Maites Schwester und Moisés küssen sich in Corbis Garten

¿Cuál de las siguientes afirmaciones sobre redes neuronales no es cierta?. Un perceptrón con dos capas ocultas puede aproximar cualquier función. El problema de la inicialización de la red reside en los máximos locales no derivables. Con respecto al entrenamiento, la constante de aprendizaje, η, es siempre positiva. Su rol es moderar el grado de ajuste de cada iteración de ajuste del hiperplano.

¿Cuál de las siguientes afirmaciones acerca de la IA es incorrecta?. La IA débil permite que un computador se comporte de un modo inteligentemente similar al de un ser humano, pero no tiene constancia alguna de lo que realiza. La IA débil permite a un computador actuar con un comportamiento inteligente para resolver problemas complejos siendo consciente de las acciones y decisiones que toma. La IA fuerte permite crear un computador que sea capaz de pensar y ser consciente del mismo modo que los seres humanos.

El algoritmo de búsqueda A* constituye una: Estrategia tentativa no informada. Estrategia tentativa informada. Estrategia irrevocable.

En un árbol de decisión es cierto que. Siempre se seleccionan todos los atributos. No siempre se seleccionan todos los atributos. Siempre se seleccionan n-1 atributos, siendo n el número de atributos.

El teorema de Bayes aplicado al aprendizaje permite: Conocer la probabilidad a priori de las clases de un problema de aprendizaje. Determinar si los ejemplos del conjunto de entrenamiento son condicionalmente independientes. Conocer el máximo a posteriori MAP.

El uso de reconocimiento de patrones a partir de ejemplos conocidos es una característica del: Aprendizaje supervisado. Aprendizaje por refuerzo. Aprendizaje no supervisado.

¿Cuál fue el primer robot que venció a un campeón del mundo vigente de ajedrez?. Prospector. Deep Blue. Logic Therorist.

¿Qué nombre recibe la técnica que permite obtener nuevos individuos a partir de un punto de intercambio aleatorio en el genoma de dos individuos?. Cruzamiento uniforme. Cruzamiento de un punto. Mutación.

La inicialización de pesos en una red neuronal artificial debe realizarse: De forma aleatoria o arbitraria. Debe ser inicializada a 0.5, pues se ha comprobado de forma empírica que se obtienen los mejores resultados. Dividiendo el número de entradas de la neurona entre el número de neuronas de la red.

En el método Forward Checking si el dominio de una variable futura se queda vacío: La instanciación de la variable actual se deshace y se prueba con un nuevo valor. Comprueba hacia delante la asignación actual con todos los valores. Ninguna de las otras.

Sobre las limitaciones de Backtracking en CSP, cuando hay una restricción binaria entre dos variables hablamos de ... Inconsistencia de arista. Inconsistencia de nodo. Ninguna de las otras.

Si utilizamos propagación de restricciones, obtendremos: Una o ninguna solución. Al menos una solución. Una, ninguna o varias soluciones.

El entramiento del modelo de mezcla de gaussianas se realiza: Con el algoritmo EM. Con el método de las K-medias. Con un perceptrón multicapa.

El entrenamiento de un perceptrón multicapa, para ajustar la constante de aprendizaje: Se ajusta mediante la regla alpha siempre y cuando la función de activación de las neuronas del perceptrón sea derivable. Se inicializa aleatoriamente para evitar los mínimos locales, crestas y mesetas de la búsqueda mediante descenso por gradiente. Realizamos un proceso de prueba-error hasta encontrar el mejor resultado.

Si tenemos un algoritmo A* para resolver el problema de camino mínimo en el cual h(n) devolviese siempre 0, estaríamos ante un tipo de búsqueda. En profundidad. En anchura. Irrevocable.

Respecto a la búsqueda de una solución en algoritmos evolutivos, ¿Qué afirmación es cierta?. Combinan búsqueda aleatoria y búsqueda dirigida. Realiza una búsqueda voraz basada en la aptitud de los individuos seleccionados. Utilizan un esquema de búsqueda de descenso por gradiente.

Indica cúal de las siguientes afirmaciones sobre agentes inteligentes es correcta: Los agentes inteligentes requieren un conocimiento completo del entorno para actuar de manera racional. Cualquier agente inteligente encontrará las mismas soluciones para un problema dado. Un agente inteligente está diseñado para alcanzar siempre el mejor resultado esperado.

La fórmula anterior, ¿qué es lo que mide?. Mide la mejor salida de la red. Mide el nuevo estado de activación de la neurona. Mide lo que contribuye cada neurona de la última capa al error obtenido.

Dado el conjunto anterior, que atributo cogeríamos primero para aprender el concepto "días que se juega a tenis" y obtener el nodo inicial del árbol de decisión mediante el algoritmo ID3. Cogeremos el atributo "cielo", ya que es el que mayor ganancia de información nos ofrece. El orden en que cojamos los atributos no tiene importancia, el nodo inicial puede ser tanto "cielo" como "humedad". Cogemos el atributo "humedad", ya que es el que mayor ganancia de información nos ofrece.

En una competición de tiro con arco, después de 10 lanzamientos de un competidor, se han registrado estos datos. Calcula la predicción de la puntuación para <viento = SUR, distancia = 60>. c(30) = 0.08, c(20) = 0.05, c(10) = 0.0666. c(30) = 0.04, c(20) = 0.05, c(10) = 0.0333. c(30) = 0.08, c(20) = 0.05, c(10) = 0.0333.

¿Cuál es la única diferencia que encontramos entre Backtracking y Backjumping?. Backtracking siempre encuentra la solución óptima y Backjumping no. Cuando encontramos un espacio de dominios vacío, Backtracking vuelve al nodo anterior mientras que Backjumping salta al nodo en conflicto. Ninguna de las otras.

En la búsqueda heurística un algoritmo es admisible: Si encuentra la solución en un tiempo admisible (finito). Si encuentra la solución óptima. Si obtiene siempre una solución sub-óptima a cambio de expandir menos nodos del árbol de búsqueda.

Tratándose de una búsqueda A* (búsqueda óptima) decimos que h*(n) es: Coste del camino de coste mínimo desde el nodo inicial s al nodo n. Coste del camino de coste mínimo de todos los caminos desde el nodo n a cualquier estado solución tj. Coste del camino de coste mínimo desde el nodo inicial hasta un nodo solución condicionada a pasar por n.

