1930_Dig. T4

1. ¿En qué se basa el aprendizaje automático?. En programar todas las decisiones manualmente. En crear algoritmos que aprenden patrones a partir de datos. En sustituir completamente a las personas. En almacenar información sin analizarla.

2. ¿Qué ocurre durante el entrenamiento de una IA?. La máquina deja de usar datos. El sistema copia respuestas de internet. El modelo ajusta sus parámetros para mejorar su rendimiento. La inteligencia artificial funciona sin necesidad de datos.

3. Señala la afirmación INCORRECTA sobre los prompts: Son instrucciones que ayudan al modelo a generar respuestas más precisas. Proporcionan estructura e información al modelo. Mejoran la coherencia y utilidad de las respuestas. Funcionan sin necesidad de contexto ni información previa.

4. Señala la afirmación INCORRECTA sobre la Era de los Prompts: Hoy en día es habitual interactuar con asistentes virtuales. Un prompt bien diseñado mejora la calidad de la respuesta. Los prompts sustituyen completamente el funcionamiento interno del modelo. Los modelos como ChatGPT utilizan la información proporcionada en el prompt para responder.

5. ¿Qué característica define al aprendizaje supervisado?. Utiliza datos sin etiquetar. Aprende únicamente observando imágenes. Utiliza datos etiquetados para entrenar el modelo. No necesita comparar predicciones con resultados reales.

6. ¿Cuál de los siguientes es un ejemplo de aprendizaje supervisado?. Agrupar clientes según sus hábitos de compra sin información previa. Detectar correos electrónicos spam. Buscar patrones ocultos sin etiquetas. Organizar datos sin conocer el resultado esperado.

7. ¿Qué hace el aprendizaje no supervisado?. Ajusta parámetros comparando con resultados reales. Trabaja con datos etiquetados. Identifica patrones en datos no etiquetados. Predice resultados a partir de respuestas correctas conocidas.

8. ¿Qué caracteriza al aprendizaje semisupervisado?. Utiliza únicamente datos sin etiquetar. Combina datos etiquetados y no etiquetados. Funciona solo mediante recompensas y castigos. No necesita ningún tipo de datos.

9. ¿Por qué es útil el aprendizaje semisupervisado?. Porque no requiere ningún tipo de entrenamiento. Porque sustituye completamente al aprendizaje supervisado. Porque permite trabajar cuando etiquetar datos es costoso o difícil. Porque solo se aplica a videojuegos.

10. ¿En qué se basa el aprendizaje reforzado?. En datos completamente etiquetados. En la búsqueda de patrones ocultos sin guía. En un sistema de recompensas y penalizaciones. En copiar decisiones humanas sin ajustes.

11. ¿Cuál es un ejemplo típico de aprendizaje reforzado?. Segmentación de clientes. Detección de spam. Diagnóstico médico con todas las imágenes etiquetadas. Vehículos autónomos que aprenden a evitar colisiones.

12. ¿Qué caracteriza al aprendizaje profundo (Deep Learning)?. Utiliza redes neuronales con múltiples capas para resolver problemas complejos. Solo funciona con pequeños volúmenes de datos. No necesita entrenamiento previo. Se basa únicamente en reglas programadas manualmente.

13. ¿Cuál es una diferencia del aprendizaje profundo frente al aprendizaje automático tradicional?. Requiere menos datos para entrenarse. No se utiliza en reconocimiento de imágenes. Necesita grandes volúmenes de datos y tiempos de entrenamiento más largos. No mejora su rendimiento con la experiencia.

14. ¿Por qué son importantes la calidad y cantidad de los datos en inteligencia artificial?. Porque permiten que el modelo funcione sin necesidad de entrenamiento. Porque influyen directamente en el rendimiento y la precisión del modelo. Porque sustituyen el proceso de evaluación. Porque eliminan la necesidad de preprocesamiento.

