Algunas de las tareas que pueden realizar los algoritmos de aprendizaje automáticos son: Reconocer imágenes, entender el lenguaje natural, tomar decisiones... Desarrollar agentes inteligentes Inferir conocimiento.
JADE es una herramienta de desarrollo para sistemas multi-agentes Falso Verdadero.
Se conoce como estrutura de representación del conocimiento a: Un sistema multiagente Una ontología Un algoritmo de aprendizaje.
Señale cuál de las siguientes opciones son metodologías de desarrollo de agentes GAIA, INGENIAS MAS.COMMAND-KADS, PROTEGE JADE.
Las técnicas de meta-razonamiento se pueden utilizar para: Diseñar algoritmos de cualquier momento Diseñar mejores algoritmos de búsqueda y para garantizar que los algorimos tienen la propiedad "cualquier momento" (anytime). Construir algoritmos de procedimiento meta-nivel.
El objetivo del aprendizaje automático es: Predecir ciertos comportamientos no previstos Aprender de las entradas y salidas del algoritmo utilizado Desarrollar técnicas que permitan a las computadoras aprender.
Una ontología puede trabajar con el razonamiento deductivo progresivo, que hace referencia al: Motor de inferencia Encadenamiento hacia atrás Encadenamiento hacia adelante.
Consideremos que tenemos un sistema multiagente para la representación de actividades del usuario en el EVA, entonces una revisión de la estructura de este sistema, formado por algunos agentes que monitorean las acciones del usuario y que se unen en un grupo llamado AgentesMonitoreo que comparten recursos entre ellos. Estos recursos son: el entorno virtual de aprendizaje, una base de datos, clasificador de datos, y un gestor de agentes. La funcionalidad del agente MonitorEVA se encarga de monitorear los cambios que ocurren en el sistema.
En la metodología INGENIAS esta descripción se corespondería con la fase o el modelo de: Entorno Organización Objetivos y tareas.
Consideremos que tenemos un sistema multiagente para la representación de actividades del usuario en el EVA, entonces una revisión de la estructura de este sistema, formado por algunos agentes que monitorean las acciones del usuario y que se unen en un grupo llamado AgentesMonitoreo que comparten recursos entre ellos. Estos recursos son: el entorno virtual de aprendizaje, una base de datos, clasificador de datos, y un gestor de agentes. La funcionalidad del agente MonitorEVA se encarga de monitorear los cambios que ocurren en el sistema.
La plataforma que brinda la opción de usar un canal de comunicación para que los agentes intercambien los mensajes es: JADE Ontolingua server Protegé.
Los gráficos a cíclicos son aquellos que: Explican el comportamiento en base a la unión de fases y variables Permiten descubrir patrones más complejos, estableciendo relaciones de estructura entre las variables Buscan determinar relaciones causales que expliquen un fenómeno.
La opción KnowledgeFlow de la interfaz de weka permite: Visualizar gráficamente el procesamiento de algoritmos disponibles en weka Crear, ejecutar, modificar y analizar experimentos Cargar y visualizar los datos.
FIPA hace referencia a: Una arquitectura de agentes inteligentes Un conjunto de especificaciones que deben cumplir las plataformas de agentes, para la comunicacion e interacción entre ellos Una plataforma de desarrollo de sistemas multiagente.
La mineria de datos puede ser utilizada en la mercadotecnia para: La predicción de tormentas o cambios de clima Clasificar los hábitos de compras de los clientes Establecer modelos predictivos del comportamiento del mercado.
Los agentes ontológicos son aquellos que usan las tecnologías de la web semántica Falso Verdadero.
Algunas tareas o técnicas del aprendizaje supervisado son: La agrupación y asociación La clasificación, predicción o regresión Transformación y evaluación.
Una herramienta que posee un editor de ontologías es: OWL MAS Protegé.
Weka es una herramienta de libre distribución utilizada para realizar: ejercicios de minería de datos tareas de representación del conocimiento ontologías.
El modelo de diseño dentro de la metodología MAS-CommonKADS se utiliza para describir la arquitectura y el diseño del sistema multi-agente como un paso previo a su implementación. Verdadero Falso.
La metodología MAS-CommonKADS propone algunos modelos interrelacionados entre sí para la definición de un SMA, entre ellos están: Modelo de coorinación, de comunicación, de entorno. Modelo de organización, Modelo de tareas, Modelo de entorno Modelo de agente, de experiencia y de diseño.