El experimento de la "Sala china" de John Searle tiene relación con el test de Turing en: Intenta demostrar que el test de Turing no es prueba suficiente de inteligencia. No tiene nada que ver con el test de Turing. Intenta confirmar que el test de Turing es prueba suficiente de inteligencia.

En el algoritmo A (de aditivos), g(n) en un nodo no final es la estimación: del coste del camino de coste mínimo desde el estado inicial hasta el nodo n. del coste del camino de coste mínimo desde n a un nodo objetivo. del camino de coste mínimo del problema.

¿Cuál de las limitaciones del Backtraking no es solucionada por el Forward Checking?. Trashing e inconsistencia de nodo. Dependencia de la ordenación. Inconsistencia de arista.

El programa del agente ... contiene el historial completo de lo que el agente ha percibido. consiste en una tabla en la que se proyecta una percepción dada en una acción. es la implementación de la función del agente en una plataforma concreta.

Si comparamos tres algoritmos para resolver un problema, A, B y C, evaluando estos el 100%, el 80% y el 60% de la totalidad de nodos generables para ese problema, respectivamente. Podemos afirmar que: C es el algoritmo óptimo. B es dominante sobre C. A es dominante sobre B y C.

Un CSP binario es aquel: En el que todas las restricciones tienen a los sumo dos variables respectivamente. En que constan de variables continuas y discretas. En el que todas las variables son discretas, es decir, toman valores en dominios discretos.

Para que podamos considerar un agente como racional ... Cada decisión tomada debe maximizar el rendimiento basándose en escoger la mejor decisión prevista en base al conocimiento almacenado y a la percpeción actual del entorno. La racionalidad del agente se define a partir del grado de conocimiento almacenado y de la cantidad de información que pueda percibir, sin tener en cuenta el resultado de sus acciones ya que estas dependen del entorno.. Siempre debe tomar la decisión correcta y no son tolerables fallos provocados por falta de conocimiento.

¿Qué nos permite la propagación de restricciones?. Transformar el problema a uno más sencillo, pero manteniendo las inconsistencias de arco. Transformar el problema a uno más sencillo sin inconsistencias de arco. Ninguna de las otras.

Después de aplicar el algoritmo, ¿cómo son los dominios de cada variable?. Dx={1,2,4,5}; Dy={1,2,3}; Dz={0,1}. Dx={4,5}; Dy={2,3}; Dz={0,1}. Dx={1,2,3}; Dy={4,5}; Dz={1,2}.

Por inteligencia emocional entendemos: Se corresponde con la capacidad de entender a los demás. Es la combinación de las otras dos respuestas. Se corresponde con la capacidad de entendernos a nosotros mismos.

¿En qué se basa el algoritmo AC3?. Examina las aristas, eliminando los valores que causan inconsistencia del domino de cada variable. Examina las aristas, creando una red consistente en el dominio de cada variable. Es un algoritmo que elimina las restricciones para buscar una solución.

¿Cuáles son los tipos de agentes existentes según su diseño?. Reactivos simples y reactivos basados en modelos. Reactivos, basados en objetivos y basados en utilidad. Reactivos y proactivos.

En cuanto a la estrategia tentativa no informadas, selecciona la opción correcta: Son ciegas en el sentido de que el orden en el cual la búsqueda progresa no depende de la naturaleza de la solución que buscamos. No son ciegas van a disponer de información de lo prometedor que es un nodo para llegar desde él a la solución. No son ciegas en el sentido de que el orden en el cual la búsqueda progresa depende de la naturaleza de la solución que buscamos.

Si tenemos un algoritmo A* para resolver el problema de camino mínimo en el cual h* devolviese siempre 0, estaríamos ante un tipo de búsqueda. En anchura. En profundidad. Irrevocable.

Indica cual de las siguientes afirmaciones sobre agentes inteligentes es incorrecta: Un agente inteligente está diseñado para alcanzar siempre el mejor resultado esperado. Cualquier agente inteligente encontrará las mismas soluciones para un problema dado. Los agentes inteligentes no requieren un conocimiento completo del entorno para actuar de manera racional.

Sobre las limitaciones de Backtracking en CSP, cuando hay una restricción binaria entre dos variables hablamos de... Inconsistencia de arista. Inconsistencia de nodo. Ninguna de las otras.

Dadas la variables x, y, z con dominios: Dx= {0, 1, 2} Dy ={3,4} Dz= {0,1} Con restricciones: x >= y-1 y >= z+4 x = z +2 ¿Cúal de las siguientes afirmaciones es cierta?. Aplicando el algoritmo AC3, podemos asegurar que tiene una única solución. Aplicando el algoritmo AC3, podemos asegurar que tiene más de una solución. Aplicando el algoritmo AC3, podemos asegurar que NO tiene solución.

¿Dado un problema de camino mínimo en el que sólo podemos movernos en 4 direcciones (arriba, abajo, izquierda, derecha), cual de las siguientes es la función heurística óptima (siendo x e y nuestra posición y m y n las coordenadas objetivo)?. h*((x,y)) = sqrt((m-x) + (n-y) ). h*((x,y)) = |m-x| + |n-y|. h*((x,y)) = |x| + |y|.

Dadas la variables x, y, z con dominios: Dx= Dy ={1,2,3,4,5} Dz= {0,1} Con restricciones: x <= y-1 y >= z+4 x= z +3. ¿Qué respuesta es cierta?. Aplicando el algoritmo AC3, los dominios restringidos que cumplen las consistencias de arco finales son: CDx = {3, 4} CDz= {0, 1} CDy = {4,5}. Aplicando el algoritmo AC3, los dominios restringidos que cumplen las consistencias de arco finales son: CDx = {3, 4} CDz= { 0,1} CDy = {3,4}. Aplicando el algoritmo AC3, los dominios restringidos que cumplen las consistencias de arco finales son: CDx = {3, 4} CDz= {1} cDy = {4,5}.

Según Forward Checking. Los valores de las variables futuras que son inconsistentes con la asignación actual son temporalmente eliminados de sus dominios. Los valores de las variables futuras que son inconsistentes con la asignación actual son eliminados de sus dominios. Ninguna de las otras.

La función h* (heurística) de los algoritmos 'A'... Se debe reducir al máximo posible ya que jamás eliminará la solución óptima. Calcula el coste del camino de coste mínimo desde el estado inicial hasta el actual. Estima el coste del camino de coste mínimo desde el nodo actual a algún nodo objetivo.

