Inteligencia Artificial Ilerna Tema 2

¿Qué es la materia prima de la IA, según el texto?. Algoritmos. Modelos. Datos. Instrucciones.

¿Qué tipo de datos están organizados en filas y columnas?. Datos estructurados. Datos no estructurados. Datos semiestructurados. Datos abstractos.

¿Qué característica de los datos estructurados facilita su análisis?. Su falta de formato. Su organización clara. Su gran volumen. Su complejidad.

¿Cuál es una limitación de los datos estructurados?. No capturan la complejidad de muchos fenómenos reales. Son difíciles de almacenar. Permiten procesar grandes volúmenes de información. Su formato homogéneo reduce la probabilidad de errores.

¿Qué tipo de datos son más abundantes en el mundo digital actual?. Datos estructurados. Datos semiestructurados. Datos no estructurados. Datos históricos.

¿Qué técnica se utiliza para trabajar con textos en datos no estructurados?. SQL. Procesamiento del lenguaje natural (PLN). Reconocimiento de imágenes. Clustering.

¿Cuál es una ventaja de los datos no estructurados?. Requieren poco procesamiento previo. Contienen gran riqueza informativa. Son fáciles de almacenar y analizar. Su volumen es pequeño.

¿Qué tipo de datos combinan la flexibilidad de los datos no estructurados con la posibilidad de organización de los estructurados?. Datos estructurados. Datos no estructurados. Datos semiestructurados. Datos sintéticos.

¿Cuál es un ejemplo de datos semiestructurados?. Una hoja de cálculo. Un archivo de texto plano. Un archivo en formato XML o JSON. Una imagen JPG.

¿Qué se debe considerar al usar datos en IA?. El tamaño de los datos. El tipo de algoritmo. Aspectos éticos como la privacidad y el consentimiento. La velocidad de procesamiento.

¿Qué es un algoritmo?. Un tipo de dato. Un conjunto de pasos o instrucciones para resolver un problema. Una representación visual. Un modelo entrenado.

¿Qué significa que un algoritmo en IA es "determinista"?. Siempre produce los mismos resultados con los mismos datos de entrada. Produce resultados diferentes cada vez. Utiliza la menor cantidad de recursos posibles. Tiene la capacidad de manejar grandes cantidades de datos.

¿Qué significa que un algoritmo en IA es "eficiente"?. Es capaz de manejar grandes cantidades de datos. Busca resolver problemas utilizando la menor cantidad de recursos posibles. Siempre ofrece una única respuesta exacta. Produce variaciones en las respuestas.

¿Qué son las redes neuronales?. Algoritmos que solo siguen instrucciones fijas. Algoritmos inspirados en el funcionamiento del cerebro humano. Algoritmos que solo procesan datos estructurados. Algoritmos que solo realizan tareas simples.

¿Qué es un modelo en IA?. El algoritmo en sí mismo. La representación matemática de lo que el sistema ha aprendido. Un conjunto de datos. Una instrucción simple.

¿Qué tipo de modelos aprenden a partir de datos etiquetados?. Modelos supervisados. Modelos no supervisados. Modelos de refuerzo. Modelos generativos.

¿Qué tipo de modelo descubre patrones en datos sin etiquetar?. Modelos supervisados. Modelos no supervisados. Modelos de refuerzo. Modelos generativos.

¿Qué tipo de modelos aprenden a través de prueba y error?. Modelos supervisados. Modelos no supervisados. Modelos de refuerzo. Modelos generativos.

¿Qué característica permite a los modelos de IA adaptarse a nuevas situaciones?. Su tamaño. Su capacidad de adaptación. Su eficiencia. Su velocidad de procesamiento.

¿Cuál es la materia prima con la que empieza el proceso de inteligencia artificial?. El algoritmo. Los modelos. Los datos de entrenamiento. Las predicciones.

¿Qué hace el algoritmo de aprendizaje?. Genera nuevas imágenes. Indica al sistema cómo procesar los datos y ajustar los cálculos. Produce las predicciones finales. Almacena los datos.

¿Qué son los datos nuevos en el contexto del entrenamiento de un modelo?. Datos que ya formaban parte del entrenamiento inicial. Datos que no formaban parte del entrenamiento inicial. Los resultados de las predicciones. El nombre del modelo.

¿Qué produce un modelo entrenado?. Nuevos datos. Predicciones o decisiones. El algoritmo de aprendizaje. Datos de entrenamiento adicionales.

¿Qué significa la métrica de precisión en la evaluación de un modelo?. Mide el porcentaje de aciertos del modelo. Refleja la diferencia entre lo que el modelo predijo y el resultado real. Indica la capacidad del modelo de aplicarse a casos nuevos. Mide la complejidad del modelo.

¿Qué tipo de aprendizaje se basa en datos etiquetados?. Aprendizaje supervisado. Aprendizaje no supervisado. Aprendizaje por refuerzo. Ninguno de los anteriores.

¿Cuál es la clasificación funcional de los modelos que se utilizan para predecir un valor numérico?. Modelos de clasificación. Modelos de regresión. Modelos generativos. Modelos de refuerzo.

¿Qué tipo de modelo se enfoca en crear contenido nuevo?. Modelos de clasificación. Modelos de regresión. Modelos generativos. Modelos supervisados.

¿Qué se requiere para el entrenamiento de modelos de IA de gran tamaño?. Recursos computacionales intensivos, gran cantidad de energía y tiempo. Poco tiempo y poca energía. Solo tiempo. Solo energía.

¿Qué es el fine-tuning?. El proceso inicial de entrenamiento. El ajuste de un modelo para optimizarlo en aplicaciones específicas. La recopilación de datos. La evaluación del modelo.

¿Qué ocurre en el sobreajuste (overfitting)?. El modelo memoriza demasiado los datos de entrenamiento. El modelo no aprende lo suficiente. El modelo funciona correctamente. El modelo se vuelve ineficiente.