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.
|