En el campo de la IA y poder dotar de consciencia a las máquinas es cierto que: Un grupo de investigadores ya ha conseguido dotar de consciencia a una máquina. Ya se ha recorrido prácticamente todo el camino para poder dotar a una máquina de consciencia. Aún no se puede dotar de consciencia a una máquina ni está previsto poder hacerlo hasta dentro de muchos años.

Indica cual de las siguientes afirmaciones sobre agentes inteligentes es incorrecta: Cualquier agente inteligente encontrará las mismas soluciones para un problema dado. Los agentes inteligentes no requieren un conocimiento completo del entorno para actuar de manera racional. Un agente inteligente está diseñado para alcanzar siempre el mejor resultado esperado.

En computación Evolutiva, ¿cómo se representan las soluciones?. Con un vector de características. Mediante operadores de selección, combinación y cruce. Como una población de individuos.

Si después de lanzar un dado cargado 100 veces tenemos que cada una de las caras ha salido el siguiente número de veces: 1 -> 8 2 -> 11 3 -> 6 4 -> 7 5 -> 9 6 -> 59 ¿Qué entropía tenemos sobre el lanzamiento de dicho dado?. 2.5849. 1.0152. 1.9156.

Respecto a las fases del Backpropagation podemos decir que: Ninguna de las otras es correcta. Consta de una única fase en la que se actualizan los pesos de todas las capas. Consta de varias fases, hacia delante, hacia atrás y la actualización de los pesos de todas las capas.

Deseamos generar un árbol de decisión para saber si un terreno es apto para viñedo. Para ello partimos de los atributos y valores de la siguiente tabla: ¿Cuál sería el primer atributo del árbol?. Fertilidad. Lluvia. Temperatura.

¿Cuál de las siguientes afirmaciones de generación y test es correcta?. Busca la solución mediante una expansión del árbol en anchura. Ignora ciertas soluciones para alcanzar un óptimo. Busca la solución mediante una expansión del árbol en altura.

Se dice que una red neuronal converge cuando: El error de validación se mantiene bajo y el de entrenamiento no tiene cambios significativos. El error de entrenamiento disminuye y el error de validación no tiene cambios significativos. El error de entrenamiento disminuye y el error de validación aumenta.

El teorema de Bayes aplicado al aprendizaje permite: Conocer el máximo a posteriori MAP. Conocer la probabilidad a priori de las clases de un problema de aprendizaje. Determinar si los ejemplos del conjunto de entrenamiento son condicionalmente independientes.

¿En qué década se produjo la Etapa de Expansión de la IA?. En los 60. En los 80. En los 70.

En un perceptrón multicapa la función de activación de las neuronas se cambia de la función escalón del perceptrón simple a otro tipo de funciones como la sigmoidea, hiperbólica, ReLu, etc. ¿Qué conseguimos al hacer este cambio?. Al utilizar funciones derivables evitamos saltos bruscos en la frontera representada por el perceptrón multicapa con lo que mejoramos la probabilidad de acabar encontrando un mínimo global. Mejoramos la respuesta de la red durante el entrenamiento, especialmente cuando tenemos múltiples capas ocultas como en el caso de las redes convolucionales. Posibilitamos el entrenamiento del perceptrón multicapa mediante la técnica de backpropagation.

El problema de la n-reinas tiene como características: Dominios discretos y restricciones n-arias. Dominios continuos y restricciones binarias. Dominios discretos y restricciones binarias.

Según la formalización de los problemas de búsqueda, realizado por POST en 1943, un sistema de producción Base de Hechos (BH) es: Conjunto de representaciones de uno o más estados por los que atraviesa el problema. Constituye la estructura de datos global. Conjunto de operadores para la transformación de los estados del problema. Ninguna de las otras.

¿Cuál de las siguientes afirmaciones sobre las estrategias tentativas desinformadas es correcta?. La búsqueda en anchura te asegura ser más rápida que la búsqueda en profundidad. Búsqueda en anchura y coste uniforme serán similares cuando el coste de aplicación de cada regla sea unitario. La búsqueda en profundidad nos asegura que recorreremos todo el grafo.

En el tipo de aprendizaje no supervisado tenemos: una medida de lo bien o mal que está funcionando el algoritmo. un conjunto de datos que queremos agrupar en clusters. Herramientas de selección, combinación y mutación para explorar el espacio de soluciones.

Cuando estamos en la fase de aprendizaje en un clasificador de textos usando naive bayes, ¿por qué aparece el 1 en el numerador y el término |Voc| en el denominador del cálculo de la probabilidad de una palabra en una categoría dada: P(wk|cj) = (nk+1)/(n+|Voc|)?: Para que el cálculo de la probabilidad sea lo más ajustado posible a la realidad. Para evitar que la probabilidad salga 0 si la palabra no ha aparecido nunca. Para evitar que la probabilidad salga 1 si la palabra no ha aparecido nunca.

El Forward Checking, en cada etapa de la búsqueda, comprueba hacia delante la asignación actual con... un valor de las futuras variables que están restringidas con la variable actual. uno o varios valores de las futuras variables que están restringidas con la variable actual. todos los valores de las futuras variables que están restringidas con la variable actual.

Señale la opción correcta acerca de la regla delta: Se asume que el decremento de los pesos es proporcional a la disparidad entre la salida observada y la salida deseada. Se asume que el incremento de los pesos es proporcional a la disparidad entre la salida observada y la salida deseada. Permite ajustar el hiperplano al final del proceso.

¿Cuál fue el primer robot que venció a un campeón del mundo vigente de ajedrez?. Prospector. Logic Theorist. Deep Blue.

¿Cuál de las siguientes áreas se beneficia de los avances en computación evolutiva?. Data Mining. Reconocimiento de patrones. Diseño aeronáutico.

El entrenamiento del modelo de mezcla de gaussianas ser realiza: Con el método de las K-medias. Con un perceptrón multicapa. Con el algoritmo EM.

¿Cuál de las siguientes afirmaciones de generación y test es correcta?. Busca la solución mediante una expansión del árbol en altura. Ignora ciertas soluciones para alcanzar un óptimo. Busca la solución mediante una expansión del árbol en anchura.

Cuando en AC3 no quedan elementos en el dominio de una variable, se determina que: Existe una solución al problema. Existen múltiples soluciones. Ninguna de las otras.

Decimos que un agente es racional si …. Consigue pasar el test de Turing. Se comporta como lo haría un humano. Intenta alcanzar el mejor resultado.

