Inteligencia artificial Ra2

¿Cuál es la materia prima de la IA?. Algoritmos. Modelos. Datos. Procesadores.

¿Qué son los datos estructurados?. Datos sin un formato definido. Datos organizados en filas y columnas. Datos como imágenes y sonidos. Datos que no pueden ser procesados por sistemas informáticos.

¿Cuáles son ejemplos de datos estructurados?. Grabaciones de voz. Una hoja de cálculo con el listado de estudiantes. Tweets. Imágenes.

¿Qué son los datos no estructurados?. Datos organizados en tablas. Datos con formato predefinido. Datos que no siguen un formato predefinido. Datos que solo pueden ser almacenados.

¿Cuáles son ejemplos de datos no estructurados?. Una base de datos de clientes. Archivos XML. Grabaciones de voz. Datos en una hoja de cálculo.

¿Qué tipo de datos combinan flexibilidad con organización?. Datos estructurados. Datos no estructurados. Datos semiestructurados. Ninguno de los anteriores.

¿Cuáles son ejemplos de datos semiestructurados?. Documentos de texto. Archivos XML o JSON. Imágenes. Archivos de audio.

¿Qué es un algoritmo?. Una base de datos. Un conjunto de pasos o instrucciones para resolver un problema. Una imagen. Un tipo de dato.

¿Cuál es una característica de los algoritmos en IA?. Determinismo. Incertidumbre. Ineficiencia. Escalabilidad limitada.

¿Qué es la regresión en IA?. Asignar una categoría a cada dato. Organizar datos en grupos. Predecir un valor numérico a partir de datos. Ninguna de las anteriores.

¿Qué es la clasificación en IA?. Predecir un valor numérico. Asignar una categoría a cada dato. Agrupar datos según similitudes. Crear imágenes.

¿Qué hacen los algoritmos de clustering?. Predecir valores numéricos. Asignar categorías. Organizar datos en grupos según similitudes. Generar texto.

¿Qué son las redes neuronales?. Tipos de datos estructurados. Algoritmos inspirados en el cerebro humano. Un tipo de salida de datos. Un tipo de modelo no supervisado.

¿Qué es un modelo en IA?. Un conjunto de datos. El resultado de entrenar un algoritmo con datos. Un tipo de algoritmo. Un tipo de proceso.

¿Qué es un modelo supervisado?. Un modelo que aprende a partir de datos etiquetados. Un modelo que descubre patrones en datos sin etiquetar. Un modelo que no utiliza datos. Un modelo que solo genera texto.

¿Qué es un modelo no supervisado?. Un modelo que aprende a partir de datos etiquetados. Un modelo que descubre patrones en datos sin etiquetar. Un modelo que solo genera imágenes. Un modelo que no necesita datos.

¿Qué es un modelo de refuerzo?. Un modelo que aprende a partir de datos etiquetados. Un modelo que aprende a través de ensayo y error. Un modelo que no utiliza datos. Un modelo que solo genera audio.

¿Qué son los datos de entrenamiento?. El resultado final del modelo. La materia prima con la que el sistema aprende. El proceso de ajuste de parámetros. El proceso de evaluación del modelo.

¿Qué es el algoritmo de aprendizaje?. El conjunto de datos. La representación matemática del modelo. El sistema que ajusta los cálculos del modelo. El resultado final del modelo.

¿Qué son los nuevos datos en el entrenamiento?. Los datos originales utilizados para entrenar. Los datos que se utilizan para evaluar el modelo. Datos que no formaban parte del entrenamiento inicial. Datos utilizados para ajustar los parámetros del modelo.

¿Qué es el modelo entrenado?. El conjunto de datos original. La representación matemática de lo aprendido. El algoritmo de aprendizaje. El proceso de ajuste de parámetros.

¿Qué son las predicciones o decisiones en el modelo?. Los datos de entrada. El resultado final que produce el modelo. El proceso de ajuste de parámetros. Los datos de entrenamiento.

¿Cuál es el primer paso en el entrenamiento de un modelo?. Ajuste de parámetros. Evaluación y refinamiento. Recopilación de datos. Entrenamiento del modelo.

¿Qué sucede en la fase de preparación de datos?. Se ajustan los parámetros del modelo. Se evalúa el rendimiento del modelo. Se limpian y preparan los datos para el algoritmo. Se entrena el modelo con los datos.

¿Qué sucede en la fase de ajuste de parámetros?. Se recopilan los datos. Se identifican patrones y relaciones. Se modifican los parámetros internos del modelo. Se evalúa el rendimiento del modelo.

¿Qué es el sobreajuste (overfitting)?. El modelo no aprende lo suficiente. El modelo memoriza demasiado los datos de entrenamiento. El modelo generaliza correctamente. El modelo se ejecuta sin problemas.

¿Qué es el subajuste (underfitting)?. El modelo memoriza demasiado los datos. El modelo no aprende lo suficiente. El modelo funciona perfectamente. El modelo generaliza correctamente.

¿Cuál es la función del procesamiento del lenguaje natural (PNL)?. Generar imágenes. Analizar y comprender el lenguaje humano. Traducir música. Crear vídeos.

¿Qué tipo de output crea un modelo generativo?. Clasificaciones. Predicciones. Contenido nuevo como texto, imágenes, música. Solo números.

¿Qué se necesita para entrenar modelos de IA de gran tamaño (LLM)?. Poco tiempo y energía. Recursos computacionales intensivos, gran cantidad de energía y tiempo. Solo datos de baja calidad. Un solo procesador.