La minería de datos se puede aplicar en áreas financieras y la banca con el objeto de: Obtención de patrones de uso fraudulento de tarjetas de crédito Segmentar el mercado Determinación de clientes potencialmente caros.
WEKA: Utiliza herramientas de la web semántica para el procesamiento de datos. Reune un conjunto de algoritmos para aprendizaje automático y herramientas de preprocesamiento de datos. Agrupa una serie de estándares para el desarrollo de agentes inteligentes.
Un agente bnasado en conocimiento interactuá con su base de conocimiento a trabés de las sentencias: Percibir y Actuar Verdadero Falso.
Relacione el tipo de aprendizaje con su definición: Aprendizaje supervisado Aprendizaje no supervisado aprendizaje por refuerzo Aprendizaje por transducción.
R es un lenguaje de programación muy eficiente para minería de datos Verdadero Falso.
Cuando un agente A envía información "I" a un agente B, suele ser necesario El agente A convierta la información interna de I en un contenido ACL, y luego B realice el proceso inverso no hay no hay.
El modelo de experiencia es propuesto dentro de la metodología Ingenias para el diseño de sistemas multiagentes Verdadero Falso.
La selección, limpieza y transformacipon de datos es una de las fases de: Aprendizaje automático Minería de datos Representación del conocimiento.
En la implementación de un SMA utilizando INGENIAS, la generación de código se desrrolla junto con el desrrollo de la especificación, los cuales sirve como: Validación y verificación de los diseños propuestos Validación y organizaci´n de los diseños Verificación y conceptualización de los diseños.
En el modelado de una ontología, los slots son: Atributos que describen a los conceptos Restricciones sobre los valores de los atributos Relaciones de un dominio de interés.
El término INGENIAS hace referencia a: Una metodología para el desarrollo de un sistema multi-agente Una plataforma para el desarrollo de agentes inteligentes Una arquitectura para el desarrollo de sistemas multi-agentes.
Un centroide hace referencia a: Un valor que es el centro de un conjunto de datos analizados La inicialización de k grupos La medida de similitud de los grupos.
Los métodos conglomerados necesitan: Una combinación de técnica y algoritmos Minimizar el error Una correcta inicialización de los grupos de inicio.
La técnica que permite analizar decisiones secuenciales basada en el uso de resultados y probabilidades asociadas, se conoce como: Agrupamiento Modelos de Markov Arboles de decisión.
La técnica que permite agrupar elementos en conjuntos homogéneos en función de algunas semejanzas entre ellos, se conoce como: Clustering Clasificación supervisada Redes neuronales.
La técnica que asume que los objetos pueden dividirse en grupos que contienen objetos similares, se conoce como: Regresión Clasificación Clustering.
El algoritmo deonde cada elemento es asignado al grupo del centroide más cercano, se denomina: J48 farthestfirst K-means.
En el caso del algoritmo EM (Expectation Maximization), el cálculo de las probabilidades de los clúster o los valores esperados de los clúster es la parte de: Maximización Expectación (Expectation en inglés) Verosimilitud.
En el caso del algoritmo EM (Expectation Maximization), el paso de calcular los valores de los parámetros de las distribuciones, hace referencia a la: Expectation (expectación) Maximization (maximización) Minimización.
El conjunto de técnicas utilizadas para clasificar a un conjunto de individuos u objetos en grupos homogéneos, se conoce como: Análisis de cluster Clasificación Regresión.
La distancia es utilizada por los algoritmos de clustering para: Identificar la heterogeneidad de los objetos Determinar la similaridad de las observaciones u objetos Describir los grupos obtenidos.
Imaginemos a un profesor que desea clasificar a sus estudiantes en diferentes perfiles o tipos: 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, cosultas al profesor, respuestas al foro, ingreso al curso. En este caso la técnica más apropiada para clasificar a los estudiantes según sus características de participación sería: Redes neuronales Modelos de markov Clustering.
Si tenemos una muestra de 100 personas cuyo objetivo es agruparlos de acuerdo a diferentes criterios: género, edad, profesión, estado civil, etc. Para lograr el objetivo se tendría que tener en cuenta: Las características diferentes de las personas Las características comunes de las personas Ha heterogeneidad ente las personas.