¿Cuál de las siguientes afirmaciones es cierta?. Aplicando el algoritmo AC3, podemos asegurar que tiene una única solución. Aplicando el algoritmo AC3, podemos asegurar que NO tiene solución. Aplicando el algoritmo AC3, podemos asegurar que tiene más de una solución.

¿Cuál es la principal diferencia entre Turing y Searle?. Uno creó un test para ver si la máquina era inteligente y el otro creó su contraejemplo. Uno pensaba que las máquinas actúan como humanos y el otro que piensan como humanos. Uno creía que la inteligencia era solo cosa de humanos y el otro pensaba que los animales también la tienen.

Indica cuál de las siguientes afirmaciones sobre agentes inteligentes es correcta: Cualquier agente inteligente encontrará las mismas soluciones para un problema dado. Un agente inteligente está diseñado para alcanzar siempre el mejor resultado esperado. Los agentes inteligentes requieren un conocimiento completo del entorno para actuar de manera racional.

Clasificando las estrategias de búsqueda básicas, podemos afirmar que: Las estrategias irrevocables se dividen en informadas y no informadas. Solo existen estrategias de búsqueda irrevocables. Se dividen en irrevocables y tentativas.

En el algoritmo A* para un problema en el que no podemos movernos en diagonal, rejilla 4-con, la heurística óptima utiliza la distancia: Euclídea. De Manhattan. De Salchow.

El Forward Checking, en cada etapa de la búsqueda, comprueba hacia delante la asignación actual con... un valor de las futuras variables que están restringidas con la variable actual. todos los valores de las futuras variables que están restringidas con la variable actual. uno o varios valores de las futuras variables que están restringidas con la variable actual.

¿Cuál de las siguientes afirmaciones es correcta?. Para Searle, la inteligencia artificial se basa en la capacidad de una máquina para ser consciente como un humano, característica principal de una IA fuerte. Para Searle, la inteligencia artificial se basa en la capacidad de una máquina para actuar como un humano, característica principal de una IA fuerte. Para Searle, la inteligencia artificial se basa en la capacidad de una máquina para actuar como un humano, característica principal de una IA débil.

Un algoritmo A1 es dominante sobre A2, si... cada nodo expandido por A1 es también expandido por A2. siempre que A1 expanda un número mayor de nodos que A2. las 2 son correctas.

En las estrategias de búsqueda tentativas... Se permite la vuelta al estado inmediatamente anterior con el fin de rectificar la última decisión. Almacenamos los estados frontera no escogidos tras cada decisión permitiendo el regreso a cualquiera de ellos. No se permite la vuelta atrás, y la frontera es unitaria.

El backjumping. hace el retroceso siempre a la primera variable instanciada. hace el retroceso a la variable más profunda que está en conflicto con la variable actual. no hace retroceso.

De los siguientes tipos de aprendizaje, indica la definición correcta: Aprendizaje supervisado: Aprendemos a partir de ejemplos conocidos (etiquetados según su clase). Aprendizaje por refuerzo: Tenemos un conjunto de datos que queremos agrupar en clusters. Aprendizaje no supervisado: Tenemos una medida de lo bien o mal que está funcionando el algoritmo, pero no sabemos exactamente qué falla.

Respecto al aprendizaje bayesiano, ¿cuál de las siguientes opciones es correcta?: Permite combinar los datos de ejemplo con conocimiento a priori. Usado como clasificador, puede obtener la certeza de pertenecer a una clase. Permite combinar los datos de ejemplo con conocimiento a posteriori.

¿Qué factores han de tener en cuenta al diseñar un agente racional?. Medida de rendimiento, conocimiento del medio, acciones posibles y consecuencias de las acciones. Medida de rendimiento, conocimiento del medio, acciones posibles y secuencia de percepciones. Medida de rendimiento, lectura de los sensores, acciones posibles y consecuencias de las acciones.

Se nos plantea resolver un problema de arboles de decisiones mediante el algoritmo ID3, y en la especificación del conjunto de valores nos encontramos con la siguiente tabla adjunta. Elige la respuesta incorrecta: Estamos ante un caso de atributos numéricos continuos; por lo que es necesario discretizar estos y descomponerlos en rangos. Habría que ordenar los Ids según la cantidad y tomar como puntos límite los puntos medios de aquellos en que cambie el valor de la salida. El algoritmo ID3 trabaja con todo tipo de variables, porque el propio algoritmo trata esto sin necesidad de extensiones adicionales.

¿Cuál de las siguientes afirmaciones acerca de la IA es incorrecta?: La IA fuerte permite crear un computador que sea capaz de pensar y ser consciente del mismo modo que los seres humanos. La IA débil permite a un computador actuar con un comportamiento inteligente para resolver problemas complejos siendo consciente de las acciones y decisiones que toma. La IA débil permite que un computador se comporte de un modo inteligentemente similar al de un ser humano, pero no tiene constancia alguna de lo que realiza.

¿Qué afirmación acerca de la entropía es falsa?. En una distribución uniforme la entropía es máxima. La entropía mide el grado de incertidumbre asociado a una distribución de probabilidad. En una distribución pico la información es mínima.

¿Cuál es falsa de estas afirmaciones?: Usaremos más de una neurona cuando un único hiperplano no puede separar los datos de un problema. Una red neuronal converge cuando el error de validación se mantiene bajo y los ejemplos de entrenamiento no provocan cambios significativos en los pesos de la red. A la capa adicional dentro de los Perceptrones multi-capa se le denomina capa visible.

Según el método Naiive Bayes para la clasificación de textos visto en clase en el que tenemos que clasificar un texto en una categoría (Interesante - No interesante) dado cualquier conjunto de palabras de un texto (atributos), se puede simplificar el problema suponiendo que: Conocemos la probabilidad a priori y es igual para todos los casos con lo que estaríamos antes un problema de Máxima Verosimilitud. La probabilidad de clasificar un texto es independiente de la posición que ocupan las palabras que aparecen en el texto. Existe dependencia condicional entre los atributos (palabras) y la categoría de los textos (Interesante - No interesante).

¿Cómo se realiza la integración en una neurona computacional?. multiplicación ponderada (net) por los pesos sinápticos seguida de una función de activación f(net). suma ponderada (net) por los pesos sinápticos seguida de varias funciones de activación f(net). suma ponderada (net) por los pesos sinápticos seguida de una función de activación f(net).

En el algoritmo AC3 de búsqueda por CSP, la variable Q: contiene todas las aristas entre cada par de nodos del grafo en ambos sentidos. abarca todas las restricciones binarias del problema partiendo de 0. contiene todas las restricciones entre cada par de nodos del grafo en ambos sentidos.

