IN.. AR.. 4V4NZ4D4

Algunas de las tareas que pueden realizar los algoritmos de aprendizaje automáticos son: Reconocer imágenes, entender el lenguaje natural, tomar decisiones…. Inferir conocimiento. Desarrollar agentes inteligentes.

La transducción es un tipo de: aprendizaje. Algoritmos de clasificación. lenguaje de representación de conocimiento.

Se conoce como vector de características a: La representación de los datos de un problema. El conjunto de variables que describen un problema. Al conjunto de datos de salida de un algoritmo.

El aprendizaje supervisado consiste en: Aprender observando el entorno. Entrenar un sistema apartir de un conjunto de datos no etiquetados, compuesto sólo por patrones de entrada. Entrenar un sistema apartir de un conjunto de datos etiquetados o patrones de entrenamiento, compuesto por patrones de entrada y la salida deseada.

Relacione cada modelo de la metodología MASCommonKADS con su respectiva características: 1. Modelo de agentes. 2. Modelo de Comunicación. 3. Modelo de Coordinación. 4. Modelo de Diseño.

Los componentes principales de modelado de la herramienta protégé son: clases, slots, facetas e instancia. clases propiedades y axiomas. clases, relaciones y axiomas.

Se conoce como minería de datos al proceso de: Inferir y representar el conocimiento. Observar la relación entre la información de entrada, y que a simple vista no se puede notar. Extraer y descubrir conocimiento.

Una característica principal de Weka es que se maneja con comandos. V. F.

Se conoce como estructura de representación del conocimiento a una ontología. V. F.

El aprendizaje por refuerzo es aquel que: Que utiliza conocimiento previamente aprendido, este aprendizaje también se lo conoce con el nombre de Bias. Su aprendizaje no se basa explícitamente en una función matemática. Aprende observando el mundo que lo rodea.

El aprendizaje automático puede ser utilizado en la Robótica en casos como: El análisis rutas y gestión de obstáculos. El aprendizaje del sonido evitando ruido en la señal de entrada. Encontrar soluciones en árboles de búsqueda que activen soluciones en diversos campos.

El aprendizaje no supervisado es aquel que: Todo el proceso de modelado se lleva a cabo en el conjunto de entradas del sistema. Aprende observando el mundo que lo rodea. Establece una correspondencia entre las entradas y salidas del sistema.

El aprendizaje automático puede ser utilizado en áreas com el diagnóstico médico desarrollando: sistemas expertos que permitan actualizar el conocimiento de los mismos. sistemas de aprendizaje para determinar el comportamiento biológico de una especie. sistemas de comparación que permiten encontrar soluciones en árboles de búsqueda.

Algunas tareas o técnicas del aprendizaje supervisado son: La clasificación, predicción o regresión. ransformación y evaluación. La agrupación y asociación.

Cuando un agente A envía información "I" a un agente B, suele ser necesario: Que cierta cantidad de información sea transferido a través de FIPA. B realice un proceso de transferencia de información para veirificar si "I" es interpretable. El agente A convierta la información interna de "I" en un contenido ACL, y luego B realice el proceso inverso.

Una ontología puede ser representada como: Una estructura de axiomas y conceptos. Una taxonomía de clases. Una jerarquía de relaciones.

Las técnicas de meta-razonamiento se pueden utilizar para: Diseñar mejores algoritmos de búsqueda y para garantizar que los algoritmos tienen la propiedad "cualquier momento" (anytime). Diseñar algoritmos de cualquier momento. Construir algoritmos de procedimiento meta-nivel.

Los agentes ontológicos son aquellos que usan las tecnologías de la web semántica. F. V.

Scheme es un lenguaje muy utilizado en Inteligencia Artificial para tareas de: representación de conocimiento. segmentación. aprendizaje.

Pensemos en un escenario de un sistema educativo en el que se tiene la intervención de tres agentes: docente, estudiante, administrador. Este último encargado del registro de estudiantes en el sistema. En este escenario cada estudiante tiene preferencias por ciertos cursos. Considerando este escenario el primer paso que se debería hacer para la implementación de los agentes sería: Identificar los roles y servicios. Asignar las responsabilidades a los agentes. Definir el problema a tratar.

