Cuestiones
ayuda
option
Mi Daypo

TEST BORRADO, QUIZÁS LE INTERESEBloque 2 - Temas {5,6,7,8,9,10} (6)

COMENTARIOS ESTADÍSTICAS RÉCORDS
REALIZAR TEST
Título del test:
Bloque 2 - Temas {5,6,7,8,9,10} (6)

Descripción:
Sistemas Inteligentes

Autor:
AVATAR
Henry, Gulurs y Paukemon
(Otros tests del mismo autor)


Fecha de Creación:
25/03/2019

Categoría:
Universidad

Número preguntas: 23
Comparte el test:
Facebook
Twitter
Whatsapp
Comparte el test:
Facebook
Twitter
Whatsapp
Últimos Comentarios
No hay ningún comentario sobre este test.
Temario:
Sabemos que el teorema de Bayes aplicado al aprendizaje permite conocer el máximo a posteriori MAP, por lo tanto, podemos señalar como opción incorrecta: El aprendizaje bayesiano permite combinar los datos de ejemplo con conocimiento a posteriori. El aprendizaje bayesiano permite combinar los datos de ejemplo con conocimiento a priori. El aprendizaje bayesiano permite combinar los datos de testeo con conocimiento a posteriori.
El aprendizaje bayesiano se basa en el teorema de Bayes, el cual es: P(h|D) = P(D) / P(D|h)P(h) P(h|D) = P(D|h)P(h) / P(D) P(h|D) = P(D) + 1 / P(D|h)P(h) + P(D).
Respecto al aprendizaje bayesiano indica la opción correcta: En la fase 3 hallamos la estimación MAP. En la fase 2 calculamos docsj , documentos de la clase cj. Ninguna de las anteriores.
En qué consisten las simplificaciones: No importa el orden de aparición de los elementos, sólo importa si estos elementos están presentes. No importa el orden de aparición de los elementos, sólo importa si estos elementos no están presentes. No importa si estos elementos están presentes, sólo importa el orden de aparición de los elementos.
Cuál de las siguientes afirmaciones es correcta, sobre los aprendizajes automáticos: En el aprendizaje supervisado el error de generalización se estima mediante un conjunto de validación. En el aprendizaje supervisado el error de normalización se estima mediante un conjunto de validación. En el aprendizaje no supervisado el error de generalización se estima mediante un conjunto de validación.
Respecto al aprendizaje no supervisado, donde tenemos un conjunto de datos que queremos agrupar en clusters: no tenemos etiquetas de a que pertenecen los datos. tenemos etiquetas de a que pertenecen los datos. tenemos un numero predefinido de etiquetas de a que pertenecen los datos.
En el Aprendizaje por refuerzo: En el Aprendizaje por Refuerzo tenemos una medida de lo bien o mal que está funcionando el algoritmo, pero no sabemos exactamente qué falla. En el Aprendizaje por Refuerzo tenemos una medida de lo bien que está funcionando el algoritmo, pero no sabemos exactamente qué falla. En el Aprendizaje por Refuerzo tenemos una medida de lo mal que está funcionando el algoritmo, pero no sabemos exactamente qué falla.
Acerca de las características de las redes de aprendizaje bayesianas, es dicho: Un conocimiento a priori puede ser combinado con los datos observados para determinar la probabilidad de una hipótesis. Los métodos bayesianos pueden acomodar las hipótesis que hacen predicciones probabilísticas. Ambos son correctas.
Dadas las variables X=9, Y=3, Z=5, la solución a max(X,Y,Z) y a argmax(X,Y,Z) es : 9 y X respectivamente. 9 y Z respectivamente. 3 y Z respectivamente.
Un algoritmo de aprendizaje: es consistente si obtiene una hipótesis que no comete ningún error sobre los ejemplos de entrenamiento. es consistente si no obtiene una hipótesis que no comete ningún error sobre los ejemplos de entrenamiento. es consistente si obtiene una hipótesis que no comete ningún error sobre los ejemplos de test.
En el tipo de aprendizaje no supervisado tenemos: un conjunto de datos que queremos agrupar en clusters. un conjunto de datos que queremos agrupar en un solo cluster. un conjunto de datos ya clasificados.
Después de realizar el cálculo del siguiente caso de predicción meteorológica, obtenemos P(T<0,Viento=Norte|Lluvia)=0 ¿Qué podemos determinar? no lloverá lloverá ninguna de las anteriores.
Cuál de las siguientes afirmaciones acerca del aprendizaje bayesiano es falsa: Esta basado en el teorema --> P(h|D) = P(D) / P(D|h)P(h) Esta basado en el teorema --> P(h|D) = P(D|h)P(h) / P(D) Esta basado en el teorema --> P(h|D) = P(h|D)P(h)/ P(h).
¿Qué tipo de aprendizaje funciona a partir de ejemplos conocidos? : Aprendizaje supervisado Aprendizaje no supervisado Aprendizaje por refuerzo.
En el aprendizaje bayesiano durante la fase 1 (aprendizaje), después de tomar un conjunto de ejemplos xi ∈ X etiquetados con las clases a las que pertenecen, debemos calcular la probabilidad a priori P(cj) para cada clase cj, lo cual se realiza de la siguiente manera: P(cj) = nº de ejemplos etiquetados con cj / nº total de ejemplos P(cj) = nº total de ejemplos / nº de ejemplos etiquetados con cj P(cj) = nº de ejemplos no etiquetados con cj / nº total de ejemplos.
En el aprendizaje supervisado: conocemos la clase a la que pertenece cada ejemplo. no conocemos la clase a la que pertenece cada ejemplo. a veces conocemos la clase a la que pertenece cada ejemplo.
La minería de datos intenta descubrir patrones en grandes volúmenes de conjuntos de datos. Utiliza los métodos de la inteligencia artificial, aprendizaje automático, estadística y sistemas de BD . Consiste en extraer información de un conjunto de datos y transformarla en una estructura comprensible para su uso posterior. Podemos decir que NO utiliza el tipo de aprendizaje: Refuerzo Supervisado No supervisado.
Dados los tipos de aprendizaje y en concreto el Aprendizaje por Refuerzo, señala la afirmación correcta: En el Aprendizaje por Refuerzo tenemos una medida de lo bien o mal que está funcionando el algoritmo, pero no sabemos exactamente qué falla. En el Aprendizaje por Refuerzo tenemos una medida de lo bien que está funcionando el algoritmo, pero no sabemos exactamente qué falla. En el Aprendizaje por Refuerzo tenemos una medida de lo mal que está funcionando el algoritmo, pero no sabemos exactamente qué falla.
(IMAGEN) Los atributos son independientes entre sí. Los atributos son dependientes entre sí. Las dos son correctas.
(IMAGEN) 0 1 0.5.
(FOTO) c(30) = 0.08, c(20) = 0.05, c(10) = 0.0666 c(10) = 0.08, c(20) = 0.05, c(30) = 0.0666 c(20) = 0.08, c(30) = 0.05, c(10) = 0.0666.
(FOTO) Se basa en el tipo de aprendizaje supervisado. Se basa en el tipo de aprendizaje no supervisado. Se basa en el tipo de aprendizaje por refuerzo.
(FOTO) ci = puntual → 1/12, ci = temprano → 0, ci = retrasado → 1/9 ci = temprano → 1/12, ci = puntual → 0, ci = retrasado → 1/9 ci = puntual → 1/12, ci = retrasado → 0, ci = temprano → 1/9.
Denunciar test Consentimiento Condiciones de uso