Fundamentos de inteligencia artificial

¿Cuál es una consideración ética fundamental en IA relacionada con los datos de entrenamiento que reflejan prejuicios sociales?. A. La autonomía de las máquinas. B. Los sesgos algorítmicos y la discriminación. C. El impacto en el consumo energético. D. La velocidad de procesamiento de los algoritmos.

¿Cuál fue el evento considerado el "nacimiento formal" de la Inteligencia Artificial, donde se acuñó el término?. A. La publicación del artículo "On Computable Numbers" de Alan Turing. B. La Conferencia de Dartmouth en 1956. C. La creación del Perceptrón por Rosenblatt. D. La victoria de Deep Blue sobre Kasparov.

¿Qué científico propuso la "Prueba de Turing" como un criterio para evaluar si una máquina podía exhibir comportamiento inteligente indistinguible del humano?. A. John McCarthy. B. Marvin Minsky. C. Alan Turing. D. Geoffrey Hinton.

¿Qué representa el "modelo" en el contexto del Machine Learning?. A. El conjunto de datos crudos utilizado para el entrenamiento. B. El algoritmo de aprendizaje en sí mismo. C. La representación del conocimiento aprendido por el algoritmo a partir de los datos. D. El hardware donde se ejecuta el sistema de IA.

¿Qué tecnología es fundamental para el auge del Aprendizaje Profundo debido a su capacidad para realizar cálculos masivos de forma eficiente?. A. CPUs de bajo consumo. B. Unidades de Procesamiento Gráfico (GPUs). C. Memorias RAM de alta velocidad. D. Discos de estado sólido (SSDs).

¿Qué tendencia actual en IA se enfoca en ejecutar algoritmos directamente en dispositivos locales como smartphones o sensores, en lugar de en la nube?. A. IA Cuántica. B. IA en el Borde (Edge AI). C. IA Simbólica Avanzada. D. IA Federada Centralizada.

El enfoque conexionista de la IA se inspira principalmente en: A. Las leyes de la lógica formal. B. La estructura y funcionamiento del cerebro humano. C. Los principios de la termodinámica. D. Los modelos económicos de toma de decisiones.

El enfoque de la IA que se basa en la manipulación de símbolos y reglas lógicas para representar el conocimiento y realizar inferencias se conoce como: A. IA Conexionista. B. IA Simbólica. C. IA Híbrida. D. Aprendizaje por Refuerzo.

La tarea de agrupar datos similares sin etiquetas previas, como la segmentación de clientes, es un ejemplo de: A. Regresión. B. Clasificación. C. Clustering. D. Aprendizaje por Refuerzo.

Un agente inteligente es aquel que: A. Siempre toma la decisión moralmente correcta. B. Puede resolver cualquier problema matemático. C. Actúa para maximizar su rendimiento esperado, dadas sus percepciones y conocimiento. D. Imita perfectamente el comportamiento humano en todas las situaciones.

¿Cuál es el beneficio principal de usar "Poda Alfa-Beta" con el algoritmo Minimax en juegos?. A. Simplifica las reglas básicas del juego. B. Reduce la cantidad de jugadas a evaluar. C. Asegura que la IA gane siempre al jugar. D. Introduce un factor de azar en la partida.

¿Cuál es la principal ventaja de la Búsqueda en Profundidad (DFS) cuando tenemos muy poca memoria en la computadora?. A. Siempre encuentra la mejor solución. B. Es la más rápida. C. Usa menos memoria porque solo recuerda el camino actual. D. Funciona bien cuando hay muchos caminos posibles.

¿Qué define un "Problema de Satisfacción de Restricciones" (CSP)?. A. Encontrar el camino más corto. B. Ganarle a un oponente. C. Encontrar valores para un conjunto de variables que cumplan con ciertas reglas o condiciones. D. Estimar qué tan lejos está una solución.

Cuando le pedimos a una computadora que resuelva un problema, el primer paso es describirle claramente qué es el problema. ¿Esto se llama?. A. Programar la solución. B. Formulación del problema. C. Probar el programa. D. Comprar una computadora más rápida.

El algoritmo Minimax es útil para programar computadoras que puedan: A. Resolver puzzles como el Sudoku. B. Encontrar la ruta más corta en un mapa. C. Jugar juegos contra un oponente, como el ajedrez o tres en raya. D. Aprender de grandes cantidades de datos.

En el algoritmo Minimax para un juego, el jugador "MAX" quiere que su puntuación sea lo más alta posible, y el jugador "MIN" (el oponente) quiere que la puntuación de MAX sea: A.También lo más alta posible. B. Lo más baja posible. C. Exactamente cero. D. Impredecible.

Imagina que estás en un laberinto y pruebas un camino hasta el final antes de intentar otro. ¿A qué tipo de búsqueda se parece más esta estrategia?. A. Búsqueda en Anchura (BFS). B. Búsqueda en Profundidad (DFS). C. Búsqueda con pistas (Informada). D. No es un tipo de búsqueda.

Imagina que todas las posibles situaciones de un problema son puntos en un mapa. ¿Qué representan las líneas que unen esos puntos?. A. Lo difícil que es cada situación. B. Las soluciones al problema. C. Las acciones que te llevan de una situación a otra. D. Los puntos donde no hay solución.

Para que una computadora pueda resolver un problema, ¿cuál de estos NO necesitamos definirle claramente al principio?. A. Dónde empieza (Estado Inicial). B. La velocidad del procesador de la computadora. C. Qué puede hacer (Acciones). D. Cuándo ha terminado con éxito (Objetivo).