¿Cuál de las siguientes afirmaciones sobre redes neuronales no es cierta?: El problema de la inicialización de la red reside en los máximos locales no derivables. Con respecto al entrenamiento, la constante de aprendizaje, η, es siempre positiva. Su rol es moderar el grado de ajuste de cada iteración de ajuste del hiperplano. Un perceptrón con dos capas ocultas puede aproximar cualquier función.

El termino aptitud en algoritmos genéticos se refiere a... Medida de como se comporta un individuo en la resolución del problema. Medida del interés mostrado por un individuo en la resolución del problema. Medida del error de clasificación de un individuo de la población.

En un algoritmo A (de aditivos), g(n) en un nodo no final es la estimación: del coste del camino de coste mínimo desde n a un nodo objetivo. del camino de coste mínimo del problema. del coste del camino de coste mínimo desde el estado inicial hasta el nodo n.

El método de la mezcla de gaussianas realiza una partición del espacio que se puede considerar: De frontera líneal, los ejemplos se asignan de acuerdo al hiperplano definido por el método. De frontera blanda, se obtiene la pertenencia de un ejemplo a cada clase. De frontera dura, un ejemplo se asigna a una única clase.

En la actualidad, la IA que se emplea es…. la IA débil. tanto IA fuerte como IA débil. la IA fuerte.

Si comparamos tres algoritmos para resolver un problema, A, B y C, evaluando estos el 100%, el 80% y el 60% de la totalidad de nodos generables para ese problema, respectivamente. Podemos afirmar que: C es el algoritmo óptimo. B es dominante sobre C. A es dominante sobre B y C.

Un CSP binario es aquel: En que constan de variables continuas y discretas. En el que toda las variables son discretas, es decir, toman valores en dominios discretos. En el que todas las restricciones tienen a los sumo dos variables respectivamente.

Según Forward Checking. Los valores de las variables futuras que son inconsistentes con la asignación actual son temporalmente eliminados de sus dominios. Los valores de las variables futuras que son inconsistentes con la asignación actual son eliminados de sus dominios. Ninguna de las otras.

Acerca de las neuronas artificiales como la de la figura, indica que afirmación es correcta: W1, W2, .. , Wn son los pesos sinápticos y determinan la influencia de cada entrada en la activación de la neurona, siendo excitatoria si Wi es positivo o inhibitoria si Wi es negativo. La suma de todas las entradas ponderadas f(net) es el valor 'y' de salida de la neurona. X1, X2, .. , Xn admiten cualquier tipo de entrada.

Indica que afirmación es falsa en lo que respecta a los algoritmos evolutivos: La población de individuos es una representación de las posibles soluciones al problema. El procedimiento de selección evalua la aptitud de los individuos para resolver el problema. El procedimiento de transformación elimina los individuos menos aptos de cara a encontrar la solución óptima.

Una neurona artificial obtiene su salida principalmente mediante: Combinar las entradas con pesos, sumarlas, aplicar una función de activación y producir una salida. Elegir aleatoriamente una entrada y compararla con una regla fija. Aplicar una función distinta a cada dato y sumar las salidas finales.

Cuando un árbol de decisión trabaja con variables continuas, normalmente estas deben: Transformarse en intervalos, rangos o categorías. Usarse exactamente igual que una variable discreta. Eliminarse siempre del conjunto de datos.

El método de mezcla de gaussianas se caracteriza porque la clasificación se realiza mediante: Fronteras rígidas, asignando cada ejemplo únicamente a una clase. Fronteras suaves, calculando el grado de pertenencia de un ejemplo a cada clase. Una única frontera lineal fija para todos los datos.

¿Cuál de las siguientes afirmaciones sobre redes neuronales es incorrecta?. El perceptrón multicapa puede aproximar funciones bajo ciertas condiciones. La tasa de aprendizaje controla el tamaño de los ajustes durante el entrenamiento. El problema principal de inicialización se debe a máximos locales no derivables.

En un algoritmo genético básico, lo normal es que durante las generaciones: El tamaño de la población se mantenga constante. La población disminuya hasta que solo quede un individuo. La población aumente indefinidamente en cada generación.

¿Cuál de las siguientes opciones puede considerarse un área típica de aplicación del aprendizaje automático?. Máquina de estados. Minería de datos. Tablas de verdad lógicas.

Sobre los problemas de satisfacción de restricciones, es correcto afirmar que: Un CSP puede tener ninguna, una o varias soluciones según sus dominios y restricciones. Todo CSP bien planteado tiene obligatoriamente una solución. Las restricciones n-arias nunca pueden tratarse mediante transformaciones.

Para calcular un valor condicionado total teniendo en cuenta los posibles valores de una variable X, se pondera cada caso mediante: La probabilidad de cada valor de X multiplicada por el valor condicionado correspondiente. La suma directa de todos los valores sin usar probabilidades. Solo el caso más probable de X.

En el algoritmo A*, una heurística deja de ser admisible cuando: Siempre da valores menores que el coste real. Puede sobreestimar el coste real hasta el objetivo. Solo usa información del nodo inicial.

Si varios algoritmos resuelven el mismo problema y uno de ellos necesita evaluar menos nodos que los demás, se considera que: Es el más eficiente para ese criterio de comparación. Es necesariamente peor porque explora menos. No puede compararse con los otros.

El backjumping mejora el retroceso porque: Vuelve directamente a la variable más profunda relacionada con el conflicto. Siempre vuelve a la primera variable del problema. No realiza ningún tipo de retroceso.

El algoritmo AC3 se basa en: Revisar arcos entre variables y eliminar valores que no tienen soporte consistente. Añadir valores nuevos a los dominios hasta encontrar una solución. Ignorar las restricciones para reducir el coste computacional.

En un sistema de producción, las reglas de producción se entienden como: Operadores que transforman estados del problema mediante condiciones y acciones. Una memoria donde se guardan solamente los hechos iniciales. Una estrategia que decide qué regla se ejecuta sin tener en cuenta los hechos.

En general, decimos que un agente…. siempre se comporta de manera racional. presenta sensores y actuadores para interactuar con su entorno. debe ser capaz de predecir el resultado de sus acciones.

Indica cuál de las siguientes afirmaciones es cierta sobre el algoritmo AC3: Si el grafo es consistente puede tener solución o no. Si el grafo es inconsistente podemos encontrar solución. Si el grafo es consistente obligatoriamente tiene que tener solución.

