SI1

¿En qué se diferencian las dos ramas clásicas de la Inteligencia Artificial?. La rama subsimbólica tiene menos capacidades. Una tiene los sistemas expertos y la otra a las redes de neuronas artificiales como paradigma. Una se basa en la estimulación y la otra en la recursividad. Ninguna de las anteriores es correcta. Todas son correctas.

¿Qué autores con sus trabajos sobre cibernética sientan las bases de la IA?. Rosenblueth, Wiener y Bigelow. Cajal. Craik. todos. a y c(Rosenblueth, Wiener y Bigelow, Craik).

En la evolución histórica de los sistemas conexionistas, ¿cuáles son precursores biológicos?. Minsky. McCulloch. Papert. todos. ninguno.

Causas del interés actual por los Sistemas Inteligentes Subsimbólicos. El interés existente por la búsqueda de arquitecturas de computadoras que permitan el procesamiento en paralelo. La habilidad de estos sistemas para aprender automáticamente. La habilidad para poder funcionar de forma aceptable tanto en presencia de información inexacta como cuando se producen deterioros o fallos en sus componentes. Su similitud con los modelos neurofisiológicos del cerebro, pudiéndose de este modo intercambiar modelos e investigaciones entre los de RNA y Neurociencias, potenciándose ambas. Todas las anteriores son correctas.

¿Cuál de los siguientes avances tecnológicos no está relacionado con la IA?. Impresoras 3D y fabricación aditiva. Realidades extendidas y "gemelos digitales". Tecnologías convergentes "NBIC". Todas las anteriores están relacionadas. Ninguna de las anteriores está relacionada.

Los Mapas Autoorganizativos (SOM) vistos en clase tienen... Una única capa que es de entrada. Una única capa recurrente. Una capa de entrada y una capa de salida. Dúas capas de neuronas recurrentes y autoorganizables. Todas las anteriores son incorrectas.

Las 2 ideas centrales en las que se basa Kohonen para desarrollar los SOM son.. La ubicación espacial de las neuronas y su crecimiento dinámico. La autoorganización y el concepto de simetría. La autoorganización y el crecimiento dinámico del nº de neuronas. El proceso de adaptación de pesos y el concepto de geometría topológica de elementos de proceso. Todas las anteriores son incorrectas.

Si los patrones de entrada de un problema tienen 4 características o atributos, una SOM que lo resuelva tendrá.. 24 neuronas de entrada. 8 neuronas de entrada. 4 neuronas de entrada. 16 neuronas de entrada. ninguna es correcta.

En el aprendizaje no supervisado.. Se desconocen las clases, pero se consiguen grupos similares. La autoorganización de la red permite hallar directamente las clases. Se trabaja con patrones etiquetados. La B y la C son correctas. Ninguna de las anteriores es correcta.

El ADALINE fue creado. Después del perceptrón. No llegó a ser creado. Antes del perceptrón. La B y la C son correctas. Ninguna de las anteriores es correcta.

El conjunto de datos que se utiliza para calcular los valores de los pesos de las conexiones de una RNA se denomina. Conjunto de prueba. Conjunto de validación. Conjunto de test. Conjunto de entrenamiento. Conjunto de normalización.

Durante el entrenamiento de un perceptrón multicapa se busca... Llegar al error cero siempre. Estar muy cerca de un mínimo error, pero nunca en él. Conseguir un mínimo local siempre. Estar lejos de un mínimo global. Todas son incorrectas.

Un perceptrón (sin capas ocultas) no puede implementar una puerta lógica con la función. AND. OR. EXOR. NOT. Puede hacer cualquiera de las anteriores.

El número de neuronas de entrada de un perceptrón multicapa. Lo puede fijar el usuario como quiera. Depende del problema a resolver. Debe ser igual al número de neuronas de salida. Debe ser igual al número de neuronas ocultas. Debe ser distinto al número de neuronas de salida.

La función de transferencia de las neuronas de un perceptrón multicapa. Son solamente lineales. Son solamente umbrales. Son solamente de tipo sigmoidal. Son solamente de tipo logarítmico. Todas son falsas.

La Regla Delta.. Es un algoritmo de aprendizaje no supervisado. Maximiza el error cuadrático medio. Es un algoritmo de aprendizaje supervisado. Fija los valores de los pesos y bias. La C y D son correctas.

En un perceptrón multicapa el conocimiento de la red está en .. Los datos de salida de las neuronas. En las funciones de transferencia. En los datos de entrada. En las conexiones. Todas son incorrectas.

Para decidir cuál arquitectura de RNA funciona mejor para un dataset, es necesario mirar el error. De entrenamiento. De validación. De Test. En el ciclo de entrenamiento con menor gradiente. Todas las anteriores son incorrectas.

