Test final SAA

Desde el punto de vista de la filosofía respecto a la IA fuerte, se tiende a la idea: Una IA fuerte acabará tarde o temprano con la humanidad. En realidad, todos estamos en una simulación controlada por una Ia fuerte sin saberlo. La IA fuerte es Dios. Hoy día se prefiere hablar de lógicas <<de ayuda>> a la creación o a la toma de decisiones más que de máquinas que remplazarían al hombre.

Wasserman diferencia la estadística del machine learning en que: La estadística se encarga de las fórmulas y el machine learning de los cálculos. En nada; afirma que son lo mismo. La estadística modeliza problemas de baja dimensión mientras que el machine learning hace predicciones de alta dimensión. Ninguna de las anteriores.

La inteligencia artificial débil. Es un tipo de inteligencia artificial que puede desarrollar tareas muy diferentes entre sí. Es un tipo de inteligencia artificial que hace muy bien una tarea concreta. Es un modelo que está aún sin terminar. Ninguna de las anteriores.

¿Cuál es la ventaja de los algoritmos de tipo Máquina de Vector Soporte respecto de los de Regresión Logística?. No existe ninguna ventaja. De hecho, se usan más los de Regresión Logística-. Ambas tienen ventajas y desventajas. Cuando nos enfrentamos a problemas de clasificación se pueden utilizar ambos indistintamente. Los del tipo Máquina de Vector Soporte sirven para resolver problemas de clasificación (como los de Regresión Logística) pero también para problemas de regresión, por lo que abarcan problemas más complejos y con más variables. Los del tipo Máquina de Vector Soporte requieren menso recursos computacionales que los de Regresión Logística.

Los algoritmos de Árbol de decisión trabajan muy bien... Únicamente con datos del tipo de regresión. Únicamente con datos del tipo de clasificación. Tanto con datos del tipo de regresión como de clasificación. Con datos de refuerzo.

Los entrenamientos con algoritmos de tipo Clustering se suelen usar... Para problemas que buscan resolver de manera supervisada casos de clasificación. Para cuando no tenemos claro qué otros tipos de algoritmos son más apropiados para lo que queremos predecir. Las primeras fases de las tareas de Aprendizaje Automático, a fin de explorar los datos y detectat correlaciones inesperadas. Después de haber encontrado modelos fiables a través de entrenamientos supervisados, para confirmar que los resultados obtenidos son realmente fiables.

La primera fase del entrenamiento de una red neuronal profunda es: Descenso del gradiente. Función de coste. Forward Pass. Backward Pass.

De los siguientes algoritmos, indica cuál es el que introduce una celda de memoria: FF. DFF. LSTM. SVM.

¿Qué hacen las redes neuronales en relación con los parámetros iniciales?. Definen un modelo de combinación de dichos parámetros para aplicarla en la búsqueda del resultado deseado. Mezclan los parámetros de forma aleatoria a ver si hay suerte y dan con algún resultado aceptable. Las redes neuronales no intervienen de ninguna manera en los parámetros iniciales. Ninguna de las respuestas anteriores es correcta.

En BigML, una vez terminados entrenamientos supervisados con algoritmo de Árbol de Decisión podemos hacer predicciones: Introduciendo dato a dato un nuevo caso. Introduciendo a la vez todos los datos de una nueva instancia. Cargando a través de una base de datos múltiples casos a la vez. Todas las respuestas anteriores son válidas.

¿Puede haber datos erróneos o perdidos en un dataset aunque no nos lo indique BigML en la visualización de dicho dataset?. No. Normalmente no. Sí, cuando en la base de datos se hayan rellenado casillas vacías de forma automática con ceros u otra información genérica. Sí, cuando BigML falla.

¿Qué necesitas en BigML para poder hacer la evaluación de un modelo ya entrenado?. Mucha paciencia. Una base de datos que incluya también el campo objetivo en el entrenamiento, para que la herramient apueda comparar caso a caso el resultado real con el pronosticado por el modelo. Introducir el mismo caso varias veces seguidas para ver si salen resultados distintos. Todas las respuestas anteriores son válidas.

¿Cómo se calcula el "recall" de un modelo entrenado?. Dividiendo el número de casos de una clase identificados correctamente por todos los casos reales de dicha clase. Dividiendo el número de casos de una clase identificados correctamente por todos los casos de esa clase identificados por el modelo. Dividiendo el número de casos correctamente clasificados de todas las clases por el número total de casos. Ninguna de las anteriores.

¿Qué es la validación cruzada a la hora de evaluar un modelo?. Consiste en repetir y calcular la media aritmética obtenida de las medidas de evaluación sobre diferentes particiones del conjunto de datos. Consiste en cruzar los datos que tenemos con los de otro compañero y calcular cada uno el error del otro. Consiste en calcular el error de los datos de entrenamiento en vez de utilizar los de test. Consiste en calcular la métrica de evalaución y buscar su valor simétrico respecto del eje horizontal.

En la detección de anomalías en conjuntos de datos, tenemos que: Las anomalías pueden representar casos o eventos sospechosos que requieren atención. Las anomalías siempre van a ser errores que se han cometido al recoger los datos mal. No se puede saber qué es un caso normal y qué es una anomalía. Lo mejor es eliminar las anomalías del dataset.