¿Cuál es la única diferencia que encontramos entre Backtracking y Backjumping?. Backtracking siempre encuentra la solución óptima y Backjumping no. Cuando encontramos un espacio de dominios vacío, Backtracking vuelve al nodo anterior mientras que Backjumping salta al nodo en conflicto. Ninguna de las otras.

Dadas las variables x, y, z con dominios: Dx = Dy = {1,2,3,4,5} Dz = {0,1} Restricciones: x ≤ y − 1 y ≥ z + 4 x = z + 3. CDx = {3,4}, CDz = {0,1}, CDy = {4,5}. CDx = {3,4}, CDz = {1}, CDy = {4,5}. CDx = {3,4}, CDz = {0,1}, CDy = {3,4}.

Las reglas de transformación…. permiten pasar de un estado a otro. son las que especifican qué es para nosotros una solución. forman un espacio de posibles soluciones.

¿Cuál de estas estrategias de búsqueda no permite la vuelta atrás?. Irrevocable. Tentativa. Ambas.

Acerca de la heurística se puede decir que: En general el nivel de información de las heurísticas permite encontrar antes la solución, pero tiene la desventaja de requerir un mayor coste computacional. La admisibilidad no está relacionada con el tiempo. Ninguna de las otras es correcta.

El experimento de la “Sala china” de John Searle tiene relación con el test de Turing en: Intenta demostrar que el test de Turing no es prueba suficiente de inteligencia. No tiene nada que ver con el test de Turing. Intenta confirmar que el test de Turing es prueba suficiente de inteligencia.

Las estrategias irrevocables son aquellas que…. garantizan encontrar una solución óptima. no se permite la vuelta atrás. se mantienen estados de vuelta atrás por si el estado actual no llega a buen fin.

Un CSP binario es aquel: en el que todas las variables son discretas. en el que constan variables continuas y discretas. en el que todas las restricciones tienen a lo sumo dos variables.

Usando AC3, transformar en una red consistente: Dx = Dy = {1,2,3,4,5} Dz = {0,1,2} Restricciones: Y ≤ X − 1 X ≥ Z + 4 Y = Z + 2. Dx = {4,5}, Dy = {2,3}, Dz = {0,1}. Dx = {1,2,3}, Dy = {4,5}, Dz = {1,2}. Dx = {1,2,4,5}, Dy = {1,2,3}, Dz = {0,1}.

¿En qué década se produjo la Etapa de Expansión de la IA?. En los 70. En los 60. En los 80.

Indica cuál de las siguientes afirmaciones sobre agentes inteligentes es incorrecta: Los agentes inteligentes no requieren un conocimiento completo del entorno para actuar de manera racional. Cualquier agente inteligente encontrará las mismas soluciones para un problema dado. Un agente inteligente está diseñado para alcanzar siempre el mejor resultado esperado.

Por inteligencia emocional entendemos: Se corresponde con la capacidad de entendernos a nosotros mismos. Se corresponde con la capacidad de entender a los demás. Es la combinación de las otras dos respuestas.

El futuro próximo de la IA está orientado a: Crear robots capaces de abordar tareas complicadas o peligrosas para el ser humano. Crear máquinas pensantes capaces de destruir la humanidad. Dotar a las máquinas de sentimientos.

¿Cómo se realiza la integración en una neurona computacional?. Suma ponderada (net) por los pesos sinápticos seguida de varias funciones de activación. Suma ponderada (net) por los pesos sinápticos seguida de una función de activación. Multiplicación ponderada (net) por los pesos sinápticos seguida de una función de activación.

Acerca de los perceptrones multicapa, ¿cuál es INCORRECTA?. La “interpretación geométrica” se desarrolló sobre un algoritmo que permite encontrar los pesos asociados a todas las neuronas. Un perceptrón con dos capas ocultas es capaz de aproximar cualquier función. La capa adicional se denomina capa oculta.

En el tipo de aprendizaje no supervisado tenemos: Herramientas de selección, combinación y mutación. Una medida de lo bien o mal que funciona el algoritmo. Un conjunto de datos que queremos agrupar en clusters.

Respecto al operador de selección por torneo en Algoritmos Genéticos: Garantiza la selección de los miembros más aptos. Selecciona a los individuos más aptos en distintos subgrupos. Provoca que los individuos más aptos tengan más probabilidad de ser seleccionados.

Según Forward Checking: Los valores inconsistentes se eliminan temporalmente. Los valores inconsistentes se eliminan permanentemente. Ninguna de las otras.

En la entropía, ¿qué grado de incertidumbre tendremos en una distribución uniforme?. Puede ser cualquier valor. Máxima. Mínima.

El algoritmo A* constituye una: Estrategia tentativa no informada. Estrategia tentativa informada. Estrategia irrevocable.

Respecto a MAP y ML: ML implica máxima verosimilitud, debido a que P(D) = cte. MAP implica un máximo a priori. P(D) es constante y depende de h.

Decimos que un agente es racional si…. Se comporta como un humano. Intenta alcanzar el mejor resultado. Consigue pasar el test de Turing.

¿Qué aristas dirigidas del siguiente grafo no serían consistentes en el instante inicial?. (3,1), (2,4). (1,3), (2,1). (4,3), (4,2).

¿Cuál es falsa?. A la capa adicional dentro de los perceptrones multicapa se le denomina capa visible. Usaremos más de una neurona cuando un único hiperplano no separa los datos. Una red neuronal converge cuando el error de validación se mantiene bajo.

(Problema de las jarras de agua). Falso, porque la regla 5 no vacía la jarra de 4L. Cierto, porque están correctamente aplicadas. Falso, porque la regla 6 está mal aplicada.

Si hablamos de Forward Checking podemos afirmar que: Los valores inconsistentes no se eliminan. Si ningún valor es consistente, se hace backtracking no cronológico. Ninguna de las otras.

El entrenamiento del modelo de mezcla de gaussianas se realiza: Con K-medias. Con el algoritmo EM. Con un perceptrón multicapa.

Respecto al clasificador bayesiano: Las hipótesis son las fases del aprendizaje. Ninguna de las otras. Las hipótesis son las clases a las que puede pertenecer un ejemplo.

El término aptitud en algoritmos genéticos se refiere a: Medida del interés mostrado por un individuo. Medida de cómo se comporta un individuo en la resolución del problema. Medida del error de clasificación.

