Cuestionario de Justificación y Antecedentes del Aprendizaje Automático

¿Por qué se cambia de modelo clásico al modelo basado en aprendizaje automático?. Porque los modelos clásicos eran más rígidos y difíciles de actualizar. Porque los modelos basados en aprendizaje automático son más fáciles de entender. Porque los modelos clásicos eran más baratos de construir.

¿Qué ventajas tienen los modelos basados en aprendizaje automático frente a los sistemas expertos?. Mayor capacidad de adaptación y aprendizaje de patrones complejos. Menor dependencia del equipo que los construye. Mayor facilidad de programación.

¿Hacia dónde apuntan los planteamientos y objetivos de este paradigma de inteligencia artificial?. Hacia la creación de una inteligencia artificial fuerte o general. Hacia la creación de sistemas expertos. Hacia la simplificación de los modelos existentes.

¿Qué ciencia sienta las bases de la inteligencia artificial actual?. Estadística y Probabilidad. Filosofía. Ingeniería de software.

¿Qué modelos utilizado actualmente reflejan más claramente la base estadística del aprendizaje automático?. Modelos bayesianos y KNN. Sistemas expertos. Modelos basados en lógica difusa.

¿Cuál es la diferencia principal entre inteligencia artificial fuerte y débil?. La capacidad de la IA fuerte para razonar y adaptarse a diferentes contextos, y la IA débil se especializa en una tarea. La IA fuerte es más fácil de desarrollar, mientras que la IA débil es más compleja. La IA fuerte se basa en datos, mientras que la IA débil se basa en reglas.

¿Cuál es un ejemplo de inteligencia artificial débil?. Un asistente virtual como Alexa. Un robot humanoide. Un sistema que sueña.

¿Qué es un modelo generalista en el contexto de la IA?. Un modelo que puede realizar muchas tareas diferentes al mismo tiempo. Un modelo que se especializa en una sola tarea. Un modelo que es mejor que los humanos en todas las tareas.

¿Qué implica la autoconciencia en la IA fuerte?. La capacidad de la IA para entender su propio funcionamiento y tomar decisiones. La capacidad de la IA para realizar tareas más rápido que los humanos. La capacidad de la IA para sentir emociones.

¿Qué papel juega el Teorema de Bayes en el aprendizaje automático?. Proporciona una forma de calcular la probabilidad de una hipótesis basada en datos. Permite crear IA con sentimientos. Garantiza que la IA nunca cometa errores.

¿Qué es un modelo probabilístico en aprendizaje automático?. Un modelo que utiliza la probabilidad para describir las relaciones en los datos. Un modelo que siempre predice resultados perfectos. Un modelo que no usa datos.

¿Cuáles son las ventajas de los algoritmos Naive Bayes?. Son fáciles y rápidos de implementar, y funcionan bien con datos incompletos. Siempre producen estimaciones precisas. No asumen ninguna independencia entre las variables.

¿En qué se basan los modelos KNN?. En clasificar un nuevo caso basándose en la mayoría de los casos cercanos. En reglas 'if-else'. En adivinar la respuesta al azar.

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

¿Cuál es la principal desventaja de KNN?. Requiere mucho cálculo cada vez que se predice. Siempre clasifica mal. Solo funciona con dos clases.

¿Por qué el Machine Learning se relaciona con la estadística?. Ambos se basan en el análisis de datos para aprender patrones. La estadística es un subconjunto del Machine Learning. La estadística es irrelevante para el Machine Learning.

¿Qué se entiende por 'modelo' en el contexto del aprendizaje automático?. Una hipótesis sobre las relaciones en los datos. Un programa informático complejo. Una representación visual de los datos.

¿Qué es la 'inferencia estadística'?. El proceso de extraer conclusiones sobre una población a partir de una muestra de datos. Un tipo de algoritmo de aprendizaje automático. Una forma de calcular la media de un conjunto de datos.

¿Cuál es el propósito principal de los algoritmos de recomendación?. Predecir las preferencias de los usuarios. Crear una IA fuerte. Organizar datos en forma de lista.

¿Qué es la dimensionalidad en el contexto del aprendizaje automático?. El número de variables o características en un conjunto de datos. La precisión de un modelo. La velocidad a la que se entrena un modelo.

¿Qué es el 'overfitting' en el aprendizaje automático?. Cuando un modelo se ajusta demasiado a los datos de entrenamiento y no generaliza bien a nuevos datos. Cuando un modelo es demasiado simple y no puede capturar los patrones en los datos. Cuando se utilizan demasiadas variables en un modelo.

¿Qué es el 'underfitting' en el aprendizaje automático?. Cuando un modelo es demasiado simple y no puede capturar los patrones en los datos. Cuando un modelo se ajusta demasiado a los datos de entrenamiento. Cuando se utilizan demasiadas variables en un modelo.

¿Qué son las 'redes neuronales profundas'?. Redes neuronales con múltiples capas ocultas. Redes neuronales con una sola capa. Redes neuronales que solo pueden procesar datos de texto.

