproximación de funciones.

A) Juego de pygame.
B) Matraz.
C) Hermosa sopa.
D) Aprendizaje Scikit.

A) Cambia modelos de un conjunto de datos a otro sin realizar cambios.
B) Mueve aplicaciones de software entre plataformas.
C) Utiliza el conocimiento adquirido en una tarea para mejorar el desempeño en una tarea relacionada.
D) Transfiere datos entre diferentes usuarios.

A) Encontrar el hiperplano que mejor separa los puntos de datos.
B) Maximizar el volumen del conjunto de datos.
C) Minimizar la distancia entre todos los puntos.
D) Utilizando aprendizaje profundo para clasificación.

A) Rendimiento
B) Ancho de banda
C) Estado latente
D) Sobreajuste

A) Hojas de cálculo.
B) Procesamiento del lenguaje natural.
C) Cálculos aritméticos básicos.
D) Procesamiento de textos.

A) Demasiado interés público.
B) Estándares de codificación uniformes.
C) Sesgo en datos y algoritmos.
D) Limitaciones de hardware.

A) La Internet.
B) Modelos estadísticos.
C) La estructura y funciones del cerebro humano.
D) Transformaciones geométricas.