Cuestionario de Inteligencia Artificial

¿Cuál de las siguientes técnicas se utiliza principalmente para la creación de atributos?. A. Búsqueda por cuadrícula. B. PCA (análisis de componentes principales). C. Selección hacía delante. D. Codificación de one-hot.

¿Cuál es la ventaja principal de utilizar técnicas de selección de variables?. A. Incrementa el número de variables del modelo. B. Reduce el tiempo de entrenamiento del modelo. C. Asegura que todos los datos sean utilizados. D. Aumenta la complejidad del modelo.

¿Cuál de las siguientes técnicas es una técnica de ajuste de hiperparámetros?. A. Codificación one-hot. B. RFE. C. Búsqueda aleatoria. D. Chi-cuadrado.

¿Qué técnica de selección de variables evalúa todas las combinaciones posibles de variables?. A. Selección adelante. B. Eliminación hacia atrás. C. Exhaustividad de características. D. Búsqueda aleatoria.

¿Qué método de selección de variables se basa en la regularización L1?. A. Regresión de Ridge. B. LASSO. C. PCA. D. Información mutua.

¿Qué técnica de creación de atributos se utiliza para transformar variables temporales?. A. Binning. B. Información mutua. C. Codificación de one-hot. D. Extracción de características temporales.

¿Qué técnica de selección de variables utiliza la importancia de características derivadas de los árboles de decisión?. A. Selección hacia delante. B. Eliminación hacia atrás. C. RFE. D. Métodos de conjunto.

¿Cuál es el objetivo principal del ajuste de hiperparámetros?. A. Seleccionar las mejores variables. B. Reducir el tamaño del conjunto de datos. C. Optimizar los parámetros del modelo para mejorar el rendimiento. D. Eliminar datos redundantes.

¿Qué técnica de ajuste de hiperparámetros prueba todas las combinaciones posibles dentro de un espacio de búsqueda definido?. A. Búsqueda aleatoria. B. Búsqueda por cuadrícula. C. Selección hacia delante. D. Imputación por la media.

¿Qué técnica de creación de atributos implica la transformación de variables continuas en variables categóricas?. A. Codificación one-hot. B. Binning. C. RFE. D. Regresión de Ridge.

¿Qué es el procesamiento de lenguaje natural (PLN)?. A. Una técnica para compresión de datos. B. Un campo de inteligencia artificial que permite a los ordenadores entender y procesar lenguaje humano. C. Un método de cifrado de datos. D. Un sistema operativo.

¿Cuál es el propósito principal de la tokenización en PLN?. A. Dividir el texto en unidades más pequeñas. B. Encriptar el texto para una mayor seguridad. C. Traducir el texto a otro idioma. D. Generar texto automáticamente.

¿Qué es una palabra vacía en PLN?. A. Una palabra que se usa para detener el algoritmo. B. Una palabra común que se elimina durante el procesamiento de texto porque no aporta mucho significado. C. Una palabra que siempre debe incluirse en el análisis del texto. D. Una palabra clave para la búsqueda de información.

¿Cuál es la función principal de la lematización en PLN?. A. Convertir las palabras a su forma base o raíz. B. Contar la frecuencia de palabras en un texto. C. Eliminar caracteres especiales del texto. D. Tokenizar el texto.

¿Qué técnica se utiliza para limpiar datos textuales eliminando puntaciones y caracteres especiales?. A. Lematización. B. Tokenización. C. Limpieza de datos. D. Análisis de sentimiento.

¿Qué modelo se utiliza comúnmente para la clasificación de textos en tareas simples debido a su simplicidad y eficacia?. A. BERT. B. Naïve Bayes. C. Redes neuronales recurrentes. D. Transformadores.

¿Qué es el análisis de sentimientos en PLN?. A. Una técnica para analizar la gramática del texto. B. Un proceso para determinar la polaridad emocional de un texto. C. Un método para traducir texto de un idioma a otro. D. Una técnica para generar texto automáticamente.

¿Qué ventaja tienen los modelos basados en redes neuronales como BERT sobre los modelos clásicos como Naïve Bayes?. A. Son más fáciles de implementar. B. Requieren menos datos para entrenar. C. Pueden capturar contextos y matices más complejos en el texto. D. No requieren preprocesamiento de datos.

¿Qué significa TF-IDF en el contexto de PLN?. A. Term frequency-inverse document frequency. B. Text frequency-internal data frequency. C. Token frequency-input data frequency. D. Term frequency-indexed data frequency.

En el contexto del análisis de sentimientos, ¿qué se entiende por problema multiclase?. A. Un problema donde se debe clasificar el texto en más de dos categorías. B. Un problema donde el texto se clasifica en solo dos categorías. C. Un problema que solo se puede resolver con modelos basados en reglas. D. Un problema que no se puede resolver con técnicas de PLN.

¿Cuál de las siguientes NO es una aplicación correcta de la IA generativa?. A. Creación de contenido. B. Diagnóstico médico. C. Generación de imágenes artísticas. D. Gestión de inventarios.

El ajuste fino es útil para: A. Generalizar el modelo a múltiples tareas sin especialización. B. Adaptar el modelo a tareas específicas con datos adicionales. C. Reducir el tamaño del modelo. D. Aumentar la velocidad de entrenamiento.

Una buena técnica de prompting implica: A. Usar frases vagas y generales. B. Proporcionar contextos claros y específicos. C. Evitar la iteración y el refinamiento. D. No incluir ejemplos dentro del prompt.

Los modelos de lenguaje grande como GPT-3 son efectivos porque: A. Se entrenan con conjuntos de datos muy pequeños. B. Usan millones de parámetros para aprender patrones complejos. C. No requieren preprocesamiento de datos. D. Funcionan mejor con datos no estructurados.

El mecanismo clave en los transformadores que permite manejar dependencias a largo plazo en los datos secuenciales es: A. Codificación de palabras o embeddings. B. Redes neuronales convolucionales. C. Autoatención (self-attention). D. La capa de red neuronal prealimentada.

Verdadero o falso: el ajuste fino reduce el riesgo de sobreajuste al utilizar datos específicos de una tarea: A. Verdadero. B. Falso.

¿Cuál es el primer paso del ciclo de vida de un proyecto de IA generativa?. A. Implementación del modelo. B. Recolección y preparación de datos. C. Ajuste fino del modelo. D. Evaluación del modelo.

Verdadero o falso: proporcionar ejemplos dentro del prompt puede mejorar la calidad de las respuestas generadas: A. Verdadero. B. Falso.

Para evaluar un modelo ajustado, se debe utilizar: A. El mismo conjunto de datos de entrenamiento. B. Un conjunto de datos de prueba no utilizado en el entrenamiento. C. Datos aleatorios de Internet. D. Datos generados por otro modelo.

Verdadero o falso: los transformadores han reemplazado completamente las RNN (redes neuronales recurrentes) en todas las aplicaciones de procesamiento de lenguaje natural: A. Verdadero. B. Falso.