Di Gi T4-5

Relaciona cada Tipo de IA con su correspondiente descripción. Sistemas diseñados y entrenados para realizar tareas específicas. Asistentes virtuales, sistemas de recomendación, sistemas de filtrado de spam de correo electrónico, o algoritmos de reconocimiento de voz o de reconocimiento facial. Tendría la capacidad de entender, aprender y aplicar conocimientos de una manera general, de una forma similar a como lo hace un ser humano. Podría tener una conversación significativa sobre cualquier tema, tanto técnico como filosófico, mostrando una comprensión profunda; sería capaz de llevar a cabo investigaciones científicas avanzadas, formulando hipótesis y llevando a cabo experimentos; y podría también adaptarse a nuevos entornos y tareas sin necesidad de sufrir una reprogramación específica. Utiliza representaciones explícitas y formales de conceptos y las relaciones existentes entre ellos empleando redes semánticas, ontologías y sistemas basados en reglas. Representación explícita del conocimiento, razonamiento basado en reglas, transparencia y comprensibilidad, o manipulación de lenguajes naturales. Se basa en modelos matemáticos y métodos computacionales que intentan emular el aprendizaje y el procesamiento de información de manera similar a cómo lo hacen los sistemas biológicos, particularmente el cerebro humano. Puede manejar grandes cantidades de datos y adaptarse a nuevas situaciones sin la necesidad de una programación explícita y detallada de reglas.

Relaciona cada etapa con su correspondiente hallazgo. Décadas de 1940 y 1950. Década de 1950. Década de 1960 y 1970. Década de 1980. Década de 1990. Década de 2000. Década de 2010. Década de 2020.

La minería de datos, conocida también como data mining, es el proceso de descubrir patrones, tendencias y relaciones significativas en grandes conjuntos de datos mediante el uso de técnicas estadísticas, matemáticas y de inteligencia artificial. Este proceso implica el análisis de datos desde diferentes perspectivas y la conversión de estos datos en información útil para la toma de decisiones. Verdadero. Falso.

El claustering es el proceso de descubrir patrones, tendencias y relaciones significativas en grandes conjuntos de datos mediante el uso de técnicas estadísticas, matemáticas y de inteligencia artificial. Este proceso implica el análisis de datos desde diferentes perspectivas y la conversión de estos datos en información útil para la toma de decisiones. Falso. Verdadero.

Indica el orden de las etapas a seguir en el proceso de minería de datos. Recolección y preparación de datos. Transformación de datos. Modelado y análisis. Evaluación e interpretación. Despliegue y uso de resultados.

Relaciona cada técnica en minería de datos con su descripción.(LEER). Clasificación. Clustering. Regresión. Análisis de asociación. Detección de anomalías.

Tanto el aprendizaje automático como el aprendizaje profundo necesitan gran cantidad de datos para aprender y mejorar de los errores cometidos. Es un proceso de entrenamiento infinito con el que se busca la mejora continua. Este entrenamiento o aprendizaje presenta tres enfoques distintos. Verdadero. Falso.

Tanto el aprendizaje automático como el aprendizaje profundo necesitan gran cantidad de datos para aprender y mejorar de los errores cometidos. Es un proceso de entrenamiento infinito con el que se busca la mejora continua. Este entrenamiento o aprendizaje presenta cuatro enfoques distintos. Falso. Verdadero.

El objetivo del aprendizaje supervisado es encontrar patrones o estructuras ocultas en los datos. Las aplicaciones más comunes de este tipo de aprendizaje incluyen la técnica de agrupación y la reducción de dimensionalidad. Falso. Verdadero.

En el aprendizaje supervisado el objetivo es aprender a partir de datos etiquetados. Esto implica que para cada entrada el modelo recibe una etiqueta de la misma. Verdadero. Falso.

El aprendizaje no supervisado se da en un entorno donde se adoptan acciones para lograr una recompensa. No se dan respuestas correctas explícitas, sino que se aprende a través del sistema prueba/error, y la retroalimentación se presenta en forma de recompensas o castigos. Falso. Verdadero.

En el aprendizaje no supervisado el objetivo es encontrar patrones o estructuras ocultas en los datos. Las aplicaciones más comunes de este tipo de aprendizaje incluyen la técnica de agrupación y la reducción de dimensionalidad. Verdadero. Falso.

Relaciona cada aprendizaje con su descripción. Aprendizaje supervisado. Aprendizaje no supervisado. Aprendizaje por refuerzo.

La inteligencia artificial tiene aplicaciones amplias y diversas en distintos sectores productivos. Relaciona las funciones con las áreas donde se está utilizando la IA. Diagnóstico y tratamiento. Detección de fraude. Automatización de procesos. Optimización de rutas. Predicción de cosechas. Recomendaciones de productos. Análisis de rendimiento. Reclutamiento y selección.

¿Cuál de los siguientes ejemplos corresponde a IA débil ?. Un asistente virtual que responde preguntas sobre los horarios de los talleres. Una IA capaz de crear proyectos de intervención social de manera autónoma. Una IA que puede razonar sobre problemas complejos sin supervisión. Un sistema que comprende emociones humanas y genera conocimiento nuevo sin programación.

¿Por qué la IA fuerte todavía no se utiliza en la práctica?. Porque es un concepto teórico y no existen sistemas que aprendan y razonen como un humano. Porque no puede funcionar con datos digitales. Porque los sistemas actuales de IA son demasiado caros. Porque requiere programas antivirus muy avanzados.

¿Cuál de las siguientes características no corresponde a la IA fuerte?. Reconocimiento de voz o facial para identificar usuarios. Aprender de manera autónoma a partir de experiencias. Capacidad de razonamiento y resolución de problemas complejos. Simulación de emociones humanas.

