Cuestionario sobre Justificación y Antecedentes del Aprendizaje Automático

¿Por qué se cambia de modelo clásico al modelo basado en aprendizaje automático?. Para que la inteligencia artificial se parezca más a los humanos. Para que los modelos sean más fáciles de actualizar y evolucionar. Para reducir el costo de desarrollo de los modelos.

¿Qué ventajas tienen los modelos basados en aprendizaje automático frente a los sistemas expertos?. Mayor capacidad de generalización y adaptación a nuevos datos. Mayor facilidad de programación y mantenimiento. Mayor precisión en tareas específicas.

¿Hacia dónde apuntan los planteamientos y objetivos de este paradigma de inteligencia artificial?. Hacia la creación de máquinas con conciencia y capacidad de razonamiento similar a la humana. Hacia la automatización de tareas específicas y la mejora del rendimiento en áreas concretas. Hacia el desarrollo de robots humanoides que interactúen con las personas.

¿Qué ciencia sienta las bases de la inteligencia artificial actual?. La psicología y la filosofía. La estadística y la probabilidad. La biología y la neurociencia.

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

¿Qué tipo de inteligencia artificial es capaz de realizar una tarea concreta dentro de un campo de especialización?. Inteligencia Artificial Fuerte. Inteligencia Artificial Débil. Inteligencia Artificial General.

¿Cuál es una de las ventajas de la Inteligencia Artificial Débil?. Puede ser aplicada en múltiples ámbitos. Se controla más fácilmente y no presenta comportamientos inesperados. Posee un comportamiento similar a la inteligencia humana.

¿Cuál es una desventaja de la Inteligencia Artificial Débil?. Requiere un gran volumen de datos para funcionar. Es muy limitada y solo sirve para aplicaciones muy concretas. Puede realizar múltiples tareas simultáneamente.

¿Qué tipo de inteligencia artificial se asemeja a los asistentes virtuales como Alexa o Siri?. Inteligencia Artificial Fuerte. Inteligencia Artificial General. Inteligencia Artificial Débil.

¿Qué es la IA Fuerte o General?. La capacidad de una IA de resolver problemas en un contexto específico. La capacidad de una IA para realizar múltiples tareas en diferentes contextos y que se acerque al razonamiento humano. Un tipo de IA que es capaz de aprender de grandes cantidades de datos.

¿Qué es el teorema de Bayes?. Un método para clasificar datos en diferentes categorías. Un método para calcular la probabilidad de una hipótesis basada en su probabilidad previa y los datos observados. Un algoritmo de aprendizaje automático para el reconocimiento de imágenes.

¿Qué se busca optimizar en el modelado probabilístico usando el teorema de Bayes?. La probabilidad de la hipótesis. La veracidad de los datos. La probabilidad posterior, o MAP.

¿Qué asumen los algoritmos Naive Bayes?. Que todas las variables de entrada son completamente dependientes entre sí. Que todas las variables de entrada son independientes entre sí. Que solo una variable de entrada afecta a la salida.

¿Cuáles son algunas de las ventajas de los algoritmos Naive Bayes?. Son muy precisos y siempre reflejan la realidad de los datos. Son fáciles y rápidos de implementar, y funcionan bien con datos incompletos. Pueden realizar múltiples tareas simultáneamente.

¿Cuáles son algunas de las desventajas de los algoritmos Naive Bayes?. Tienden a sobreestimar las probabilidades y no siempre reflejan la realidad. Son lentos y requieren mucha memoria. Solo pueden clasificar datos en dos categorías.

¿Qué tipo de método es el KNN?. Un método de clasificación paramétrico. Un método de clasificación no paramétrico. Un método de regresión lineal.

¿En qué se basa el método KNN?. En calcular la distancia entre un nuevo caso y los casos más cercanos en un mapa de coordenadas. En la creación de reglas basadas en los datos. En la estimación de la probabilidad de que un elemento pertenezca a una clase.

¿Qué ocurre si el valor de K es demasiado pequeño en un modelo KNN?. El modelo se generaliza demasiado. El modelo es más sensible al ruido y a las anomalías. El modelo funciona de manera óptima.

¿Qué ocurre si el valor de K es demasiado grande en un modelo KNN?. El modelo funciona de manera óptima. El modelo se generaliza demasiado, perdiendo definición. El modelo es más resistente al ruido.

¿Qué parámetro debemos 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.

¿Cómo se clasifican los algoritmos de recomendación (Netflix, Spotify, etc.)?. Inteligencia Artificial Fuerte. Inteligencia Artificial Débil. Sistemas expertos.

¿Qué es la autoconciencia conceptual, según Peter Voss?. La habilidad de una IA para aprender nuevos conceptos. La capacidad de las personas de tener conceptos abstractos del 'yo' físico y mental. La habilidad de un algoritmo para recordar acciones pasadas.

¿Qué modelo de IA conversacional es mencionado en el texto?. Gato de DeepMind. LaMDA de Google. AlphaGo.

¿Cuál es el paso final del desarrollo de la IA?. Construir sistemas que puedan formar representaciones sobre sí mismos. Mejorar la capacidad de los algoritmos de recomendación. Desarrollar vehículos autónomos más eficientes.

¿Qué es el aprendizaje automático (Machine Learning)?. Un campo que estudia cómo los humanos aprenden. Un campo de la informática que permite a las computadoras aprender de los datos. Un tipo de software para la creación de videojuegos.