Con la ayuda de los árboles de decisión se puede llegar a: Una regla Varias consecuencias Una sola acción o decisión a tomar.
La pre-poda hace referencia a: No seguir construyendo un árbol de decisión a partir de un determinado nodo Generar la curva de error del árbol con el conjunto de test No expandir el nodo si el error es mayor.
Los árboles de decisión poseen una estructura Lineal Jerárquica Horizontal.
El algoritmo que transforma un árbol de decisión no reducido en un juego de reglas, se conoce como: J48 C4.5 HMM.
Cuando decimos que el estado no es visible directamente para el observador, hacemos referencia a: Temple simulado Modelos ocultos de markov J48.
debido a que pueden existir ruido en los ejemplos de entrenamiento se diseñan dos mecanismos de poda, éstos son: Poda y Pre-poda Pre-poda y post-poda Poda basada en error y post-poda.
En los árboles de decisión un nodo se expande siempre y cuando El error aumente El error se vea disminuido El error se mantenga.
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 árboles de decisión se pueden usar para: Realizar búsquedas aleatorias Encontrar valores ocultos Generar búsquedas binarias.
El algoritmo C4.5 tranforma el resultado en: Un conjunto de reglas Un juego de probabilidades Un conjunto de funciones aleatorias.
Seleccione cuál de los siguientes procesos implican la toma de decisiones y en los que pueden ser utilizados árboles de decisión Sistemas expertos Problemas de rutas Procesamiento de lenguaje natural.
Los árboles de decisión puden ser utilizados para: Ayudar a realizar elecciones adecuadas entre muchas posibilidades Encontrar valores ocultos Agrupar objetos con características comunes.
En un modelo oculto de markov se llama probabilidad de transición a: La probabilidad de realizar una actividad Al paso de un valor a otro o de un nodo a otro nodo Al estado final.
Los árboles de decisión generalmente son: Unarios Binarios n-arios.
Seleccione qué técnica se podría utilizar par poder determinar si es recomendable o no que un paciente en un hospital se realice una determinada operación según las condiciones médicas del mismo. Árboles de decisión Clustering Redes neuronales.
en una entidad bancaria para determinar si se concede o no un crédito a un cliente a partir de ciertos datos como sueldo, si tiene o no otros créditos, etc. Se debería emplear la técnica de: Modelos de markov redes neuronales Árboles de decisión.
El aprendizaje en una red neuronal puede ser: Supervisado y semi-supervisado Supervisado y no supervisado No supervisado y semi-supervisado.
Las fases que intervienen cuando se trabaja con redes neuronales son: Entrenamiento y validación Test y pruebas Test y validación.
La unidad fundamental de una red neuronal se conoce como: Procesamiento Perceptron Capa oculta.
Las redes neuronales multicapa requieren de un algoritmo propio llamado Multipropagation Backpropagation o Delta generalizado Overffiting.
La sinapsis hace referencia a: Los valores que recibe el perceptron para el cálculo de sus valores de salida La conexión entre dos perceptrones La unidad fundamental de una red neuronal.
El aprendizaje estocástico es aquel que: Va modificando los pesos de la red Posee un conocimiento previo Basa su teoría en la probabilidad de que un ejemplo se parezca a otro.
De acuerdo al número de capas de una red neuronal éstas pueden ser: Solo Multicapas Solo Monocapas Monocapas o multicapas.
Se define a una red neuronal como: 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 conjunto de neuronas agrupados por capas.
El aprendizaje en una red neuronal es el proceso mediante el cual: Una red neuronal modifica sus pesos en respuesta a una información de entrada El aprendizaje es determinado por la manera en como se realiza el cambio de pesos Las conexiones entre neuronas producen cambios a los pesos.
El entrenamiento de las redes neuronales se realiza mediante unos algoritmos de entrenamiento que se basan siempre en: Buscar los umbrales que ofrezcan mejores resultados Intentar buscar los pesos de las neuronas que ofrezcan mejores resultados Maximizar el error de entrenamiento.
En un aprendizaje no supervisado Existen ejemplos etiquetados de la función que será aprendida por la red El entrenamiento es controlado por un agente externo No existen ejemplos etiquetados de la función que será aprendida por la red.
