Digitalizacion 4 y 5

¿Qué es el machine bias?. A. Es una aplicación de machine learning a sistemas biométricos para mejorar la seguridad en centros de datos y zonas sensibles. B. Es una tendencia del modelo machine learning aplicado a la biología. C. Es el antecesor del modelo machine learning. D. Es el problema de sesgo que tiene típicamente el machine learning.

2. ¿En qué consiste la minería de datos?. A. En descubrir patrones significativos e información útil a través de la exploración y análisis de grandes cantidades de datos. B. En producir datos para que sean consumidos de forma eficiente por una IA. C. Con la realidad virtual. D. Con una combinación de todas las respuestas anteriores, según la dificultad de la formación.

¿Con qué THD se combina la IA para simular escenarios complejos que ayuden a la formación de pilotos de aeronaves?. A. Con la ciberseguridad. B. Con los gemelos digitales. C. Con la realidad virtual. D. Con una combinación de todas las respuestas anteriores, según la dificultad de la formación.

4. ¿Cómo se llama el modelo de aprendizaje de una IA que está orientado a la resolución de problemas complejos?. A. Machine learning. B. Complex learning. C. Data learning. D. Deep learning.

5. ¿Qué tipo de aprendizaje se usa en machine learning para la detección de correo electrónico no deseado?. A. Aprendizaje supervisado. B. Aprendizaje no supervisado. C. Cualquiera de los modelos anteriores, pero lo realmente eficiente para este caso es el complex learning. D. La detección de spam no se consigue con machine learning.

6. ¿Cuál de los siguientes modelos NO corresponde a un tipo de IA?. A. Inteligencia artificial estrecha. B. Inteligencia artificial ancha. C. Inteligencia artificial general. D. Superinteligencia artificial.

7. Hoy en día, ¿de qué tipo de IA son la inmensa mayoría de los ejemplos de IA que vemos en el mundo real?. A. Actualmente no existen ejemplos reales de IA. B. La mayoría son IA de nivel humano, ya que interaccionan con estos. C. Todos los ejemplos se basan en IA débil. D. Los pocos ejemplos que hay son de IA ancha.

8. ¿Cuál es la primera etapa cuando se decide aplicar minería de datos a un negocio?. A. Entender claramente qué se espera lograr con la minería y cómo se utilizará esa información. B. Adquirir un equipo especializado en minería de datos. C. Implementar una aplicación, preferiblemente basada en IA, para poner en práctica el modelo de minería de datos. D. Predecir qué valores se van a obtener para comprobar si el modelo funciona.

9. ¿Qué modelo de aprendizaje se ha empleado para herramientas como ChatGPT o asistentes virtuales como Alexa o Siri?. A. Machine learning. B. Complex learning. C. Data learning. D. Deep learning.

10. ¿Qué suele ser necesario hacer con los datos antes de que una IA los utilice?. A. Nada, solo debemos asegurarnos de que estén en un archivo accesible por la IA. B. Normalmente hay que preprocesarlos y facilitárselos en archivos de tamaño fijo. C. Asegurarnos de que los recibe tal y como se generaron. D. Pasárselos a una IA cuya labor específica es formatearlos.

¿ Cuál de las siguientes NO es una de las seis uves que definen el big data?. a) Volatilidad. b) Valor. c) Veracidad. d) Variedad.

2. ¿En qué consiste la agregación de los datos?. a) En agregar una etiqueta a cada dato. b) En agregar el comíenzo de un dato al final del anterior. c) En eliminar todos los datos duplicados. d) En combinar datos que provienen de diferentes fuentes.

3. ¿Cuáles la principal diferencia entre dato e información?. a) La información surge del procesamiento y organización de datos. b) El dato surge del procesamiento y organización de la información. c) El dato es el resultado de procesar información <en crudo. d) Ninguna, ambos términos significan lo mismo.

4. ¿ Qué significa el término insight?. a) Es el valor de mayor tamaño en un big data. b) Es información significativa que surge al procesar datos. c) Es una herramienta que se utiliza para visualizar datos. d) Es un dato antes de ser procesado por big data.

5. ¿ Cómo se llama la disciplina que busca generar insights?. a) Data science. b) Data analytics. c) Data insights. d) Big data.

6. ¿Para qué se utiliza la información en la data science?. a) Para predecir los problemas futuros. b) Para resolver los problemas de negocio. c) Para convertirla en insights. d) Para transformarla en big data.

7. ¿Al ciclo de vida de qué disciplina corresponde la fase de validación de los resultados?. a) Data science. b) Data analytics. c) Data insights. d) Es una fase común a todos los ciclos de vida.

8. ¿ Cuál de los siguientes NO es un nivel del modelo de almacenamiento de datos por niveles?. a) Nivel caliente. b) Nivel templado. c) Nivel frío. d) Nivel crítico.

9. ¿Para qué se utiUza un dashboard?. a) Para almacenar datos calientes. b) Para eliminar los datos duplicados. c) Para visualizar información relevante en tiempo real. d) Para convertir data science en big data.

10. ¿ Qué relación existe entre la data science y el data analytics?. a) Ninguna. b) Son lo mismo. c) El data analytics es una disciplina derivada de la da a science. d) La data science es una discip lina deri ada del da a analytics.