Aprendizaje automático

Contribuido por: Parra

1. El aprendizaje automático es una rama de la inteligencia artificial que se centra en el desarrollo de algoritmos y modelos que permiten a los ordenadores aprender y tomar decisiones basadas en datos. Consiste en crear sistemas que puedan aprender automáticamente y mejorar por sí mismos sin ser programados explícitamente. Los algoritmos de aprendizaje automático pueden analizar grandes cantidades de datos, identificar patrones y hacer predicciones o tomar decisiones con una intervención humana mínima. Estos algoritmos se utilizan en diversas aplicaciones, como el reconocimiento de imágenes y del habla, los sistemas de recomendación, los vehículos autónomos, el diagnóstico médico y muchas otras. Al aprovechar el poder del aprendizaje automático, las organizaciones pueden extraer información valiosa de los datos y mejorar los procesos de toma de decisiones, lo que conduce a soluciones más eficientes e innovadoras.

¿Qué es el aprendizaje automático?

A) Método de control de máquinas físicas mediante intervención humana.
B) Rama de la inteligencia artificial que permite a las máquinas aprender de los datos.
C) Tipo de software utilizado para jugar a videojuegos.
D) Lenguaje de programación utilizado para diseñar chips informáticos.

2. ¿Cuál de los siguientes es un ejemplo de aprendizaje no supervisado?

A) Árboles de decisión
B) Clasificación
C) Regresión lineal
D) Agrupación

3. ¿De qué es responsable la función de activación utilizada en una red neuronal?

A) Entrenamiento de la red mediante retropropagación.
B) Introducir la no linealidad en la red.
C) Almacenamiento de información para uso futuro.
D) Convertir directamente la entrada en salida.

4. ¿Qué algoritmo se utiliza habitualmente para el aprendizaje por refuerzo?

A) Bosque aleatorio
B) K-Means
C) Q-Learning
D) SVM

5. ¿Qué método se utiliza para reducir la dimensionalidad de los datos en el aprendizaje automático?

A) Bayes ingenuo
B) Árboles de decisión
C) Descenso gradual
D) Análisis de componentes principales (ACP)

6. ¿Qué papel desempeña una función de pérdida en el aprendizaje automático?

A) Selecciona las mejores características para el modelo.
B) Cuantifica la diferencia entre los valores previstos y los reales.
C) Optimiza el modelo mediante retropropagación.
D) Normaliza los datos antes del entrenamiento.

7. ¿Qué es la ingeniería de características en el aprendizaje automático?

A) Entrenar un modelo sin datos.
B) Regularizar el modelo para evitar el sobreajuste.
C) Evaluación del modelo mediante validación cruzada.
D) Proceso de selección y transformación de las características de entrada para mejorar el rendimiento del modelo.

8. ¿Para qué sirve un límite de decisión en el aprendizaje automático?

A) Para añadir ruido a los datos.
B) Para separar diferentes clases en el espacio de entrada.
C) Para controlar el ritmo de aprendizaje del modelo.
D) Para minimizar la función de pérdida durante el entrenamiento.

9. ¿Cuál es el equilibrio entre sesgo y varianza en el aprendizaje automático?

A) El equilibrio entre la complejidad del modelo y la generalizabilidad.
B) El equilibrio entre la adaptación insuficiente y la adaptación excesiva.
C) El equilibrio entre el tiempo de formación y el rendimiento del modelo.
D) El compromiso entre exactitud y precisión.

10. ¿Qué algoritmo se utiliza habitualmente para tareas de clasificación en el aprendizaje automático?

A) Máquina de vectores soporte (SVM)
B) Análisis de componentes principales (ACP)
C) Agrupación de K-means
D) Regresión lineal

11. ¿Qué método se utiliza para evaluar el rendimiento de un modelo de aprendizaje automático?

A) Comprobación de la complejidad computacional
B) Adivinando
C) Utilizar sólo datos de entrenamiento
D) Validación cruzada

12. ¿Qué técnica se utiliza para tratar los datos que faltan en el aprendizaje automático?

A) Imputación
B) Ignorar los datos que faltan
C) Duplicar los datos
D) Añadir ruido a los datos

13. ¿Qué métrica de evaluación se utiliza habitualmente para los modelos de clasificación?

A) Error medio absoluto
B) Precisión
C) R-cuadrado
D) Error cuadrático medio

14. ¿Qué método se utiliza para evitar el sobreajuste de modelos en el aprendizaje automático?

A) Eliminación de elementos clave
B) Regularización
C) Entrenar el modelo con más datos
D) Aumento de la complejidad del modelo

15. ¿Qué método se utiliza para actualizar los pesos de una red neuronal durante el entrenamiento?

A) Parada anticipada
B) Inicialización aleatoria
C) Normalización por lotes
D) Retropropagación

16. ¿Qué método se utiliza para optimizar los hiperparámetros en los modelos de aprendizaje automático?

A) Centrarse en un único hiperparámetro
B) Ignorar los hiperparámetros
C) Selección aleatoria de hiperparámetros
D) Búsqueda en la cuadrícula

17. ¿Cuál de los siguientes es un algoritmo de aprendizaje supervisado?

A) Agrupación de K-means
B) Árbol de decisión
C) Regresión lineal
D) Análisis de componentes principales

18. ¿Qué función se utiliza habitualmente como función de pérdida en la regresión lineal?

A) Entropía cruzada
B) Error cuadrático medio (ECM)
C) Pérdida de troncos
D) Error cuadrático medio (RMSE)

19. ¿Qué tipo de algoritmo de aprendizaje automático es adecuado para predecir un valor continuo?

A) Reducción de la dimensionalidad
B) Agrupación
C) Clasificación
D) Regresión

20. ¿Qué algoritmo se utiliza habitualmente para tratar conjuntos de datos desequilibrados en el aprendizaje automático?

A) Vecinos más próximos a K (KNN)
B) SMOTE (Técnica de sobremuestreo sintético de minorías)
C) PCA (Análisis de Componentes Principales)
D) AdaBoost

21. ¿Qué algoritmo se utiliza habitualmente para la detección de anomalías en el aprendizaje automático?

A) Agrupación de K-means
B) SVM (máquina de vectores de apoyo)
C) Bosque aislado
D) Bayes ingenuo

22. ¿Qué técnica se utiliza para evitar el sobreajuste en las redes neuronales?

A) Normalización por lotes
B) Abandono
C) Escalado de características
D) Descenso gradual

Examen creado con That Quiz — donde se hacen ejercicios de matemáticas y más.