En redes neuronales se aplican una serie de operaciones para obtener funciones de activación cuando se requiere aplicar el algoritmo de entrenamiento. Pero, ¿qué problema nos lleva a utilizar precisamente este entrenamiento multicapa? El problema de la No-separabilidad lineal El problema de los mínimos locales El problema del overshooting.
En el famoso experimento mental de John Searle "La habitación china", popularizado por Roger Penrose, una computadora... Maneja información semántica: elaboración de respuestas y toma de decisiones, en conjunción con un sistema que posee consciencia y por tanto un cierto entendimiento de la propia acción. Maneja información sintáctica: respuestas en base a una serie de reglas predefinidas sin consciencia alguna de la propia acción. Ninguna de las otras dos es correcta.
¿La victoria de Deep Blue sobre Kasparov al ajedrez demuestra que Deep Blue es una IA fuerte? Si, ya que fue superior a un humano excepcional en su campo. No, tendría que ser capaz de ganas a otros humanosy y en varias ocasiones. No, Deep Blue no era consciente de lo que hacía.
Cuando los conjuntos de entrenamiento no son suficientemente grandes, utilizamos la técnica de validación cruzada k-fold cross validation, que funciona: Con un conjunto pequeño y lo divide en k conjuntos del mismo tamaño y hace que uno de los conjuntos sea para validación y los otros para el entrenamiento, cambiándose los papeles para que todos sean validaciones y entrenamiento. Coge k conjuntos de elementos sin importar el tamaño y coge uno de esos conjuntos de forma aleatoria para que valide, y los otros restantes (k-1) serán para entrenamiento. Coge un conjunto pequeño que contiene k elementos y lo divide en 2 partes del mismo tamaño, uno para validación y otro para entrenamiento.
¿Qué tipo de operador de selección utilizaremos en Algoritmos Genéticos si queremos que los individuos seleccionados en una generación permanezcan presentes en la siguiente generación? Selección por estado estacionario Selección jerárquica Selección generacional.
Si tenemos un algoritmo A* para resolver el problema de camino mínimo en el cual h(n) devolviese siempre 0, estaríamos ante un tipo de búsqueda: En profundidad En anchura Irrevocable.
En redes neuronales: El tiempo de entrenamiento es lento, pero el tiempo de respuesta una vez entrenado debe ser rápido El tiempo de entrenamiento es rápido, y el tiempo de respuesta una vez entrenada también debe serlo. El tiempo de estrenamiento es lento, y el tiempo de respuesta una vez entrenada puede ser lento.
Decimos que un agente es racional si... Consigue pasar el test de Turing Se comporta como la haría un humano Intenta alcanzar el mejor resultado.
En "naïve bayes" el cálculo simplificado consiste en: Calcular el sumatorio de probabilidades de todos los atributos del ejemplo a clasificar condicionando a la clase que se está probando. Calcular la probabilidad de que se den los atributos del ejemplo a clasificar condicionada a la clase que se está probando. Calcular el productorio de probabilidades de todos los atributos del ejemplo a clasificar condicionado a la clase que se está probando.
El método de las k-medias realiza una partición del espacio que se puede considerar: De frontera dura, un ejemplo se asigna a una única clase. De frontera lineal, 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.
¿Cuál es la idea del aprendizaje automático? establecer cuánto ayuda conocer el valor de una variable aleatoria X para conocer el verdadero valor de otra Y. hacer uso del conocimiento especializado para resolver problemas como un especialista humano. programar una computadora para que mejore en la realización de una tarea a partir de datos de ejemplo o de la experiencia; .
¿Cuál es falsa de estas afirmaciones?: Usaremos más de una neurona cuando un único hiperplano no puede separar los datos de un problema A la capa adicional dentro de los Perceptrones multi-capa se le denomina capa visible Una red neuronal converge cuando el error de validación se mantiene bajo y los ejemplos de entrenamiento no provocan cambios significativos en los pesos de la red.
El método de la mezcla de gaussianas realiza una partición del espacio que se puede considerar: De frontera blanda, se obtiene la pertenencia de un ejemplo a cada clase 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.
Una función heurística h(n) se dice que es admisible si cumple: h(n) > h*(n) ∀n h(n) <= h*(n) ∀n h(n) < h*(n) ∀n.
La consciencia de las máquinas es un objetivo a largo plazo corto plazo medio plazo.