Según backpropagation, para calcular el delta de una neurona de salida necesitamos: f’(netj), Wjk y delta(k) de la capa siguiente. f’(netj), Wjk y delta(k) de la capa anterior. El resultado del paso forward.

En las estrategias de búsqueda básicas…. Las decisiones no tienen por qué producir avance; se permiten saltos atrás. Las elecciones deben seguir un criterio y jamás pueden reconsiderarse. Se debe seguir un método que garantice avanzar, incluso si implica un salto atrás.

El término Inteligencia Artificial se introdujo en…. Años de Crítica y Madurez (70s). Etapa de Expansión (80s). Conferencia de Dartmouth (1956).

Un CSP puede transformarse en una red consistente mediante AC3…. Examinando aristas y eliminando valores inconsistentes. Eliminando aristas y examinando valores. Ninguna de las otras.

El efecto Flynn se relaciona con: Disminución del CI en el siglo XX. Teoría de inteligencias múltiples. Aumento del CI durante el siglo XX.

Dadas las variables: Dx = {1,3,5}, Dy = {2,4,6}, Dz = {1,2,3} Restricciones: x ≥ y + 3 y ≥ z z ≤ x − 3. CDx={5}, CDz={2}, CDy={1,2}. CDx={5}, CDz={1,2}, CDy={1}. CDx={5}, CDz={1,2}, CDy={2}.

Cuando en AC3 no quedan elementos en el dominio de una variable, se determina que: Existe una solución. Existen múltiples soluciones. Ninguna de las otras.

Indica cuál es cierta sobre AC3: Si el grafo es consistente puede tener solución o no. Si el grafo es consistente debe tener solución. Si el grafo es inconsistente podemos encontrar solución.

Acerca de la heurística: Más información → solución antes, pero mayor coste computacional. La admisibilidad no está relacionada con el tiempo. Ninguna de las otras.

Indica cuál es correcta sobre agentes inteligentes: Un agente inteligente está diseñado para alcanzar siempre el mejor resultado esperado. Cualquier agente inteligente encontrará las mismas soluciones. Los agentes inteligentes requieren conocimiento completo del entorno.

Dentro de los tipos de aprendizajes, ¿cuál agrupa los datos en clusters?. Aprendizaje no supervisado. Aprendizaje por refuerzo. Aprendizaje supervisado.

¿Cuál de las siguientes afirmaciones acerca de la IA es incorrecta?. La IA débil permite que un computador se comporte de un modo inteligentemente similar al de un ser humano, pero no tiene constancia alguna de lo que realiza. La IA débil permite a un computador actuar con un comportamiento inteligente para resolver problemas complejos siendo consciente de las acciones y decisiones que toma. La IA fuerte permite crear un computador que sea capaz de pensar y ser consciente del mismo modo que los seres humanos.

Teniendo en cuenta las fórmulas dadas, ¿cuál corresponde al cálculo de la entropía?. Opción A. Opción C. Opción B.

(Problema de las jarras de agua) ¿Es cierta la solución propuesta?. Falso, la regla 7 no se ha aplicado correctamente. Falso, la regla 1 no llena la jarra de 4L. Cierto, las reglas están correctamente aplicadas.

El método de la ruleta como procedimiento de selección…. Es un método de selección estocástica en el que la probabilidad de elegir a un individuo es 1/Nº individuos. Se usa siempre en todas las implementaciones de computación evolutiva. Otorga más posibilidades de supervivencia a los más aptos, pero no asegura su supervivencia.

¿En qué conferencia y año se definió el campo de la IA?. Dartnose 1957. Darteye 1955. Dartmouth 1956.

En el método de las k‑medias, la medida de distancia utilizada es: Distancia euclídea. Cualquier medida de distancia. Distancia de Mahalanobis.

El algoritmo de búsqueda A* utiliza una función de evaluación 𝑓=𝑔+ℎ' en la que ℎ' representa el valor heurístico del nodo a evaluar, desde el nodo actual 𝑛 hasta el nodo terminal. ¿Cuándo esta función ℎ′ no es admisible?. Si es monótona y no sobreestima. Si sobreestima los costes reales. Si los costes estimados no exceden los reales.

Respecto a las funciones de activación derivables: Ninguna es correcta. Buscamos funciones derivables con forma similar al escalón del perceptrón de una sola capa. Para aplicar el algoritmo de entrenamiento multicapa no es necesario que la función de activación sea derivable, aunque es conveniente que lo sea.

Acerca de las neuronas artificiales como la de la figura, indica qué afirmación es correcta: X1, X2, ..., Xn admiten cualquier tipo de entrada. La suma de todas las entradas ponderadas f(net) es el valor 'y' de salida de la neurona. W1, W2, ..., Wn son los pesos sinápticos y determinan la influencia de cada entrada en la activación de la neurona, siendo excitatoria si Wi es positivo o inhibitoria si Wi es negativo.

¿Cuándo se produce la vuelta atrás en el algoritmo de backtracking o backjumping?. Cuando llega a la profundidad máxima y encuentra la solución. Tras asignar valor a una variable. Cuando no se puede encontrar una asignación legal de variables que cumpla con las restricciones impuestas.

Según Forward Checking: Los valores de las variables futuras que son inconsistentes con la asignación actual son temporalmente eliminados de sus dominios. Los valores de las variables futuras que son inconsistentes con la asignación actual son eliminados de sus dominios. Ninguna de las otras.

¿Cuál es la característica del operador de selección elitista en Algoritmos Genéticos?. Al incrementarse la aptitud media de la población, la fuerza de la presión selectiva también aumenta y la función de aptitud se hace más discriminadora. Los individuos más aptos tienen más probabilidad de ser seleccionados. Garantiza la selección de los miembros más aptos de cada generación.

¿Cuál de las siguientes afirmaciones acerca del aprendizaje bayesiano es falsa?: Está basado en el teorema → 𝑃(ℎ∣𝐷)=𝑃(𝐷)/(𝑃(𝐷∣ℎ)𝑃). Usado como clasificador, puede obtener probabilidades de pertenecer a cada clase. Permite combinar los datos de ejemplo con conocimiento a priori.

¿Qué factores han de tener en cuenta al diseñar un agente racional?. Medida de rendimiento, lectura de los sensores, acciones posibles y consecuencias de las acciones. Medida de rendimiento, conocimiento del medio, acciones posibles y consecuencias de las acciones. Medida de rendimiento, conocimiento del medio, acciones posibles y secuencia de percepciones.