15. ¿Qué se realiza en la fase de preprocesamiento de datos?. Se recopilan datos mediante sensores IoT. Se ajustan los parámetros del modelo. Se limpian y organizan los datos para que puedan ser utilizados correctamente. Se valida el modelo con datos nuevos.

16. ¿Cuál es el objetivo de la evaluación y validación del modelo?. Memorizar los datos de entrenamiento. Comprobar que el modelo funciona bien en datos nuevos. Eliminar todos los datos antiguos. Reducir el volumen de información recopilada.

17. ¿Qué se hace en la fase de recopilación de datos en IA?. Evaluar el modelo con datos nuevos. Ajustar los parámetros del algoritmo. Reunir la información necesaria para entrenar el modelo. Eliminar el modelo anterior.

18. ¿Para qué sirve la evaluación y validación del modelo?. Para comprobar que funciona bien con datos nuevos. Para limpiar los datos originales. Para recoger información de sensores. Para evitar el entrenamiento.

19. ¿Qué puede ocurrir si no se controlan los sesgos en los datos de entrenamiento?. El sistema mejora automáticamente su precisión. La IA puede replicar o amplificar prejuicios existentes. El modelo deja de necesitar datos. Se eliminan todos los errores del sistema.

20. ¿Qué significa el término “machine bias”?. Que las máquinas no cometen errores. Que la IA funciona sin datos. Que los sistemas de IA pueden incorporar y reproducir sesgos. Que los modelos siempre toman decisiones justas.

21. ¿Qué se debe garantizar al diseñar sistemas de IA?. Que solo funcionen con grandes empresas. Que las decisiones sean equitativas y no discriminatorias. Que eliminen completamente la intervención humana. Que utilicen únicamente datos antiguos.

22. ¿Por qué es importante la transparencia en los sistemas de IA?. Porque elimina la necesidad de datos. Porque mejora la confianza y permite detectar errores o sesgos. Porque hace que el modelo funcione más rápido. Porque sustituye el entrenamiento del sistema.

23. ¿En qué sectores es especialmente importante la interpretabilidad de la IA?. En videojuegos y entretenimiento únicamente. En redes sociales exclusivamente. En sectores sensibles como la salud y las finanzas. En cualquier sector, pero solo cuando no hay usuarios.

24. ¿Qué es la minería de datos?. Un proceso para limpiar datos sin analizarlos. Una técnica para extraer información útil y patrones significativos de grandes volúmenes de datos. Solo un término de moda sin aplicaciones prácticas. Un sistema que reemplaza la inteligencia artificial.

25. ¿Qué ha potenciado recientemente la minería de datos?. El aumento de bases de datos manuales. Los avances en inteligencia artificial y aprendizaje automático. La eliminación de la estadística. La reducción de la cantidad de datos disponibles.

26. ¿Cuál es el propósito de la fase de comprensión del negocio en minería de datos?. Limpiar los datos antes de analizarlos. Definir los objetivos del negocio y cómo la minería de datos puede contribuir a alcanzarlos. Implementar modelos en entornos operativos. Predecir ventas futuras usando algoritmos.

27. ¿Qué se hace en la fase de comprensión de los datos?. Integrar modelos en sistemas operativos. Recopilar, analizar y explorar patrones en los datos disponibles. Limpiar registros incompletos únicamente. Establecer las metas del negocio.

28. ¿Qué se realiza en la preparación de los datos?. Ejecutar predicciones sobre datos futuros. Garantizar que los datos estén limpios, transformados y listos para el análisis. Analizar secuencias temporales de eventos. Definir relaciones entre variables inesperadas.

29. ¿Qué busca la minería de datos descriptiva?. Predecir eventos futuros a partir de datos históricos. Identificar patrones y tendencias en los datos existentes. Analizar secuencias temporales. Construir modelos de recomendación.

30. ¿Qué hace la minería de datos de asociación?. Describe las características fundamentales de los datos. Construye modelos para predecir el futuro. Identifica relaciones o patrones recurrentes entre variables. Analiza series temporales para prever comportamientos.