En la técnica de parada temprana, una vez finalizado el proceso de entrenamiento, la RNA que se devuelve tiene unos pesos que son. siempre los del último ciclo de entrenamiento realizado. siempre correspondientes al ciclo con menor error de entrenamiento. correspondientes al ciclo con menor error de validación. correspondientes al ciclo con menor error de test. correspondientes al ciclo con menor gradiente.

El conjunto de patrones de test.. No interviene en nada en el entrenamiento. Dictamina cuando parar de entrenar. Guía todo el proceso de entrenamiento. Es siempre el conjunto con mayor cantidad de patrones del dataset. Todas las anteriores son falsas.

En una red SOM, la capa de competición está compuesta por. Neuronas que generan la salida supervisada. Neuronas conectadas entre sí por enlaces recursivos. Neuronas que compiten por representar el patrón de entrada. Neuronas que codifican el error de la red. Todas.

¿Qué mide el error de cuantización medio en una red SOM?. La distancia media entre los vectores de entrada y sus neuronas ganadoras (BMU). El número de patrones correctamente clasificados. El número de neuronas entrenadas. La diferencia entre la salida deseada y la obtenida. El grado de vecindad entre neuronas.

En una red SOM, la neurona ganadora es aquella que: Tiene el peso con mayor valor. Tiene la mayor activación en la capa de entrada. Es más cercana al patrón de entrada según una medida de distancia. Ha sido activada más veces durante el entrenamiento. Tiene mayor número de conexiones sinápticas.

¿Qué función se utiliza habitualmente para determinar la similitud entre una neurona y un patrón de entrada en una SOM?. Distancia de Manhattan. Producto escalar. Distancia Euclídea. Entropía cruzada. Función sigmoidal.

¿Cuál de los siguientes es un problema común de las redes SOM?. No permiten reducción de dimensionalidad. Siempre requieren entrenamiento supervisado. Algunas neuronas pueden no ser entrenadas si están alejadas del espacio de entrada. No pueden representar relaciones topológicas. No necesitan inicialización de pesos.

En una red SOM, ¿qué ocurre con el tamaño del vecindario a lo largo del entrenamiento?. Permanece constante. Aumenta progresivamente. Disminuye con el tiempo. Se elimina tras la fase de aprendizaje. Se calcula de forma aleatoria.

En la fase de operación de una red SOM. Se modifican los pesos de las neuronas. Se entrena la red con nuevos datos. Se categoriza un patrón según la neurona más similar. Se actualiza la topología de la red. Ninguna de las anteriores es correcta.

¿Qué representa el vector de pesos de una neurona en la capa de competición de una SOM?. La tasa de aprendizaje local. El error de representación de dicha neurona. El patrón de entrada más común que ha activado esa neurona. Un prototipo o centroide que representa un grupo de patrones. El número de veces que ha sido ganadora.

¿Cuál de las siguientes tareas es especialmente adecuada para una red SOM?. Predicción de valores numéricos. Agrupamiento y visualización de datos de alta dimensión. Traducción automática de lenguas. Detección de anomalías supervisada. Reconocimiento de voz con salida categórica.

¿Qué diferencia clave tienen los modelos GCS frente a SOM?. No utilizan aprendizaje no supervisado. Ajustan dinámicamente la arquitectura durante el entrenamiento. No permiten visualización de datos. Solo funcionan con entradas binarias. No usan distancia euclídea para calcular similitud.

El término "Fitness" en un Algoritmo Genético se refiere a... Una forma de intercambiar material genético entre varios individuos de la población. Una forma o función para construir individuos y obtener la población inicial. Una operación genética que cambia la composición de los descendientes. El valor que permite evaluar lo bien adaptado que está cada individuo de la población para obtener la solución al problema que se pretende resolver. Una estrategia que consiste en mantener al mejor individuo y copiarlo directamente a la siguiente generación para evitar perder la mejor solución obtenida.

¿Cuál de las siguientes es una técnica de mutación en los Algoritmos Genéticos?. Uniforme. Máscara. Intercambio. Génesis. punto flotante.

En Programación Genética... El cromosoma nunca representa una posible solución para las variables del problema. Los operadores de cruce y mutación se aplican para invertir la población de cromosomas. Los individuos se representan mediante árboles, lo cual es una de las principales diferencias con los Algoritmos Genéticos. La forma de codificar los individuos es la misma que en los Algoritmos Genéticos; solo cambia la forma de aplicar el cruce y la mutación. No existe ninguna técnica en Computación Evolutiva denominada Programación Genética.

¿Cuál de los siguientes problemas es más adecuado para ser resuelto mediante un Algoritmo Genético?. Encontrar el mínimo de una función cuadrática convexa y suave. Encontrar el óptimo de una función diferenciable de una sola variable. Enumerar todas las posibles soluciones en un espacio de búsqueda muy pequeño. Encontrar una ruta para el Problema del Viajante con muchas ciudades. Encontrar el óptimo global exacto cuando debe garantizarse matemáticamente la mejor solución.