Tratándose de Criptoaritmética, una de sus características es: Dominios discretos y restricciones binarias. Dominios discretos y restricciones unarias. Dominios continuos y restricciones unarias.

En la competición de tiro con arco, calcula la predicción de la puntuación para \<viento = SUR, distancia = 60\>: c(30) = 0.04, c(20) = 0.05, c(10) = 0.0333. c(30) = 0.08, c(20) = 0.05, c(10) = 0.0333. c(30) = 0.08, c(20) = 0.05, c(10) = 0.0666.

Respecto al problema de los mínimos locales en la inicialización en los descensos por gradiente, la solución aportada es: Entrenar la red desde distintas inicializaciones. Inicializar los pesos de la red con un valor constante. El problema de mínimos locales se encuentra solo en los ascensos por gradiente, por lo que no requiere solución para los descensos por gradiente.

Una neurona computacional consta de: Entrada, integración y salida. Dendritas, soma y axón. Entrada, acoplamiento y salida.

A la hora de definir las medidas de rendimiento de un agente inteligente... Seleccione una: Son importantes tanto el cumplimiento del objetivo final como el razonamiento seguido para alcanzarlo. Solo debemos fijarnos en si cumple el objetivo para el que se diseñó. Debemos tener en cuenta multitud de factores además del cumplimiento del objetivo final, como por ejemplo el consumo energético, el tiempo que tarda en alcanzarlo, si el razonamiento seguido es el óptimo, etc.

Para el algoritmo de búsqueda A* (búsqueda óptima), decimos que f*(n) es: Seleccione una opción: Coste del camino de coste mínimo desde el nodo inicial hasta un nodo solución condicionado a pasar por n. Coste del camino de coste mínimo de todos los caminos desde el nodo n a cualquier estado solución t. Coste del camino de coste mínimo desde el nodo inicial a un nodo solución.

¿Cuál fue uno de los principales aportes al campo de la IA por parte de Howard Gardner? Seleccione una: Propuso el modelo de la teoría de las inteligencias múltiples. Definió, en 1992, la IA como "El estudio de los cálculos que hacen posible percibir, razonar y actuar”. Definió el efecto Flynn, junto con Richard Herrnstein, en su libro "The Bell Curve".

En lo referente a los métodos de resolución, podemos afirmar que Generación y test: Seleccione una: Genera cada una de las posibles asignaciones a las variables y comprueba si satisfacen todas las restricciones. Construye la solución de forma gradual, instanciando variables en el orden definido por la permutación dada. Construye la solución de forma gradual, instanciando la variable más profunda que está en conflicto con la variable actual.

Si tenemos un algoritmo A* para resolver el problema de camino mínimo en el cual h(n) devolviese siempre 0, estaríamos ante un tipo de búsqueda. Irrevocable. En profundidad. En anchura.

El conjunto de validación en un proceso de aprendizaje supervisado sirve Seleccione una: Para comprobar la capacidad de generalización del proceso y evitar el sobre entrenamiento. Para realizar el entrenamiento en métodos de aprendizaje supervisado. Para probar y depurar el proceso de aprendizaje.

El decisor de máxima verosimilitud, ML, asume que todas las hipótesis son equiprobables: Seleccione una: A posteriori. Durante el proceso de cálculo de máxima verosimilitud. A priori.

En cuanto al error δ de las Redes Neuronales: Los δ de cada capa son independientes entre sí y no afectan al resultado de las siguientes. Una neurona de una capa intermedia contribuye en los δ de las de la capa siguiente. El cálculo de los δ no es necesario en el algoritmo Backpropagation.

El método de la mezcla de gaussianas realiza una partición del espacio que se puede considerar: De frontera blanda, se obtiene la pertenencia de un ejemplo a cada clase. De frontera dura, un ejemplo se asigna a una única clase. De frontera líneal, los ejemplos se asignan de acuerdo al hiperplano definido por el método.

¿Qué tipo de operador de selección utilizaremos en Algoritmos Genéticos si queremos que los individuos seleccionados en una generación permanezcan presentes en la siguiente generación?. Selección generacional. Selección Jerárquica. Selección por estado estacionario.

A la hora de definir las medidas de rendimiento de un agente inteligente... Son importantes tanto el cumplimiento del objetivo final como el razonamiento seguido para alcanzarlo. Solo debemos fijarnos en si cumple el objetivo para el que se diseñó. Debemos tener en cuenta multitud de factores además del cumplimiento del objetivo final, como por ejemplo el consumo energético, el tiempo que tarda en alcanzarlo, si el razonamiento seguido es el óptimo, etc.

Usando el algoritmo AC3 transforme en una red consistente: Variables: V={X, Y, Z} Dominios: Dx=Dy={1, 2, 3, 4, 5} Dz={0, 1, 2} Restricciones: ρ₁ Y ≤ X - 1 ρ₂ X ≥ Z + 4 ρ₃ Y = Z + 2 Después de aplicar el algoritmo, ¿cómo son los dominios de cada variable? Seleccione una: Dx={1, 2, 3}; Dy={4, 5}; Dz={1, 2}. Dx={1, 2, 4, 5}; Dy={1, 2, 3}; Dz={0, 1}. Dx={4, 5}; Dy={2, 3}; Dz={0, 1}.

Respecto a los fundamentos MAP y ML, es cierto que: P(D) es constante y depende de h. ML implica máxima verosimilitud, debido a que P = cte. MAP implica un máximo a priori.

Alcanzar la consciencia se plantea como un objetivo de: IA Fuerte. IA Débil. De ninguna de las otras.

Dentro de las estrategias tentativas no informadas, ¿en cuál no se garantiza obtener una solución óptima en grafos finitos?. En la búsqueda en profundidad. En la búsqueda en anchura. En la de coste uniforme.

El proceso de funcionamiento de una neurona computacional es…. Recibe un único dato, crea diversas funciones de activación a partir de este dato y obtiene un resultado a partir de la suma de esas funciones. Recibe una cantidad de números, hace una suma ponderada por los pesos sinápticos, elabora diversas funciones de activación a partir de la suma y obtiene un resultado para cada una. Recibe una cantidad de números, hace una suma ponderada por los pesos sinápticos, elabora una función de activación y obtiene un resultado a partir de ésta.

¿Cuál es la finalidad del algoritmo ID3?. Se usa para generar árboles de decisión. Ninguna de las otras es correcta. Al igual que AC3, simplifica problemas de satisfacción de restricciones.