¿Qué tipo de datos se utilizan principalmente en el aprendizaje automático?. Solo texto escrito. Solo imágenes. Cualquier tipo de datos, como texto, imágenes, números, etc.

¿Cuál es el objetivo principal del aprendizaje automático?. Crear programas que jueguen ajedrez. Permitir a las computadoras tomar decisiones basadas en datos. Diseñar robots con forma humana.

¿Qué es el 'entrenamiento' en el contexto del aprendizaje automático?. El proceso de enseñar a los humanos a usar la IA. El proceso de alimentar un algoritmo con datos para que aprenda. La etapa final de un proyecto de aprendizaje automático.

¿Qué son las 'características' (features) en el aprendizaje automático?. El rendimiento de la computadora. Los diferentes tipos de algoritmos. Las variables o atributos utilizados para hacer predicciones.

¿Cuál es la diferencia principal entre aprendizaje supervisado y no supervisado?. Aprendizaje supervisado utiliza datos etiquetados; no supervisado, no. Aprendizaje no supervisado predice valores; supervisado, no. Aprendizaje supervisado es más fácil; no supervisado, más difícil.

¿Qué tipo de problema resuelve el aprendizaje supervisado?. Clasificación y regresión. Agrupación y reducción de dimensionalidad. Generación de texto y análisis de sentimientos.

¿Qué tipo de problema resuelve el aprendizaje no supervisado?. Clasificación y regresión. Agrupación y reducción de dimensionalidad. Predicción de precios de acciones.

¿Qué es la 'validación cruzada' (cross-validation)?. Un método para entrenar modelos. Una técnica para evaluar el rendimiento de un modelo. Un tipo de algoritmo de aprendizaje automático.

¿Qué es la sobreajuste (overfitting)?. Cuando un modelo se adapta demasiado a los datos de entrenamiento y no generaliza bien. Cuando un modelo es demasiado simple y no puede capturar los patrones en los datos. Cuando el modelo usa demasiadas características.

¿Qué es la 'reducción de la dimensionalidad'?. Aumentar el número de características en un conjunto de datos. Reducir el número de características en un conjunto de datos. Un tipo de algoritmo de aprendizaje automático.

¿Qué son las 'redes neuronales'?. Una técnica para limpiar datos. Un tipo de algoritmo de aprendizaje automático inspirado en el cerebro humano. Un tipo de base de datos.

¿Qué es el 'aprendizaje profundo' (deep learning)?. Un tipo de aprendizaje supervisado. Un tipo de aprendizaje no supervisado. Un subcampo del aprendizaje automático que utiliza redes neuronales con múltiples capas.

¿Qué son los 'hiperparámetros'?. Los parámetros que se aprenden durante el entrenamiento del modelo. Los parámetros que se establecen antes del entrenamiento del modelo. Los datos que se utilizan para entrenar el modelo.

¿Qué métricas se utilizan para evaluar un modelo de clasificación?. Precisión, recall, F1-score. Error cuadrático medio, error absoluto medio. R-cuadrado, logaritmo de verosimilitud.

¿Qué métricas se utilizan para evaluar un modelo de regresión?. Precisión, recall, F1-score. Error cuadrático medio, error absoluto medio. Exactitud, Falsos Positivos, Falsos Negativos.

¿Qué es el 'aprendizaje por refuerzo'?. Un tipo de aprendizaje supervisado. Un tipo de aprendizaje no supervisado. Un tipo de aprendizaje donde un agente aprende a tomar decisiones en un entorno para maximizar una recompensa.

¿Qué papel juega la estadística en el aprendizaje automático?. No juega ningún papel. Proporciona herramientas para el análisis de datos, la inferencia y la evaluación de modelos. Es un campo completamente independiente del aprendizaje automático.

¿Qué es la 'interpretación de modelos'?. El proceso de hacer que los modelos sean más complejos. El proceso de comprender cómo y por qué un modelo toma ciertas decisiones. El proceso de entrenar un modelo.

¿Qué es un 'conjunto de datos' (dataset)?. Un tipo de algoritmo de aprendizaje automático. Una colección de datos utilizados para entrenar y evaluar un modelo. Un gráfico que muestra el rendimiento del modelo.

¿Qué es una 'tasa de aprendizaje' (learning rate)?. La velocidad a la que se entrena un modelo. Un hiperparámetro que controla la magnitud de los cambios en los pesos del modelo durante el entrenamiento. La precisión de un modelo.

¿Qué es la 'normalización' de datos?. Una técnica para eliminar los datos irrelevantes. Un proceso para escalar y transformar los datos a un rango específico (por ejemplo, 0 a 1). Un tipo de algoritmo de aprendizaje automático.

¿Qué son las 'funciones de activación' en las redes neuronales?. Las capas ocultas en una red neuronal. Funciones matemáticas que introducen no linealidades en las neuronas. Los datos que se utilizan para entrenar la red neuronal.

¿Qué es el 'gradiente descendiente' (gradient descent)?. Un tipo de red neuronal. Un algoritmo para encontrar los mínimos de una función. Un método para generar datos.

¿Qué es la 'regularización'?. Un método para predecir el futuro. Técnicas para prevenir el sobreajuste de un modelo. Un tipo de función de activación.