¿Cuál de las siguientes afirmaciones es cierta?(considerando una entropía de distribución de Y condicionada a X) Las otras son falsas Una entropía condicionada mayor que E(Y) indica que el conocimiento de X mejora la información que se dispone sobre Y Una entropía condicionada menor que E(Y) indica que el conocimiento de X no mejora la información que se dispone sobre Y.
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: No-separabilidad lineal Una capa oculta Conjuntos de ejemplo linealmente separables.
En lo referente a los métodos de resolución, podemos afirmar que Generación y test: Genera cada una de las posibles asignaciones a las variables y comprueba si satisfacen todas las restricciones. Construye la solución de forma gradual, instanciando variables en el orden definido por la permutación dada. Construye la solución de forma gradual, instanciando la variable más profunda que está en conflicto con la variable actual.
En un algoritmo A (de aditivos), g(n) en un nodo no final es la estimación: del camino de coste mínimo del problema. del coste del camino de coste mínimo desde el estado inicial hasta el nodo n. del coste del camino de coste mínimo desde n a un nodo objetivo.
¿Cuál de las siguientes afirmaciones acerca del aprendizaje bayesiano es falsa?: Está basado en el teorema --> P(h|D) = P(D) / P(D|h)P(h) Permite combinar los datos de ejemplo con conocimiento a priori Usado como clasificador, puede obtener probabilidades de pertenecer a cada clase.
En los algoritmos genéticos, podemos afirmar: La población disminuye quedando solo los más aptos en cada generación. La población se mantiene constante en cada generación. La población aumenta para aumentar la posibilidad de llegar a la solución óptima.
El futuro próximo de la IA está orientado a: Crear robots capaces de abordar tareas complicadas o peligrosas para el ser humano. Crear máquinas pensantes capaces de destruir la humanidad. Dotar a las máquinas de sentimientos.
Respecto a las fases del Backpropagation podemos decir que: Consta de una única fase en la que se actualizan los pesos de todas las capas. Consta de varias fases, hacia delante, hacia atrás y la actualización de los pesos de todas las capas. Ninguna de las otras es correcta.
Respecto a la búsqueda de una solución en algoritmos evolutivos, ¿qué afirmación es cierta? Utilizan un esquema de búsqueda de descenso por gradiente Realiza una búsqueda voraz basada en la aptitud de los individuos seleccionados Combinan búsqueda aleatoria y búsqueda dirigida.
Un algoritmo A1 es dominante sobre A2, si... las 2 son correctas cada nodo expandido por A1 es también expandido por A2 siempre que A1 expanda un número mayor de nodos que A2.
Es falso que un clasificador Bayesiano: No necesita ningún tipo de conocimiento previo para realizar la clasificación Proporciona una clase etiquetada como salida a partir de un conjunto de características tomadas como entradas Calcula la probabilidad de cada hipótesis de los datos y realiza predicciones sobre estas bases.
Dadas las variables x, y, z con dominios:
Dx = Dy = {1,2,3,4,5} Aplicando el algoritmo AC3, los dominios restringidos que cumplen las consistencias de arco finales son:
CDx = {3, 4}
CDz = {1}
CDy = {4, 5} Aplicando el algoritmo AC3, los dominios restringidos que cumplen las consistencias de arco finales son:
CDx = {3, 4}
CDz = {0, 1}
CDy = {3, 4} Aplicando el algoritmo AC3, los dominios restringidos que cumplen las consistencias de arco finales son:
CDx = {3, 4}
CDz = {0, 1}
CDy = {4, 5}.
Respecto a la convergencia de backpropagation: Una red neuronal converge cuando el error de validación se mantiene bajo y los ejemplos de entrenamiento provocan cambios significativos en los pesos de la red. Una red neuronal converge cuando el error de validación se mantiene alto y los ejemplos de entrenamiento no provocan cambios significativos en los pesos de la red. Una red neuronal converge cuando el error de validación se mantiene bajo y los ejemplos de entrenamiento no provocan cambios significativos en los pasos de la red.
El efecto Flynn se relaciona con: La distribución del CI de la población en el siglo XX. El aumento del CI de la población durante el siglo XX. La teoría de las inteligencias múltiples de Howard Gardner.
Si después de lanzar un dado cargado 100 veces tenemos que cada una de las caras ha salida el siguiente número de veces:
1 -> 8
2 -> 11
3 -> 6
4 -> 7
5 -> 9
6 -> 59 1.9156 2.5849 1.0152.
|