¿Qué es el 'aprendizaje supervisado'?. Un tipo de aprendizaje automático donde el modelo aprende a partir de datos etiquetados. Un tipo de aprendizaje automático donde el modelo aprende sin datos etiquetados. Un tipo de aprendizaje automático que se utiliza para generar imágenes.

¿Qué es el 'aprendizaje no supervisado'?. Un tipo de aprendizaje automático donde el modelo aprende sin datos etiquetados. Un tipo de aprendizaje automático donde el modelo aprende a partir de datos etiquetados. Un tipo de aprendizaje automático que se utiliza para clasificar imágenes.

¿Qué es la 'validación cruzada'?. Una técnica para evaluar el rendimiento de un modelo utilizando múltiples divisiones de los datos. Una técnica para seleccionar el mejor modelo. Una técnica para limpiar los datos.

¿Qué es la 'función de pérdida'?. Una función que mide la diferencia entre las predicciones del modelo y los valores reales. Una función que se utiliza para entrenar el modelo. Una función que se utiliza para evaluar el modelo.

¿Qué es el 'gradiente descendente'?. Un algoritmo para encontrar los valores de los parámetros del modelo que minimizan la función de pérdida. Una técnica para limpiar los datos. Una técnica para evaluar el rendimiento del modelo.

¿Qué es el 'aprendizaje por refuerzo'?. Un tipo de aprendizaje donde un agente aprende a tomar decisiones en un entorno para maximizar una recompensa. Un tipo de aprendizaje donde el modelo aprende a partir de datos etiquetados. Un tipo de aprendizaje donde el modelo aprende sin datos etiquetados.

¿Qué son los 'hiperparámetros'?. Parámetros que se ajustan antes del entrenamiento del modelo. Parámetros que se aprenden durante el entrenamiento del modelo. Parámetros que no afectan al modelo.

¿Qué es la 'regularización'?. Una técnica para evitar el overfitting. Una técnica para mejorar la precisión de un modelo. Una técnica para limpiar los datos.

¿Qué es la 'selección de características'?. El proceso de elegir las variables más relevantes para un modelo. El proceso de limpiar los datos. El proceso de ajustar los hiperparámetros.

¿Qué es la 'ingeniería de características'?. El proceso de crear nuevas características a partir de las existentes. El proceso de limpiar los datos. El proceso de ajustar los hiperparámetros.

¿Qué es la 'evaluación de modelos'?. El proceso de medir el rendimiento de un modelo. El proceso de entrenar un modelo. El proceso de limpiar los datos.

¿Qué es la 'precisión' en la evaluación de modelos de clasificación?. La proporción de predicciones correctas sobre el total de predicciones. La proporción de verdaderos positivos sobre el total de positivos. La proporción de verdaderos positivos sobre el total de predicciones positivas.

¿Qué es la 'exhaustividad (recall)' en la evaluación de modelos de clasificación?. La proporción de verdaderos positivos sobre el total de positivos. La proporción de predicciones correctas sobre el total de predicciones. La proporción de verdaderos positivos sobre el total de predicciones positivas.

¿Qué es la 'puntuación F1'?. La media armónica de la precisión y la exhaustividad. La media aritmética de la precisión y la exhaustividad. Una medida de la complejidad del modelo.

¿Qué es la 'curva ROC'?. Una gráfica que muestra el rendimiento de un modelo de clasificación a diferentes umbrales. Una gráfica que muestra la precisión de un modelo. Una gráfica que muestra la pérdida de un modelo.

¿Qué es el 'área bajo la curva ROC (AUC)'?. Una métrica que resume el rendimiento de un modelo de clasificación en la curva ROC. Una métrica que mide la precisión del modelo. Una métrica que mide la complejidad del modelo.

¿Qué es la 'regresión' en el aprendizaje automático?. Un tipo de aprendizaje supervisado que se utiliza para predecir valores continuos. Un tipo de aprendizaje supervisado que se utiliza para clasificar datos. Un tipo de aprendizaje no supervisado.

¿Qué es la 'distribución de probabilidad'?. Una función que describe la probabilidad de que una variable aleatoria tome ciertos valores. Una función que describe la complejidad de un modelo. Una función que describe la precisión de un modelo.

¿Qué es la 'entropía cruzada' en el contexto del aprendizaje automático?. Una medida de la diferencia entre dos distribuciones de probabilidad. Una medida de la precisión del modelo. Una medida de la complejidad del modelo.

¿Qué es el 'aprendizaje por transferencia'?. Utilizar el conocimiento de un modelo pre-entrenado en una tarea diferente. Entrenar un modelo desde cero. Dividir los datos en conjuntos de entrenamiento y prueba.

¿Qué es el 'análisis de componentes principales (PCA)'?. Una técnica de reducción de dimensionalidad. Una técnica para limpiar datos. Una técnica para mejorar la precisión del modelo.

¿Qué es el 'clustering'?. Un tipo de aprendizaje no supervisado que agrupa datos similares. Un tipo de aprendizaje supervisado. Una técnica para la validación de modelos.

¿Qué es el 'K-means'?. Un algoritmo de clustering. Un algoritmo de clasificación. Un algoritmo de regresión.