Una de las ventajas o propiedades de las redes neuronales es que éstas: Tienen la capacidad de modificar los parámetros de los que depende su funcionamiento de acuerdo con los cambios que se produzacan en su entorno de trabajo No son tolerantes a fallos Son sistemas distribuidos lineales.
El perceptron simple se basa en: Una regla de aprendizaje de corrección del error llamada regla de aprendizaje del perceptron Múltiples capas El algoritmo de propagación.
El método k-means se basa en la distancia o similitud Verdadero Falso.
El algoritmo Máximo Valor Esperado, es utilizado dentro de las técnicas de predicción Verdadero Falso.
En el caso del algoritmo EM(Expectation Maximization, el paso de calcular los valores de los parámetros de las distribuciones, hace referencia a la: Maximization (Maximización) Falso.
Para poder visualizar los resultados de una clasificación o agrupación es posible utilizar un software como weka o R para obtener conclusiones del problema planteado Verdadero Falso.
Señale cuál de las siguientes características corresponden a los árboles de decisión: Reduce el número de variables dependientes Explica el comportamiento respecto a una determinada tarea de agrupación Facilita la interpretación de la decisión adoptada.
El aprendizaje de una red neuronal se puede dar en dos sentidos estos son: Semi-supervisado y no supervisado Automático y supervisado Supervisado y no supervisado.
El modelo estandar de neurona artificial una función de activación representa los pesos sinápticos Verdadero Falso.
Identifique cuál de los siguientes literales es un algoritmo de clustering probabilístico: J48 k-mens EM (Expectation Maximization).
Los árboles de decisión pueden ser utilizados para: Encontrar valores ocultos Agrupar objetos con características comunes Ayudar a realizar elecciones adecuadas entre muchas posibilidades.
En el modelo oculto de markov| Las variables influenciadas por el estado no son visibles para el observador El estado es visible para el observador El estado no es visible directamente por el observador.
Un método de conglomerado tradicional es: J48 k-mean c4.5.
Una red neuronal debe poseer en la salida solamente una clase Verdadero Falso.
La distancia de similitud permite agrupar los datos en base a sus características Verdadero Falso.
El aprendizaje por corrección es aquel que: Existe un conocimiento previo Basa su teoría en la probabilidad de que un ejemplo se parezca a otro Va modificando los pesos de la red.
La probabilidad de transición es un valor que se obtiene cuando se pasa de un estado a otro Verdadero Falso.
El aprendizaje en una red neuronal puede ser supervisado y no supervisado Verdadero Falso.
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: Máximo valor esperado Clustering Árboles de decisión.
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: EM (Expectation Maximization) J48 k-means.
Para determinar si el día está lluvioso o soleado de acuerdo alguna observación, es posible aplicar: Modelos de regresión Redes neuronales Modelos ocultos de markov.
El algoritmo c4.5, es utilizado para tareas: De agrupación De clasificación Probabilísticas.
Las fases que intervienen cuando se trabaja con redes neuronales son: Entrenamiento y validación Test y validación Test y pruebas.
Las salidas de un perceptron pueden estar: Desactivadas y linealmente no separables Activadas y linealmente separables Desactivadas, activadas o neutrales.
El algoritmo j48, es un algoritmo utilizado para agrupación Verdadero Falso.
Debido a que pueden existir ruido en los ejemplos de entrenamiento se diseñan dos mecanismos de poda, estos son: Poda basada en error y post-poda Poda y Pre-poda Pre-poda y Post-poda.
El primer paso para ejecutar un perceptron simple es: Cambiar los pesos de la red Inicialización de la sinapsis de la red Adaptación de la sinapsis.
En los árboles de decisión un nodo se expande siempre y cuando El error se mantenga El error aumente El error se vea disminuido.
Una de las ventajas o propiedades de las redes neuronales es que éstas: Tienen la capacidad de modificar los parámetros de los que depende su funcionamiento de acuerdo con los cambios que se produzcan en su entorno de trabajo Son sistemas distribuidos lineales No son tolerantes a fallos.
Los métodos jeárquicos se clasifican en: Aglomerativos y disociativos Conglomerados y de máximo valor esperado Supervisados y no supervisados.
Se conoce como minería de datos al proceso de: Extraer y descubrir conocimiento Observar la relación entre la información de entrada, y que a simple vista no se puede notar Inferir y representar el conocimiento.
