introduccion a la ia p2 (son solo los tp3 y tp4)

La estadística estudia la colección, análisis, interpretación o explicación y presentación de los datos. Falso, ya que la estadística se ocupa de la visualización de datos en forma de información. Verdadero, ya que la estadística es muy utilizada para modelar datos.

Teniendo en cuenta los conceptos básicos del modelo lineal. 2 resp. El modelo lineal y support machine vector son modelos de aprendizaje supervisado. El modelo lineal no asegura una relación de causalidad entre las variables. El modelo k-means se puede usar para clasificar. El modelo lineal y k-means son modelos de aprendizaje supervisado.

Los métodos descriptivos sirven: Son para determinar futuros valores en los datos. Presentación de los datos. Para clasificar los datos. Para caracterizar los datos en forma resumida.

Cuando se desea ver si hay agrupamientos: Hacer predicción e inferencia. Nos encontramos con problemas de regresión. Nos encontramos con un problema de clustering. Describir los datos solamente en forma grá ca.

Si la pendiente B1=0,01, significa que cuando el PBI per cápita disminuye un dólar, entonces la cantidad de inscriptos: Disminuye en 0,01 inscriptos. Se mantiene igual. Disminuye en 0,10 inscriptos. Aumenta en 0,01 inscriptos.

Los métodos predictivos sirven: Seleccionar los datos que son relevantes. Para caracterizar los datos en forma resumida. Son para determinar futuros valores en los datos. Presentación de los datos.

Teniendo en cuenta la figura 3: 3 resp. La recta de regresión se estimó usando máxima verosimilitud. Tiene una pendiente positiva. Las observaciones se centran alrededor de la recta estimada. La ordenada al origen es distinta de cero.

Cuando la variable dependiente representa datos cualitativos, nos encontramos ante problemas de clasificación. Falso, ya que esto sucede cuando nos encontramos frente a números. Verdadero, ya que esto sucede cuando nos encontramos frente a categorías.

Uno de los problemas de aprendizaje no supervisado es: Clustering. Combinar datos para su análisis. La clasificación de los datos. Hacer predicción e inferencia.

La ecuación de una regresión lineal es: y(x)=B0+B1*x+ei, donde: B1 es la ordenada al origen, B0 la pendiente y ei es el término de error. ei es el término de error con media distinta de 0. B0 es la ordenada al origen, B1 es la pendiente y ei es el término de error. B0 es siempre cero.

Los métodos de la minería de datos son: Estadística, machine learning y bases de datos/data warehouse. Algoritmos de clasificación. Métodos para descubrir patrones y conocimiento en una gran cantidad de datos. Métodos descriptivos y predictivos.

Teniendo en cuenta la problemática del negocio: Ambas variables son cualitativas. La variable independiente es el PBI per cápita. La variable independiente es la cantidad de suscriptores. No tiene sentido una relación entre estas variables.

El modelo lineal: El modelo lineal se puede aplicar cuando la variable dependiente es cualitativa. La ordenada al origen es cuando x=0. Es un algoritmo de clasificación. La pendiente solo puede ser positiva.

Dentro del aprendizaje supervisado existen dos problemas diferentes. ¿Cuáles son? 2 resp. Problemas de clasificación. Problemas de regresión. Problemas de solvencia del modelo. Problemas de transición.

La ecuación de una regresión lineal estimada de la figura 3 es: y(x)=0,01*x: Es un modelo sin ordenada al origen. La variable dependiente es el PBI per cápita. B1 es la ordenada al origen, B0 la pendiente y ei es el término de error. ei es el término de error con media distinta de 0.

¿Qué ocurre cuando la variable dependiente representa datos cuantitativos?. Nos encontramos problemas de clasificación. Inferencia estadística de datos. Nos encontramos problemas de regresión. Nos encontramos problema de clustering.

Si B1=0,01, esto significa que: La ordenada al origen es igual a 0,01. Cuando aumenta el PBI per cápita en un dólar, la cantidad de inscriptos aumenta en 0,01. El término del error ei es igual a 0,01. B0 es siempre cero.

La ecuación de una regresión lineal es: y(x)=B1*x+ei, donde: B0 es siempre cero. B1 es la ordenada al origen, B0 la pendiente y ei es el término de error. B1 la pendiente y ei es el término de error. ei es el término de error con media distinta de 0.

