Cuestionario sobre la Justificación y Antecedentes del Aprendizaje Automático

¿Por qué se cambia de modelo clásico al modelo basado en aprendizaje automático?. Para mejorar la precisión en las tareas. Porque los modelos clásicos eran muy difíciles de actualizar y evolucionar. Para reducir el costo de desarrollo.

¿Qué ventajas tienen los modelos basados en aprendizaje automático frente a los sistemas expertos?. Son más fáciles de programar. Requieren menos datos para funcionar. Pueden adaptarse y evolucionar con mayor facilidad.

¿Hacia dónde apuntan los planteamientos y objetivos de este paradigma de inteligencia artificial?. A la creación de sistemas expertos. A la imitación de la inteligencia humana y la automatización. A la programación de reglas lógicas complejas.

¿Qué ciencia sienta las bases de la inteligencia artificial actual?. La física cuántica. La estadística. La filosofía.

¿Qué modelos utilizados actualmente reflejan más claramente la base estadística del aprendizaje automático?. Los modelos basados en reglas. Los modelos bayesianos y los algoritmos Naive Bayes. Los sistemas expertos.

¿Qué caracteriza a la IA Fuerte o General?. Se especializa en una tarea específica. Tiene la capacidad de comprender y adaptarse a diferentes contextos. Es un tipo de IA muy fácil de desarrollar.

¿Cuál es la principal diferencia entre IA Fuerte y Débil?. La IA Fuerte es más fácil de desarrollar. La IA Débil puede realizar múltiples tareas. La IA Fuerte tiene capacidad de adaptación y generalización.

¿Qué tipo de IA se enfoca en tareas específicas y concretas?. IA Fuerte. IA General. IA Débil.

¿Qué es un ejemplo de IA Débil?. Un robot humanoide capaz de sentir emociones. Un asistente virtual como Siri. Un sistema que razona sobre ética.

¿Qué es la IA que se encuentra principalmente en la ciencia ficción?. IA Débil. IA Fuerte. Machine Learning.

¿Cuál es una desventaja de la IA Débil?. Es difícil de desarrollar. Puede interpretar mal entradas inusuales. Es demasiado costosa.

¿Qué es un algoritmo de recomendación?. Un ejemplo de IA Fuerte. Un ejemplo de IA Débil. Un tipo de modelo que no utiliza IA.

¿Qué tipo de modelos se utilizan para modelar la probabilidad de eventos en el aprendizaje automático?. Modelos basados en reglas. Modelos bayesianos. Sistemas expertos.

¿Qué se maximiza en el aprendizaje automático aplicado con modelos bayesianos?. La probabilidad a priori. El máximo a posteriori (MAP). La verosimilitud.

¿Qué asumen los algoritmos Naive Bayes sobre las variables de entrada?. Que son dependientes entre sí. Que están relacionadas de forma no lineal. Que son independientes entre sí.

¿Cuál es una desventaja de los algoritmos Naive Bayes?. Son muy difíciles de implementar. Las probabilidades que producen no siempre reflejan la realidad. Requieren muchos datos de entrenamiento.

¿Qué hace el método KNN (K-Nearest Neighbors) para clasificar un nuevo caso?. Utiliza reglas lógicas. Mira los casos más cercanos. Aplica una función matemática compleja.

¿Qué parámetro se debe elegir con cuidado en un modelo KNN?. La memoria disponible en el ordenador. El número de neuronas de la red neuronal. El valor de K, los vecinos más cercanos que vamos a evaluar para cada punto.

¿Qué tipo de aprendizaje automático utiliza KNN?. Aprendizaje no supervisado. Aprendizaje supervisado. Aprendizaje por refuerzo.

¿Qué es lo que NO hace el algoritmo KNN?. Utiliza la distancia entre los datos. Aprende del conjunto de datos de entrenamiento. Clasifica nuevos elementos.

¿Qué es Machine Learning?. Un tipo de base de datos. Una forma de programar reglas lógicas. Un subcampo de la IA que permite a las computadoras aprender de los datos.

¿Qué se necesita para que el aprendizaje automático progrese?. Más programadores. Escala de datos y computación. Más científicos.

¿Qué es la 'estadística glorificada'?. Un término utilizado para describir los modelos basados en reglas. Un término despectivo para Machine Learning. Un término que describe el aprendizaje automático.

¿Por qué convergen la estadística y el aprendizaje automático?. Utilizan diferentes tipos de datos. Analizan los datos para responder a la misma pregunta. Tienen métodos muy diferentes.

¿Qué es lo más importante a la hora de modelizar un comportamiento probabilísticamente?. Definir el coste computacional. Encontrar una relación entre causa y efecto. No tener en cuenta el tipo de datos.

¿Cuál es el paso final del desarrollo de la IA?. Construir algoritmos de recomendación. Construir sistemas con conciencia artificial. Construir una IA que juegue al ajedrez.

¿Qué modelo es capaz, actualmente, de llevar a cabo varias tareas en contextos diferentes?. Gato, de DeepMind. Dalle2, de openAl. Watson, de IBM.