b3 prt4

Según el método Naiive Bayes para la clasificación de textos visto en clase en el que tenemos que clasificar un texto en una categoría (Interesante - No interesante) dado cualquier conjunto de palabras de un texto (atributos), se puede simplificar el problema suponiendo que: Conocemos la probabilidad a priori y es igual para todos los casos con lo que estaríamos antes un problema de Máxima Verosimilitud. Existe dependencia condicional entre los atributos (palabras) y la categoría de los textos (Interesante - No interesante). La probabilidad de clasificar un texto es independiente de la posición que ocupan las palabras que aparecen en el texto.

La diferencia entre la lógica proposicional y la LPO es: La lógica proposicional es más expresiva y cercana al lenguaje natural y surge como respuesta a las limitaciones de la LPO. La LPO incluye los cuantificadores "para todo" y 'existe un' y la lógica proposicional no. En LPO se hace referencia a los términos que componen las proposiciones mientras que en la lógica proposicional no.

En el entrenamiento de los perceptrones de una neurona, 'sin capas ocultas', cuando utilizamos la Regla Delta, si después de transcurrir cierto número de iteraciones, todos los ejemplos están bien clasificados, diremos que tenemos: Una capa oculta. No-separabilidad lineal. Conjuntos de ejemplo linealmente separables.

Si después de lanzar un dado cargado 100 veces tenemos que cada una de las caras ha salido el siguiente número de veces: 1 -> 8 2 -> 11 3 -> 6 4 -> 7 5 -> 9 6 -> 59 ¿Qué entropía tenemos sobre el lanzamiento de dicho dado?. 1.0152. 1.9156. 2.5849.

En la búsqueda heurística un algoritmos es admisible: Si encuentra la solución en un tiempo admisible (finito). Si encuentra la solución optima. Si obtiene siempre una solución sub-óptima a cambio de expandir menos nodos del árbol de búsqueda.

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

En redes neuronales se aplican una serie de operaciones para obtener funciones de activación derivables cuando se requiere aplicar el algoritmo de entrenamiento. Pero, ¿qué problema es el que nos lleva a utilizar precisamente este entrenamiento multicapa?: El problema de la No-separabilidad lineal. El problema del overshooting. El problema de los mínimos locales.

¿Cuál de los siguientes elementos es una ventaja de un sistema experto sobre un sistema clásico?: El sistema puede funcionar con pocas reglas. Se ejecuta paso a paso. No contiene errores.

En un ejemplo clasificador de textos, tenemos que clasificar un texto en una categoría predefinida dado cualquier conjunto de palabras de un texto (atributos), se puede simplificar el problema suponiendo que: La probabilidad de encontrar una palabra específica es dependiente de la posición de la palabra. La probabilidad de encontrar una palabra específica es independiente de la posición de la palabra. No podemos aplicar ninguna simplificación en los clasificadores de textos.

El método de la mezcla de gaussianas realiza una partición del espacio que se puede considerar: De frontera dura, un ejemplo se asigna a una única clase. De frontera líneal, los ejemplos se asignan de acuerdo al hiperplano definido por el método. De frontera blanda, se obtiene la pertenencia de un ejemplo a cada clase.

Según la lógica de primer orden, indica la opción correcta: Las funciones operan con términos y como resultado devuelven un término. Los predicados operan con términos y como resultado devuelven un término. Las proposiciones operan con términos y como resultado devuelven un término.

En RL, ¿Cual de los siguientes entornos contaría con un espacio de acciones discreto?. Una simulación de combates Pokemon. El control de dirección de un coche autónomo. Ninguna de las anteriores.

Relativo a sistemas expertos, es verdad: Ninguna de las otras. Debe ser capaz de explicar paso a paso cómo se obtuvo la respuesta. Debe comportarse como una caja negra.

Para que podamos considerar un agente como racional... Siempre debe tomar la decisión correcta y no son tolerables fallos provocados por falta de conocimiento. La racionalidad del agente se define a partir del grado de conocimiento almacenado y de la cantidad de información que pueda percibir, sin tener en cuenta el resultado de sus acciones ya que estas dependen del entorno. Cada decisión tomada debe maximizar el rendimiento basandose en escoger la mejor decisión prevista en base al conocimiento almacenado y a la percepción actual del entorno.

Incluyendo el bias como una de las entradas a la neurona en el perceptrón simple... Conseguimos que la función del perceptrón simple sea derivable. Hacemos que el perceptrón devuelva siempre un valor real al no haber umbral de activación. Llevamos el umbral de la función de activación a 0.

En cuanto al aprendizaje bayesiano... Está basado en el teorema de Bayes, y por lo general su coste computacional es muy bajo. Permite combinar los datos de ejemplo con conocimiento a priori. Está basado en el teorema de Bayes, y se usa exclusivamente como clasificador que obtiene probabilidades de pertenecer a cada clase.

El entrenamiento del modelo de mezcla de gaussianas ser realiza: Con un perceptrón multicapa. Con el algoritmo EM. Con el método de las K-medias.

El conjunto de validación: Se trata de un conjunto que contiene los valores máximos. Se emplea para estimar el error de generalización. Se usa para ajustar los parámetros de aprendizaje del clasificador.

En la búsqueda en juegos decimos que el valor minimax: se corresponde al valor de la mejor jugada que puede hacer el jugador. Se corresponde al mínimo valor (MIN) de los devueltos por la función de utilidad en los nodos MAX del árbol de búsqueda. se corresponde al mejor valor de los que se obtienen por la función Utilidad al explorar el árbol de búsqueda para el jugador MAX.

b. c. a.

a. b. c.

¿Cuál es el objetivo de la función de pertenencia difusa?. Dado un grado de pertenencia a un conjunto difuso, establece el valor correspondiente que toma la variable. Dado un valor del dominio de una variable, establece a cual de los posibles conjuntos difusos pertenece. Dado un valor del dominio de una variable, establece el grado de pertenencia a un conjunto difuso.

Indica a qué nivel permiten representar la información los Sistemas Expertos: A nivel de los seres humanos. A nivel del lenguaje máquina. A nivel de pseudo-código, comprensible por máquina y humanos.

La hipótesis de la recompensa dicta que: No todos los objetivos se pueden describir como la maximización del retorno esperado. Todos los objetivos se pueden describir como la maximización del retorno esperado. Toda recompensa se puede definir como la suma de escalares.

Para la backpropagation necesitamos: Una función derivable. Una función no derivable. Podemos usar cualquier función.