Pensemos en un escenario de un sistema educativo en el que se tiene la intervención de tres agentes: docente, estudiante, administrador. Este último encargado del registro de estudiantes en el sistema. En este escenario cada estudiante tiene preferencias por ciertos cursos. En este enunciado se está: efiniendo la estructura, relaciones y funcionalidad de los agente. definiendo las interacciones entre los agentes. describiendo las responsabilidades, tareas y roles.

Para simular la interacción y comunicación entre los agentes se puede utilizar la herramienta: Protegé. JADE. OntoServer.

Los métodos bayesianos se utilizan generalmente para establecer agrupaciones. V. F.

La minería de datos puede ser aplicada en el campo educativo para: Clasificar los hábitos de compras de equipos. Identificar patrones de comportamiento de usuarios (estudiante, profesor). Establecer modelos predictivos del comportamiento del sistema de estudio.

Los ingredientes básicos del conocimiento que se encuentran presentes en una ontología son: El conocimiento del dominio y el lenguaje de representación de conocimiento. La inferencia y el conocimiento. La representación, la inferencia y el conocimiento del dominio.

El objetivo del aprendizaje automático es: Aprender de las entradas y salidas del algoritmo utilizado. Predecir ciertos comportamientos no previstos. Desarrollar técnicas que permitan a las computadoras aprender.

El siguiente enunciado "un programa de computación que aprende a jugar ajedrez debería mejorar su desempeño, medida por su habilidad de ganar al oponente, a través de la experiencia obtenida de las partidas jugadas": Sería un problema de: Sistemas multiagente. Modelado de ontologías. Aprendizaje automático.

El siguiente enunciado "un programa de computación que aprende a jugar ajedrez debería mejorar su desempeño, medida por su habilidad de ganar al oponente, a través de la experiencia obtenida de las partidas jugadas": La experiencia obtenida de las partidas del juego sería: La información que se transfiere entre los oponentes del juego. La experiencia necesaria para el aprendizaje. La base de conocimiento necesaria para el aprendizaje del agente.

Seleccione cuál de las siguientes opciones puede ser utilizada para tareas de minería de datos: Protégé. JADE. R.

Para el desarrollo de un sistema multi-agente (SMA) con la metodología MAS- CommonKADS, interviene la extracción o adquisición de conocimiento para obtener una primera descripción del problema. Este proceso se realiza en la fase de: Integración. Conceptuación. Diseño.

Una red neuronal debe tener como mínimo: Dos capas de entrada. Dos clases de salida. Dos capas ocultas.

Los árboles de decisión dan soporte en: La toma de decisiones desde un punto de vista probabilístico, ante un abanico de posibles decisiones. La agrupación jerárquica de elementos. La toma de decisiones a través de la formulación de grupos conglomerados.

En un modelo oculto de Markov, el estado no es visible directamente para el observador, pero sí lo son las variables influenciadas por el estado. Verdadero. Falso.

Un perceptrón multicapa está compuesto por una capa de entrada y una capa oculta. F. V.

El algoritmo farthestfirst, es un tipo de algoritmo de: Predicción. Agrupación. Regresión.

El Algoritmo Máximo Valor Esperado, es utilizado dentro de las técnicas de predicción. Falso. Verdadero.

Las estructuras neuronales se pueden clasificar de acuerdo a: El número de capas, el tipo de conexión, el grado de conexión. El número de capas, el tipo de algoritmo, la forma de aprendizaje. El número de entradas, el tipo de conexión, el número de salidas.

El aprendizaje por corrección de error es de tipo: Auto-supervisado. No supervisado. Supervisado.

El algoritmo C4.5. transforma el resultado en: Un conjunto de reglas. Un conjunto de funciones aleatorias. Un juego de probabilidades.

Para poder determinar si es recomendable o no que un paciente en un hospital se realice una determinada operación según las condiciones médicas del mismo: Se podría utilizar la técnica de: Árboles de decisión. Máximo valor esperado. Clustering.

Para poder determinar si es recomendable o no que un paciente en un hospital se realice una determinada operación según las condiciones médicas del mismo: El algoritmo más apropiado para este problema es: k-means. EM (Expectation Maximization). J48.