La minería de datos se define como: Integrar las distintas fuentes de datos. Identificar si los patrones representan conocimiento. El proceso de descubrir patrones y conocimiento en una gran cantidad de datos. Seleccionar los datos que son relevantes.

Los supuesto básicos del modelo lineal son: Normalidad de los residuos, homocedasticidad e independencia de los residuos. Normalidad de los residuos. Homocedasticidad e independencia de los residuos. Ordenada al origen, siempre tiene que ser un número distinto de cero.

¿Cuales de los siguientes son motivos por los que a menudo es irreal esperar que un sistema de ML sea 100% precisio? 2 resp. Los datos pueden estar etiquetados de forma correcta. los datos pueden ser ambiguos. es posible que no tenga suficiente datos.

la inteligencia artificial responsable brinda a las personas que han sido perjudicadas, acceso a la reparacion, lo que significa que: se debe sostener el sistema de inteligencia artificial que mejore su eficiencia. existe una vía para que las personas impugnen y corrijan una decisión dañina tomada por una inteligencia artificial. velar para que el destinario llame la atención sobre este error y reciba una indemnización.

Supongamos que desea usar aprendizaje para ayudar a su equipo de ventas con la clasificación automática de posibles clientes. Es decir entrada A (un cliente potencial de ventas) y salida B (si su equipo de ventas debería priorizarlo). Los 3 pasaos del flujo de trabajo, desordenados son: 1- implementar un modelo calificado y obtener datos de los usuarios. 2- Recopilar datos con A Y B. 3- Entrenar un sistema de aprendizaje automático para la entrada A y salida B. 2-1-3. 1-3-2. 2-3-1. 1-2-3.

los programas de aprendizaje automático pueden ayudar a: 3 resp. agilizar las tareas. ayudar en la toma de desiciones. automatizar la inspección visual en una línea de fabricación. automatizar la clasificación de posibles clientes en ventas. personalizar las recomendaciones de productos.

si una economía en desarrollo tiene una industria de producción de granos de café fuerte y prospera, tiene una ventaja al aplicar inteligencia artificial a la producción de granos de café. falso, ya que no poseen conocimientos sobre inteligencia artificial. verdadero, ya que tenían ese conocimiento de su producto.

dado que los asistentes de vos inteligentes pueden llevar a cabo varias funciones (como contar un chiste, reproducir música, etc.) este es un ejemplo de inteligencia artificial general (AGI). Verdadero, ya que es posible gracias a la tecnología actual. Falso, ya que no reproduce la inteligencia artificial.

cuales son los empleos que mas probablemente desplazara la inteligencia artificial en los próximos años?. los empleos que comprenden principalmente trabajo rutinario y reiterativo. la mayoría de los empleos que impliquen trabajo de oficina (empleos de oficina). se desplazaran todos los empleos. Los empleos que comprenden principalmente trabajo no rutinario y no reiterativo.

cuales de las siguientes opciones son dificultades de inteligencia artificial que se deben evitar?. esperar que los procesos de planificación tradiciones se apliquen sin cambios. esperar que inteligencia artificial resuelva todo. emparejar talento de ingeniería con talento empresarial para identificar proyectos viables y valiosos. esperar que los proyectos basados en inteligencia artificial funciones la primera vez.

supongamos que desea crear un sistema de inteligencia artificial para ayudar a los encargados de la selección de personal con la selección automática de curriculum vitae. ¿Cuáles de estos pasos deben estar presentes para esto? 2 resp. asegurarse de poder obtener suficientes datos para el proyecto. asegurarse de que un sistema de inteligencia artificial pueda cumplir con el rendimiento deseadp. definir un cronograma de ingeniería. asegurarse de que es valioso para su negocio (por ejemplo, mediante la estimacion del rendimiento de la inversion del proyecto).

los sistemas de inteligencia artificial están en constante evolución como resultado, debemos implementar métodos de supervisión continua para responsabilizar a las empresas y agencias gubernamentales por los daños. falso, ya que estos cambios no se verán plasmados en la inteligencia artificial hasta que nosotros mismo lo hagamos. verdadero, ya que, como seres humanos, nosotros también estamos en constante evolución.