Si un algoritmo de búsqueda usa una "pista" o "atajo" para intentar llegar más rápido a la solución, ¿cómo se llama ese tipo de búsqueda?. A. Búsqueda a ciegas. B. Búsqueda aleatoria. C. Búsqueda informada o heurística. D. Búsqueda obligatoria.

¿Cuál es el propósito principal de la representación del conocimiento en IA?. A. Formalizar información para que la máquina pueda razonar. B. Desarrollar algoritmos de aprendizaje más rápidos. C. Optimizar el almacenamiento de grandes bases de datos. D. Mejorar la velocidad de procesamiento del hardware.

¿Qué permite la lógica de predicados que la lógica proposicional no puede expresar directamente?. A. El uso de tablas de verdad para evaluación. B. La combinación de enunciados con "Y" y "O". C. Afirmaciones sobre propiedades de objetos y relaciones entre ellos, como Hermano(Juan, Pedro). D. La negación de una proposición simple.

El razonamiento probabilístico se utiliza en IA principalmente para: A. Definir conceptos con límites precisos y claros. B. Garantizar la veracidad absoluta de las conclusiones. C. Representar jerarquías complejas de conocimiento. D. Manejar la incertidumbre cuantificando grados de creencia.

En un sistema basado en reglas como "SI Temperatura > 100 ENTONCES Alarma = ON", el motor de inferencia: A. Solo almacena la regla sin usarla. B. Pregunta al usuario si debe activar la alarma. C. Modifica la regla si la temperatura es baja. D. Activa la alarma si la condición de temperatura se cumple.

La conectiva lógica P ∧ Q (conjunción) es verdadera únicamente si: A. Al menos una entre P o Q es verdadera. B. Tanto P como Q son verdaderas simultáneamente. C. P es verdadera y Q es falsa. D. P es falsa y Q es verdadera.

La fuzzificación en un sistema de inferencia difuso implica: A. Seleccionar la regla difusa más específica para activar. B. Transformar una salida difusa en un valor nítido. C. Convertir un valor numérico, como 38°C, en un grado de pertenencia a "fiebre". D. Combinar los resultados de múltiples reglas difusas.

La lógica difusa es especialmente adecuada para modelar: A. Conceptos vagos como "fiebre alta" o "velocidad moderada". B. Sistemas que requieren pruebas matemáticas formales. C. Conocimiento que es siempre verdadero o falso. D. Relaciones causales con total certeza.

Si P es "Está lloviendo" y Q es "La calle está mojada", cuál representa "Si está lloviendo, entonces la calle está mojada". A. P ∧ Q. B. P → Q. C. P ∨ Q. D. ¬P.

Si un sistema usa encadenamiento hacia adelante y sabe que "X es un canario" y tiene la regla "SI Y es un canario ENTONCES Y es un pájaro", ¿qué infiere?. A. Que "X es un pájaro". B. Que "X no es un pájaro". C. Nada, necesita más reglas. D. Que todos los pájaros son canarios.

Una desventaja común de los sistemas basados en reglas tradicionales es: A. Su incapacidad para realizar inferencias lógicas. B. La inherente falta de explicabilidad de sus decisiones. C. La dificultad en la adquisición y mantenimiento del conocimiento. D. Su bajo rendimiento en dominios bien estructurados.

¿Qué biblioteca de Python es clave para manipular datos tabulares (DataFrames)?. A. NumPy. B. Matplotlib. C. Pandas. D. TensorFlow.

¿Qué paradigma de ML aprende de datos sin etiquetas de salida?. A. Aprendizaje Supervisado. B. Aprendizaje No Supervisado. C. Aprendizaje por Refuerzo. D. Aprendizaje Semi-Supervisado.

El algoritmo k-Means es una técnica de: A. Predicción de valores. B. Clasificación con etiquetas. C. Agrupamiento de datos. D. Aprendizaje con refuerzo.

El Análisis de Componentes Principales (PCA) se usa para: A. Clasificar datos en grupos. B. Reducir la dimensionalidad. C. Agrupar por densidad. D. Ajustar hiperparámetros.

El modelo que funciona muy bien en los datos de entrenamiento, pero mal en los datos de prueba (no generaliza), sufre de: A. Subajuste o alto sesgo. B. Alto sesgo únicamente. C. Sobreajuste u overfitting. D. Baja varianza solamente.

El propósito principal del Análisis Exploratorio de Datos (Eda) es: A. Entrenar el modelo predictivo final. B. Desplegar el modelo a producción. C. Comprender patrones y datos. D. Optimizar los hiperparámetros.

En Aprendizaje por Refuerzo, el agente recibe del entorno: A. Datos ya etiquetados. B. Hiperparámetros listos. C. Recompensas o castigos. D. Un set de características.

La Codificación One-Hot se usa para: A. Reducir variables numéricas. B. Convertir datos categóricos. C. Tratar valores ausentes. D. Normalizar características.

Las Máquinas de Vectores de Soporte (SVM) para clasificación buscan: A. Crear una jerarquía de datos. B. Maximizar el margen entre clases. C. Aprender con recompensas. D. Modelar con teorema de Bayes.

Para predecir un valor numérico continuo, ¿qué algoritmo es adecuado?. A. k-NN para clasificación. B. Regresión Lineal. C. Árboles de clasificación. D. Clasificador Naive Bayes.