El término backpropagation, se atribuye a: Una red neuronal. Una técnica de cluster. Una técnica de regresión.

El aprendizaje no supervisado es aquel en donde: Se reorganiza la información por si mismo. Existe un conocimiento previo. Se establece una correspondencia entre el conjunto de entrada y la salida del sistema.

Para evitar el problema del sobreajuste, es aconsejable utilizar un grupo de datos diferentes a los de entrenamiento, llamado grupo de validación, que permita controlar el proceso de aprendizaje. Verdadero. Falso.

Un árbol de decisión es útil para la toma de decisiones puesto que: Indica las acciones a realizar en función del valor de una o varias variables. Tiene unas entradas que hacen referencia a la decisión a ser tomada. Obtiene unas salidas que pueden ser un objeto o una situación dada.

Un método de conglomerado tradicional es: k-mean. J48. c4.5.

Una de las ventajas o propiedades de las redes neuronales es que éstas: Tienen las capacidad de modificar los parámetros de los que depende su funcionamiento de acuerdo con los cambios que se produzcan en su entorno de trabajo. No son tolerantes a fallos. Son sistemas distribuidos lineales.

Los pesos en un perceptron se utilizan para: Procesar las entradas. Representar el vector de activación. Establecer valores aleatorios en la función de activación.

El algoritmo c4.5, es utilizado para tareas: De Clasificación. De Agrupación. Probabilísticas.

Un método de conglomerado jerárquico obtiene por lo general un solo grupo. F. V.

Debido a que pueden existir ruido en los ejemplos de entrenamiento se diseñan dos mecanismos de poda, éstos son: Poda basada en error y post-poda. Pre-poda y post-poda. Poda y Pre-poda.

La probabilidad de transición es un valor que se obtiene cuando se pasa de un estado a otro. Verdadero. Falso.

Un modelo de Markov es un modelo siempre probabilístico. Falso. Verdadero.

La técnica de clustering utiliza un tipo de aprendizaje: Supervisado. Mixto. No supervisado.

La unidad fundamental de una red neuronal se conoce como: Perceptron. Procesamiento. Capa oculta.

El algoritmo J48 es una adaptación del algoritmo HMM. Verdadero. F.

El aprendizaje en una red neuronal se puede dar en dos sentidos. Éstos son: Automático y supervisado. Supervisado y no supervisado. Semi-supervisado y no supervisado.

La arquitectura de una red neuronal hace referencia a: El número de capas que utiliza la red neuronal. La estructura, topología o forma de conexión de una red neuronal. Las funciones y al número de capas utilizadas por la red neuronal.

Los métodos jerárquicos se clasifican en: Conglomerados y de máximo valor esperado. Aglomerativos y Disociativos. Supervisados y no supervisados.

En los árboles de decisión un nodo se expande siempre y cuando. El error se mantenga. El error aumente. El error se vea disminuido.

El término INGENIAS hace referencia a: Una metodología para el desarrollo de un sistema multi-agente. Un arquitectura para el desarrollo de sistemas multi-agentes. Una plataforma para el desarrollo de agentes inteligentes.

Un método de conglomerado tradicional es el k-means. Verdadero. Falso.

Una característica principal de Weka es que se maneja con comandos. v. f.

Cuando se posee la información de a qué clase pertenece cada elemento y lo que se desea es conocer cuáles son los atributos que intervienen en la definición de las clases, entonces hacemos referencia a una clasificación: No supervisada. Semi-supervisada. Supervisada.

Los ingredientes básicos del conocimiento que se encuentran presentes en una ontología son: La inferencia y el conocimiento. La representación, la inferencia y el conocimiento del dominio. El conocimiento del dominio y el lenguaje de representación de conocimiento.

Los árboles de decisión generalmente son: Unarios. n-arios. Binarios.

La arquitectura de un agente se encarga de: Hacer que las percepciones de los sensores estén disponibles para el programa, ejecuta el programa y pone en marcha las acciones generadas a través de los actuadores. Hacer que un computador se ocupe de que las actuaciones lleguen al programa y que las percepciones lleguen a los efectores. Hacer que las percepciones de los actuadores ejecute los programas.