cuales de los siguientes son sistemas de aprendizaje automático de código abierto que ayudan a los equipos de inteligencia artificial a escribir su software de manera mas eficiente? 3 respuestas correctas. CNTK. padlet. MXNet. LIBS. Scikit-learn.

de las siguientes opciones, ¿Cuál es el rasgo mas importante de su primer proyecto piloto?. ser llevado a cabo por un equipo interno. tener éxito y mostrar avance en 6 a 10 meses. impulsar un valor extremadamente alto para el negocio.

si un sistema de inteligencia artificial fuera sospechoso de descalificar a una persona por motivos de género o raza, el remedio al solicitante: descubrir coo se tomó la desicion. proporcionar una base para impugnar la desicion en los tribunales. solicitar una auditoria.

cuales son las limitaciones actuales de la tecnología de la inteligencia artificial?. es difícil de explicar. la tecnología de inteligencia artificial no tiene limites. la tecnología de inteligencia artificial puede estar sesgada. la tecnología de inteligencia artificial puede discriminar. la tecnología de inteligencia artificial no es susceptible a ataques adversos.

cual es el primer paso en la guía de transformación de la inteligencia artificial para ayudar a su empresa a ser experta en inteligencia artificial?. proporcionar camplia capacitacion de inteligencia artificial. desarrolloar una estrategia de inteligencia artificial. crear un equipo de inteligencia artificial interno. ejecutar proyectos piloto para ganar impulso.

para la aplicación automática de curriculum vitae, le esta proporcionando un conjunto de prueba al equipo de inteligencia artificial, ¿Cuáles de las siguientes afirmaciones acerca del conjunto de prueba son verdaderas?. debería dar ejemplos de la entrada A (curriculum vitae), pero no necesariamente de la salida B (si avanzar con un candidato). el quipo de inteligencia artificial lo usara para evaluar el rendimiento del algoritmo. el conjunto de prueba debería ser idealmente idéntico al conjunto de entrenamiento. debería dar ejemplos a la entrada A (curriculum vitae) y la salida deseada B (si avanzar con un candidato).

supongamos que esta desarrollando un sistema de inteligencia artificial para ayudar a realizar diagnósticos a partir de escaneos de fotografías de rostros. ¿con cual de las siguientes afirmaciones acerca de la facilidad para explicar la inteligencia artificial esta de acuerdo?. la facilidad de explicación se logra generalmente a través del desarrollo de un bot de chat para conversar con el usuario para explicar sus resultados. la mayoría de los sistemas de inteligencia artificial se puede explicar perfectamente, lo que significa que es fácil que un CEO entienda por que un sistema de inteligencia artificial proporciono un diagnostico especifico. los sistemas de inteligencia artificial son intrínsecamente una "caja negra" y no pueden proporcionar explicaciones para sus resultados. la dificultad para explicarla puede obstaculizar el desea de los usuarios de confiar en un sistema de inteligencia artificial y adoptarlo.

¿Cuáles de las siguientes son buenas practicas para abordar el sesgo en inteligencia artificial? 3 resp. teoría sistemáticos para comprobar i existe sesgo. uso de datos mas inclusivos/menos sesgados. uso de un ataque adverso en el sistema de inteligencia artificial para cambiar sus resultados para que estén menos sesgados. procesos de auditoria.

tuvo un desempeño exitoso en el aeropuerto y ahora lo contratan para asesorar al departamento de recursos humanos de una empresa de algunas decenas de miles de empleados. El sistema podrá influir e la decisión de promocionar o no a los empleados. Para que ni un empleado sea victima de una injusticia se debe: habilitar canales para auditar las evaluaciones de desempeño. sostener el sistema de inteligencia artificial hasta que mejore su eficiencia. velar para que el destinario llame la atención sobre este error y reciba una indemnización. crear canales de acceso para que los investigadores y las organizaciones de la sociedad civil participen.

el aprendizaje automático tiende a funcionar bien cuando se intenta aprender un concepto simple. falso, ya que necesita mas tiempo para procesar la informacion. verdadero ya que es algo que se pudiese hacer con menos de un segundo de pensamiento.