El comportamiento de una neurona está determinado por: Un conjunto de conexiones, pesos o sinapsis Un conjunto de entradas y salidas Una función de activación y un conjunto de sinapsis.
Los métodos bayesianos se utilizan generalmente para establecer agrupaciones. Verdadero Falso.
Una red neuronal debe poseer en la salida solamente una clase. Verdadero Falso.
El objetivo del aprendizaje automático es: Predecir ciertos comportamientos no previstos Aprender de las entradas y salidas del algoritmo utilizado Desarrollar técnicas que permitan a las computadoras aprender.
Una red neuronal es aquella que está compuesta de varios perceptrones Verdadero Falso.
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: Data section Atribute Declaration @relation.
El algoritmo Máximo Valor Esperado, es utilizado dentro de las técnicas de predicción. Verdadero Falso.
En el modelado de una ontología, las relaciones se establecen entre Slots Reglas Conceptos para representar las interacciones entre éstos.
Un árbol de decisión es útil para la toma de decisiones puesto que: Tiene unas entradas que hacen referencia a la decisión a ser tomada Indica las acciones a realizar en función del valor de una o varias variables Obtiene unas salidas que pueden ser un objeto o una situación dada.
Los slots en una ontología describen: La herencia de las subclases Las instancias de una clase Las características y atributos del concepto.
Los pesos en un perceptron se utilizan para: Procesar las entradas Establecer valores aleatorios en la función de activación Representar el vector de activación.
Imagine que contamos con una gran cantidad de datos generados de la interacción de los estudiantes con el EVA, considerando estos datos se podría:
Utilizar Minería de datos para: Asociar el nivel de interacción con el nivel de deserción de los estudiantes Predecir la conexión de los estudiantes al EVA Predecir el grado de interacción de los estudiantes en el EVA.
Imagine que contamos con una gran cantidad de datos generados de la interacción de los estudiantes con el EVA, considerando estos datos se podría:
Aplicar aprendizaje automático para: Determinar en el entorno y organización de los agentes que intervienen en el EVA Clasificar el nivel de interacción de los estudiantes Representar semánticamente el conocimiento de los estudiantes.
El tipo de aprendizaje conocido tamtién con el nombre de Bias, se conoce como: Por transducción Por esfuerzo Multitarea.
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.
En la implementación de un SMA utilizando INGENIAS, la generación de código se desarrolla junto con el desarrollo de la especificación, los cuales sirve como: Verificación y conceptualización de los diseños Validación y organización de los diseños Validación y verificación de los diseños propuestos.
El algoritmo C4.5 transforma el resultado en: Un juego de probabilidades Un conjunto de funciones aleatoria Un conjunto de reglas.
En minería de datos los modelos descriptivos estiman valores futuros de variables de interes Verdadero Falso.
La función que es utilizada en el perceptron simpre es la: Identidad Sigmoidal Escalón.
Relacione cada herramienta con su respectiva utilidad: Protegé Weka Jake.
Los métodos que parten de un conjunto de elementos y se van dividiendo sucesivamente hasta llegar a elementos individuales o grupos más pequeños se llaman: Aglomerativos Máximo valor esperado Disociativos.
Los algoritmos genéticos son aquellos que: Cada nodo representa una propiedad que puede tener varios valores. los nodos hojas tienen los resultados a partir de los cuales se pueden tomar decisiones Su aplicación por lo general se encuentra en la optimización de procesos Se componen de una estructura parecida a aquellos métodos que aprenden en base a prueba y error obtenido del conjunto de datos.
La conexión entre dos perceptrones tiene el nombre de sinapsis Verdadero Falso.
En los agentes basados en conocimiento uno de los enfoque para la representación del conocimiento es el simbólico, donde cada símbolo se refiere a un objeto Verdadero Falso.
El algoritmo k-medias se utiliza en los métodos de: Supervisión Partición Jerárquicos.
Una ontología puede trabajar con el razonamiento deductivo progresivo, que hace referencia al: Encadenameinto hacia atrás Encadenamiento hacia adelante Motor de inferencia.
Las salidas de un perceptron pueden estar: Desactivadas y neutrales Desactivadas, activadas o neutrales Siempre activadas.
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.
Para este caso los actores serían: Solo el sistema Solamente el usuario El usuario y el sistema.
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.
