B3 prt2

¿Cómo podemos dotar a una máquina de una IA fuerte?. Dándole la inteligencia necesaria para pasar el Test de Turing. Dotando a la máquina de todas las herramientas psicomotrices de las que disponemos los seres humanos (vista, oído, olfato...). Proporcionándole la capacidad de procesamiento e inteligencia necesarios hasta el punto de alcanzar el pensamiento consciente.

Con respecto a los modificadores lingüísticos como "Muy..." o "Poco..., indica cuál de estas afirmaciones es correcta: Poco u(x) =sqrt (ux^3). Las otras respuestas son falsas. Muy u(x) = u(x)^2.

Indica cúal de las siguientes afirmaciones sobre agentes inteligentes es correcta: Un agente inteligente está diseñado para alcanzar siempre el mejor resultado esperado. Los agentes inteligentes requieren un conocimiento completo del entorno para actuar de manera racional. Cualquier agente inteligente encontrará las mismas soluciones para un problema dado.

En lógica proposicional, una proposición compuesta puede ser... Negación, disyunción o conjunción. Implicación material, implicación recíproca o implicación bidireccional. Contingencia, tautología o contradicción.

Respecto a las funciones de activación derivables: Para aplicar el algoritmo de entrenamiento multicapa no es necesario que la función de activación sea derivable, aunque es conveniente que lo sea. Ninguna de las otras es correcta. Buscamos funciones derivables con forma similar al escalón del perceptrón de una sola capa.

En cuanto al error δ de las Redes Neuronales: El cálculo de los δ no es necesario en el algoritmo Backpropagation. Los δ de cada capa son independientes entre sí y no afectan al resultado de las siguientes. Una neurona de una capa intermedia contribuye en los δ de las de la capa siguiente.

¿Qué tipo de lógica representa de una forma más natural el conocimiento real?. Lógica de primer orden. Lógica que sea monotónica. Lógica difusa.

¿Qué afirmación sobre el aprendizaje por la Regla Delta es correcta?. Utiliza el método de aprendizaje No Supervisado. Utiliza el método de aprendizaje Supervisado. Utiliza el método de aprendizaje Razonamiento inductivo.

Sobre la entropía y el grado de incertidumbre sobre una distribución de probabilidad, ¿Cuál es la opción correcta?: La entropía es mínima cuando existe una máxima incertidumbre. Cuando una distribución de probabilidad es uniforme la entropía es mínima. La entropía es máxima cuando existe una máxima incertidumbre.

En RL, los métodos basados en valor: El agente aprende qué estados son más valiosos, y actúa para alcanzar dichos estados. No necesitan de nada más que la política para funcionar. Enseñan al agente que acción tomar dado el estado actual.

Las características de un sistema experto son: Alto desempeño, tiempo de respuesta adecuado, confiabilidad, comprensible, flexibilidad y representación implícita del conocimiento. bajo desempeño, tiempo de respuesta adecuado, confiabilidad, comprensible, flexibilidad y representación explicita del conocimiento. Alto desempeño, tiempo de respuesta adecuado, confiabilidad, comprensible, flexibilidad y representación explicita del conocimiento.

Si tuvieramos un sistema experto difuso con 3 reglas y obtenemos un 0% de grado de cumplimiento para la regla 1, un 40% para la regla 2 y un 80% para la 3, actuaríamos de la siguiente manera: No se aplica ninguna regla, ya que estos datos no pueden ser correctos, la suma de todos los grados de pertenencia es mayor al 100%. Se aplican todas las reglas, pero en función del grado de cumplimiento de cada una. Se aplica únicamente la regla con un grado de cumplimiento mas alto, en este caso la regla 3.

El conjunto de validación en un proceso de aprendizaje supervisado sirve. Para probar y depurar el proceso de aprendizaje. Para realizar el entrenamiento en métodos de aprendizaje supervisado. Para comprobar la capacidad de generalización del proceso y evitar el sobre entrenamiento.

El decisor de máxima verosimilitud, ML, asume que todas las hipótesis son equiprobables: Durante el proceso de cálculo de máxima verosimilitud. A priori. A posteriori.

Respecto a los fundamentos MAP y ML, es cierto que: P(D) es constante y depende de h. ML implica máxima verosimilitud, debido a que P = cte. MAP implica un máximo a priori.

En los problemas de búsqueda en juegos a los que les aplicamos la poda α-β, ¿qué afirmación es correcta sobre el valor β?. β es el valor de la mejor opción hasta el momento a lo largo del camino para MIN. β es el valor de la mejor opción hasta el momento a lo largo del camino para MAX. El valor MiniMax de un nodo estará siempre acotado β <= V(N) <= α.

Acerca del aprendizaje por refuerzo, es FALSO que: Los agentes aprenden a través de la interacción con el entorno. Nuestra única señal de aprendizaje viene dada por la recompensa que el entorno otorga al agente. Necesitamos de datos etiquetados para que el agente aprenda el comportamiento deseado.

La lógica de primer orden permite: Todas las respuestas son correctas. Aprender. Inferir conocimiento nuevo.

En el entrenamiento de un perceptrón multicapa, para ajustar la constante de aprendizaje: Realizamos un proceso de prueba-error hasta encontrar el mejor resultado. Se inicializa aleatoriamente para evitar los mínimos locales, crestas y mesetas de la búsqueda mediante descenso por gradiente. Se ajusta mediante la regla alpha siempre y cuando la función de activación de las neuronas del perceptrón sea derivable.

En el método de las k-medias, la medida de distancia que se utiliza es: Cualquier medida de distancia. Distancia euclídea. Distancia de Mahalanovis.

El test de Searle en su contraejemplo del test de Turing nos sirve para apreciar: La IA débil. La IA fuerte. Ambas.

Indica el valor de verdad de la siguiente expresión según la lógica proposicional: (p AND !q) AND q. a. b. c.

Para el algoritmo de búsqueda A* (Búsqueda óptima) decimos que f* es. Coste del camino de coste mínimo desde el nodo inicial a un nodo solución. Coste del camino de coste mínimo de todos los caminos desde el nodo n a cualquier estado solución t. Coste del camino de coste mínimo desde el nodo inicial hasta un nodo solución condicionado a pasar por n.

La fórmula de la entropía condicionada es: E(X | Y) = Σj Prob( X= vj) E(Y | X = vj). E(Y | X) = Σj Prob( Y= vj) E(Y | X = vj). E(Y | X) = Σj Prob( X= vj) E(Y | X = vj).

¿Qué es la Lógica Difusa?. Es un tipo de lógica que reconoce valores simples verdaderos y falsos. Es un tipo de lógica que permite trabajar con información imprecisa. Ninguna de las otras.