El término backpropagation, se atribuye a: Una técnica de cluster. Una red neuronal. Una técnica de regresión.

Los métodos bayesianos se utilizan generalmente para establecer agrupaciones. f. v.

En una red neuronal las neuronas se suelen agrupar en unidades estructurales denominadas: Umbrales. Sinápsis. Capas.

El aprendizaje automático puede ser aplicado en la detección de fraudes con el uso de tarjetas de crédito. Falso. Verdadero.

Un perceptron es la función que permite conectar dos neuronas. Verdadero. Falso.

Los modelos de minería de datos predictivos son aquellos que: Identifican patrones que representan al conjunto de datos. Infieren patrones de variables históricas. Estiman valores futuros de variables de interés.

Una red neuronal monocapa está formada por: Una capa de neuronas que proyectan las entradas a una capa de neuronas de salida donde se realizan los diferentes cálculos. Un conjunto de capas intermedias entre la capa de entrada y la de salida. Una capa de neuronas ocultas que proyectan los diferentes cálculos de la capa de salida.

La minería de datos puede ser utilizada para clasificar los hábitos de compras de los clientes. v. f.

El aprendizaje en una red neuronal puede ser: Supervisado y semi-supervisado. Supervisado y no supervisado. No supervisado y semi-supervisado.

Una ontología define los términos a utilizar para describir y representar un área del conocimiento. Verdadero. Falso.

Imaginemos a un profesor que desea conocer diferentes perfiles o tipos de estudiantes: Participativos, poco participativos y no participativos, de acuerdo a las características o comportamientos que presentan en el curso considerando atributos o variables como: Envío de tareas, consultas al profesor, respuestas al foro, ingreso al curso. En este caso la técnica más apropiada para agrupar a los estudiantes según sus características de participación sería: Modelos de markov. Redes neuronales. Clustering.

Para el problema planteado la técnica seleccionada sería: No supervisada. Supervisada. Semi-Supervisada.

Imaginemos a un profesor que desea conocer diferentes perfiles o tipos de estudiantes: Participativos, poco participativos y no participativos, de acuerdo a las características o comportamientos que presentan en el curso considerando atributos o variables como: Envío de tareas, consultas al profesor, respuestas al foro, ingreso al curso. Seleccione el algoritmo que se podría utilizar para este problema: C4.5. K-means. J48.

Un centroide hace referencia a: La inicialización de k grupos. Un valor que es el centro de un conjunto de datos analizados. La medida de similitud de los grupos.

Relacione la técnica de minería de datos con su respectivo uso: Redes Neuronales. Métodos bayesianos. Algoritmos genéticos.

Se define a una red neuronal como: El conjunto de neuronas agrupados por capas. Una arquitectura de neuronas, que posee una capa de entrada, oculta y un procesamiento de salida. Una agrupación de perceptrones, que posee una arquitectura, donde existen entradas, capa intermedia y capa de salida.

El meta-razonamiento es un aspecto relacionado con la arquitectura de agentes: Reflexiva. Reactiva. Híbrida.

Un modelo oculto de markov (HMM) es: Un método que permite identificar grupos similares. Un proceso estocástico en el que se asume que el sistema a modelar es un proceso con parámetros desconocidos. Una implementación del algoritmo C4.5.

La fase de análisis del ciclo de vida del desarrollo de un SMA consiste en: Comprobar el sistema utilizando los métodos de resolución de conflictos. Determinar los requisitos del sistema partiendo del enunciado del problema. La puesta en marcha del sistema.

La técnica de clustering utiliza un tipo de aprendizaje: Mixto. Supervisado. No supervisado.

Los archivos en formato arff de weka constan de algunas partes. La parte donde se declaran los datos que componen la relación separando cada uno de los registros se conoce como: @relation. Atribute Declaration. Data section.

Los métodos aglomerativos es recomendable aplicarlos cuando: La desviación típica de la muestra es variable. La muestra inicial se la puede dividir en grupos. Se tiene una sola clase o no más de dos conglomerados grandes.

Las ontologías pueden trabajar con un tipo de razonamiento: inductivo progresivo. deductivo progresivo. encadenamiento hacia atrás.