La definición de los casos de uso coreesponde a la fase de: Diseño Conceptuación Análisis.
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.
La definición del caso de uso señalado en la pregunta puede ayudar a: Resolver posibles conflictos en el sistema Definir los estados mentales del agente Entender los requisitos informales y a probar el sistema.
La minería de datos se puede aplicar en áreas financieras y la banca con el objeto de: Determinación de clientes potencialmente caros Segmentar el mercado Obtención de patrones de uso fraudulento de tarjetas de crédito.
Se conoce como raíz del árbol al nodo más característico de la clasificación Verdadero Falso.
Relacione cada opción de la herramienta weka su respectivo uso: Explorador Experimenter KnowledgeFlow SimpleCLI.
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.
Con el objeto de que se pueda codificar el significado de la información que se encuentre disponible en un sitio web, existen algunos lenguajes que contribuyen a la definición de ontologías, entre éstos se tienen: JAVA y C++ XML y RDF OWL y Ontolingua Server.
La distancia es utilizada por los algoritmos de clustering para: Identificar la heteroneidad de los objetos Describir los grupos obtenidos Determinar la similaridad de las observaciones u objetos.
En el modelado de una ontología, los slots son: Atributos que describen a los conceptos Relaciones de un dominio de interés Restricciones sobre los valores de los atributos.
El perceptron simple se basa en: El algoritmo de propagación Múltiples capas Una regla de aprendizaje de correción del error llamada regla de aprendizaje del perceptron.
Relacione los puntos de vista de la metodología INGENIAS con su respectiva descripción Organización Tareas Interacciones.
El aprendizaje por correción de error es de tipo: Auto-supervisado Supervisado No supervisado.
Se conoce como estructura de representación del conocimiento a: Un algoritmo de aprendizaje Un sistema multiagente Una ontología.
Las estructuras neuronales se pueden clasificar de acuerdo a: El número de capas, el tipo de algoritmo, la forma de aprendizaje El número de capas, el tipo de conexión, el grado de conexión El número de entradas, el tipo de conexión, el número de salidas.
La tarea fundamental de la Minería de datos es encontrar modelos a partir de los datos Verdadero Falso.
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.
La minería de datos puede ser aplicada en el campo educativo para: Establecer modelos predictivos del comportamiento del sistema de estudio Identificar patrones de comportamiento de usuarios Clasificar los hábitos de compras de equipos.
La capa intermedia en una red neuronal recibe todos los valores de los pesos en la entrada Verdadero Falso.
Señale cuál de las siguientes opciones son metodologías de desarrollo de agentes. JADE MAS-COMMAMND-KADS, PROTEGE GAIA, INGENIAS.
Los métodos de Aglomeración o de División, son tipos de métodos de clusterisación Probabilísticos Jerárquicos Partición.
El meta-razonamiento es un aspecto relacionado con la arquitectura de agentes: Híbrida Reflexiva Reactiva.
La unidad fundamental de una red neuronal se conoce como: Procesamiento Capa oculta Perceptron.
Una arquitectura reflexiva se puede construir mediante: Los límites no fijos entre los diferentees componentes de decisión El entorno de sus propias deliberaciones La definición de un espacio de estados conjunto compuesto por el estado del entorno computacional del mismo agente.
Un perceptron puede resolver problemas linealmente separables, todos inclusive el XOR Verdadero Falso.
JADE es una herramienta de desarrollo para sistemas multiagentes Verdadero Falso.
Los métodos conglomerados necesitan: Una combinación de técnicas y algoritmos Minimizar el error Una correcta inicialización de los grupos de inicio.
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 en una red neuronal puede ser: Supervisado y no supervisado No supervisado y semi-supervisado Supervisado y semi-supervisado.
Relacione cada modelo de la metodología MAS-CommonKADS con su respectiva característica: Modelo de agentes Modelo de comunicación Modelo de coordinación Modelo de diseño.
La técnica que permite agrupar elementos en conjuntos homogéneos en función de algunas semejanzas entre ellos, se conoce como: Clustering Clasificación supervisada Redes neuronales.
Los agentes ontológicos son aquellos que usan las tecnologías de la web semántica. Verdadero Falso.
Los pesos en un perceptron se utilizan para: Establecer valores aleatorios en la función de activación Representar el vector de activación Procesar las entradas.
|