Si un centro decide usar un sistema de recomendación para sugerir actividades personalizadas, ¿qué tipo de IA estaría implementando?. IA débil. IA general autónoma. IA fuerte. IA emocional consciente.

La inteligencia artificial fuerte se caracteriza por: Comprender y adaptarse a cualquier tarea sin reprogramación. Basarse exclusivamente en redes neuronales profundas. Ejecutar varias tareas específicas sin aprendizaje autónomo. Manipular símbolos y reglas explícitas.

¿Cuál de los siguientes ejemplos corresponde únicamente a IA débil?. Un asistente virtual que responde preguntas básicas. Un modelo capaz de adaptarse a cualquier entorno sin entrenamiento adicional. Un sistema con emociones simuladas. Un sistema capaz de formular hipótesis científicas sin intervención humana.

La IA simbólica presenta una ventaja clave frente a la subsimbólica: Mayor transparencia en cómo toma decisiones. Capacidad superior para manejar big data. Mejor adaptación a entornos cambiantes. Menor necesidad de programación explícita.

La IA subsimbólica se asocia principalmente con: Aprendizaje profundo y redes neuronales. Procesamiento simbólico del lenguaje. Reglas escritas manualmente. Ontologías y redes semánticas.

Un sistema capaz de reconocer patrones sin disponer de datos etiquetados usa: Aprendizaje no supervisado. Aprendizaje por refuerzo. Aprendizaje supervisado. Minería de datos semántica.

La primera etapa del proceso de minería de datos incluye: Limpieza y preprocesamiento de datos. Entrenamiento de algoritmos genéticos. La evaluación del modelo. La conversión del conocimiento en decisiones estratégicas.

En el aprendizaje por refuerzo, el agente aprende principalmente mediante: Recompensas y penalizaciones. Comparación estadística entre modelos. Reglas estáticas. Etiquetas de datos predefinidas.

La IA y el big data se relacionan porque: El big data proporciona datos para entrenar IA. La IA elimina la necesidad de big data. El big data solo funciona con IA simbólica. La IA genera datos y el big data los analiza.

Dentro del aprendizaje supervisado, el elemento clave es: La existencia de etiquetas asociadas a los datos de entrada. Ausencia de etiquetas. Exploración del entorno sin respuestas. Retropropagación de errores en datos no estructurados.

El concepto de IA fuerte implica: Igualar la flexibilidad intelectual humana. Basarse únicamente en lógica difusa. Ser un sistema ya plenamente desarrollado. Comprender solo dominios estructurados.

En minería de datos, modelar y analizar consiste en: Encontrar patrones mediante técnicas especializadas. Recolectar los datos. Convertir datos en un formato adecuado. Evaluar la precisión final.

En aprendizaje no supervisado, el clustering se utiliza para: Agrupar elementos sin etiquetas previas. Predecir clases a partir de datos conocidos. Asignar recompensas y castigos. Reducir la dimensionalidad de datos etiquetados.

El ejemplo del robot que evita obstáculos corresponde a: Aprendizaje por refuerzo. IA fuerte. Aprendizaje supervisado. Aprendizaje no supervisado.

¿Qué etapas pertenecen al proceso de minería de datos?. Transformación de datos. Recolección y preparación. Modelado y análisis. Evaluación e interpretación. Despliegue y uso de resultados. Aprendizaje reforzado. Retropropagación del error. Compresión de datos. Confección de ontologías.

¿Qué características son propias de la IA fuerte?. Emoción y consciencia. Razonamiento general. Aprendizaje autónomo. Capacidad de adaptarse a tareas nuevas sin reprogramación. Conversación profunda sobre cualquier tema. Realizar solo una tarea específica. Basada únicamente en símbolos. Transparencia absoluta en sus decisiones. Existencia real en sistemas actuales.

El aprendizaje supervisado utiliza datos etiquetados como base del entrenamiento. Verdadero. Falso.

La IA simbólica es más adecuada que la subsimbólica para manejar grandes cantidades de datos en tiempo real. Falso. Verdadero.

El aprendizaje por refuerzo consiste en otorgar etiquetas fijas a cada ejemplo. Falso. Verdadero.

¿En qué década se considera que nació formalmente la inteligencia artificial como disciplina?. Años 1950. Años 1980. Años 1960. Años 1970.

¿Qué avance clave marcó la década de 1980 en la evolución de la IA?. La creación de los sistemas expertos y el uso de la retropropagación. La aparición del big data. Primeros algoritmos y sistemas. El surgimiento de la IA generativa.

¿Cuál es la primera etapa en un proceso de minería de datos?. Recolección y preparación de datos. Transformación de datos. Evaluación e interpretación. Modelado y análisis.

Durante la etapa de modelado y análisis en minería de datos, ¿qué se realiza principalmente?. Aplicar técnicas estadísticas y de IA para identificar patrones. Limpiar inconsistencias y corregir datos faltantes. Llevar los resultados a producción. Convertir los datos en un formato común.

¿En qué etapa del proceso de minería de datos se determina la utilidad y precisión de un modelo?. Evaluación e interpretación. Transformación. Recolección. Despliegue.

¿En qué etapa del proceso de minería de datos se decide cómo integrar los resultados obtenidos en las operaciones reales de una organización?. Despliegue y uso de resultados. Evaluación e interpretación. Transformación de datos. Recolección y preparación.

¿Qué acción suele realizarse durante la etapa de transformación de datos para permitir que los modelos funcionen correctamente?. Normalizar o escalar valores para homogeneizar las variables. Revisar si los modelos obtenidos son precisos y funcionales. Establecer la segmentación de clientes. Aplicar recompensas y castigos para mejorar rendimiento.