En un Algoritmo Genético, ¿qué nombre recibe el proceso en el que el mejor individuo de la población se conserva para la siguiente generación?. Seeding. Elitismo. Aprendizaje lamarckiano. Steady-state. Hill Climbing.

¿Cuál de los siguientes no es un método de selección utilizado en los Algoritmos Genéticos?. Torneo. Sobrante estocástico. Universal estocástica. Ruleta. Sobrante determinístico.

¿Qué mecanismo de selección tiende a distribuir la búsqueda de forma más amplia en el espacio de estados?. Selección por ruleta, donde los individuos se asignan a sectores ponderados por su fitness y los sectores con mayor peso tienen mayor probabilidad de no ser seleccionados. Selección por ruleta, donde todos los individuos tienen exactamente la misma probabilidad de ser seleccionados. Selección por torneo, donde se elige un subconjunto de individuos de forma aleatoria y se selecciona el individuo con mejor valor de fitness. Selección por torneo, donde los individuos compiten por parejas y el ganador se selecciona con una probabilidad proporcional a su fitness. Selección por torneo, donde los individuos se agrupan en subconjuntos y se seleccionan los dos individuos con menor fitness para la reproducción.

¿Cuál de las siguientes afirmaciones describe mejor el cruce en los Algoritmos Genéticos?. El cruce selecciona los mejores individuos de la población y elimina los más débiles. El cruce combina material genético de dos individuos progenitores para crear nuevos descendientes. El cruce cambia aleatoriamente genes individuales para introducir valores completamente nuevos en la población. El cruce evalúa la calidad de cada individuo mediante la función de fitness. El cruce garantiza que los descendientes siempre serán mejores que ambos progenitores.

¿Cuál de las siguientes simulaciones es un ejemplo clásico de vida artificial?. El juego del laberinto. El Juego de la Vida de Conway. Hill Climbing. La estrategia elitista. Ninguna de las anteriores.

¿Qué afirmación describe mejor el entrelazamiento cuántico?. Dos qubits comparten un estado vinculado, por lo que medir uno proporciona información sobre el otro. Dos qubits alternan sus estados en direcciones opuestas hasta que se realiza una medición. Dos qubits almacenan el mismo valor clásico en dos ubicaciones físicas diferentes. Un qubit se copia en otro qubit para evitar la pérdida de información. Un qubit controla a otro enviando información más rápido que la luz.

¿En qué se diferencian las dos ramas clásicas de la IA?. La rama subsimbólica tiene menos capacidad para explicar sus resultados. Los sistemas expertos y las redes de neuronas artificiales son sus paradigmas. Una se basa en la estimulación y la otra en la emulación. Ninguna de las anteriores es correcta. A y B son correctas.

¿Qué significa que los sistemas subsimbólicos pertenecen a la rama de la emulación de la IA?. Que la red aprenderá muy rápido las diferencias entre ellos. Que es necesario poner más capas intermedias en la Red para representar mejor su conocimiento. Que pretendemos reproducir la función del sistema biológico inteligente. Que pretendemos reproducir la estructura del sistema biológico inteligente. Que pretendemos reproducir tanto la estructura como la función del sistema biológico inteligente.

¿Qué es una sinapsis?. El intercambio de energía entre neuronas. Procedimiento fisiológico por el cual mueren las neuronas. Intercambio de energía entre neuronas y astrocitos. Intercambio de información entre los elementos del sistema nervioso. Todas las anteriores son correctas.

En la evolución histórica de los sistemas conexionistas, ¿cuáles son precursores computacionales?. Rosenblueth, Wiener y Bigelow. McCulloch y Pitts. Craik. Todos los anteriores. Ninguno de los anteriores.

En la evolución histórica de los sistemas conexionistas, ¿cuáles son precursores biológicos?. Minsky. Cajal. Papert. Todos los anteriores. Ninguno de los anteriores.

¿Causas del interés actual por los Sistemas Inteligentes Subsimbólicos?. El interés existente por la búsqueda de arquitecturas de computadoras que permitan el procesamiento en paralelo. La habilidad de estos sistemas para aprender automáticamente. La habilidad para poder funcionar de forma aceptable tanto en presencia de información inexacta como cuando se producen deterioros o fallos en sus componentes. Su similitud con los modelos neurofisiológicos del cerebro, pudiéndose de este modo intercambiar modelos e investigaciones entre los de RNA y Neurociencias, potenciándose ambas. Todas las anteriores son correctas.

¿Cuál de los siguientes avances tecnológicos no está relacionado con la IA?. Impresoras 3D y fabricación aditiva. Realidades extendidas y "gemelos digitales". Tecnologías convergentes "NBIC". Todas las anteriores están relacionadas. Ninguna de las anteriores está relacionada.