Test Mate 8

¿Qué diagrama de UML muestra la secuencia de mensajes entre objetos en el tiempo?. Diagrama de clases. Diagrama de secuencia. Diagrama de componentes. Diagrama de estados.

¿Cuál de los siguientes NO es un diagrama de comportamiento en UML?. Diagrama de secuencia. Diagrama de actividades. Diagrama de componentes. Diagrama de casos de uso.

¿Qué diagrama de UML representa los procesos y flujos de trabajo de un sistema?. Diagrama de despliegue. Diagrama de clases. Diagrama de actividades. Diagrama de estados.

¿Qué tipo de relación en UML se representa con un rombo relleno?. Agregación. Composición. Asociación. Generalización.

En un diagrama de secuencia de UML, ¿cómo se representa el tiempo de vida de un objeto?. Con una línea discontinua. Con un rectángulo al final de la línea de vida. Con una línea vertical debajo del objeto. Con un círculo al final de la línea de vida.

¿Cuál es la diferencia principal entre un diagrama de actividad y un diagrama de secuencia?. Un diagrama de actividad modela procesos; un diagrama de secuencia modela interacciones entre objetos. Un diagrama de secuencia muestra actividades, mientras que un diagrama de actividad muestra objetos. Un diagrama de actividad usa líneas continuas, mientras que un diagrama de secuencia usa líneas punteadas. No hay diferencia, ambos representan lo mismo.

¿Cuál de los siguientes elementos NO se encuentra en un diagrama de casos de uso?. Actor. Caso de uso. Componente. Relación de inclusión.

¿Cuál de las siguientes afirmaciones sobre la composición en UML es correcta?. La composición implica que el objeto contenido puede existir independientemente del contenedor. La composición es un tipo de asociación débil. Si el contenedor es destruido, los objetos contenidos también se destruyen. La composición es lo mismo que la agregación.

¿Qué se usa en UML para representar un comentario o nota en un diagrama?. Un rectángulo con texto en negrita. Un rectángulo con una esquina doblada. Un óvalo con un borde punteado. Un círculo con una línea de conexión.

En UML, ¿qué significa una línea discontinua con una flecha abierta entre dos elementos?. Generalización. Asociación. Dependencia. Composición.

¿En qué diagrama UML se pueden representar "guardas" o condiciones que determinan la transición entre estados?. Diagrama de clases. Diagrama de secuencia. Diagrama de estados. Diagrama de componentes.

¿Qué diagrama de UML se usa para representar los módulos del software y sus dependencias?. Diagrama de casos de uso. Diagrama de componentes. Diagrama de despliegue. Diagrama de objetos Test de Bases de datos NoSQL.

¿Cuál es una característica principal de las bases de datos NoSQL?. Usan solo estructuras relacionales con tablas y claves foráneas. Son altamente escalables y flexibles para datos no estructurados. Solo funcionan con datos estructurados. No permiten almacenamiento distribuido.

¿Cuál de los siguientes es un tipo de base de datos NoSQL?. Relacional. Documentos. Tabular. Jerárquica.

¿Cuál de las siguientes opciones NO es un tipo de base de datos NoSQL?. Basadas en documentos. Clave-valor. Relacionales. Grafos.

¿Cuál de las siguientes bases de datos es un ejemplo de NoSQL?. MySQL. PostgreSQL. MongoDB. Oracle.

¿Qué significa "NoSQL"?. No Structured Query Language. Not Only SQL. Nuevo SQL. Ninguna de las anteriores.

¿Cuál de las siguientes bases de datos usa un modelo de clave-valor?. Redis. SQL Server. Neo4j. PostgreSQL.

¿Qué tipo de base de datos NoSQL es ideal para almacenar datos con relaciones complejas, como redes sociales?. Clave-valor. Documentos. Grafos. Columnas.

En una base de datos NoSQL basada en documentos, ¿cómo se almacenan los datos?. En registros y filas. En documentos estructurados en formatos como JSON o BSON. En tablas con claves foráneas. En gráficos de nodos.

¿Cuál es una ventaja principal de las bases de datos NoSQL frente a las relacionales?. Mejor soporte para transacciones ACID. Mejor escalabilidad horizontal y manejo de grandes volúmenes de datos. Estricta normalización de datos. Uso exclusivo de SQL.

¿Cuál de las siguientes bases de datos NoSQL está basada en grafos?. Cassandra. Neo4j. CouchDB. DynamoDB.

¿Cuál de los siguientes casos de uso es ideal para una base de datos NoSQL?. Registro de transacciones bancarias con integridad referencial estricta. Almacenamiento y búsqueda de grandes volúmenes de datos no estructurados. Aplicaciones con datos muy estructurados y relaciones complejas. Ninguna de las anteriores.

¿Cuál de las siguientes bases de datos NoSQL usa un modelo basado en columnas?. Redis. Cassandra. MySQL. SQLite.

¿Qué lenguaje de consulta utiliza MongoDB?. SQL. CQL. MQL. Cypher.

¿Cuál de las siguientes bases de datos NoSQL es conocida por su alto rendimiento en almacenamiento en memoria?. Redis. PostgreSQL. Oracle. MariaDB.

En las bases de datos NoSQL, el concepto de "sharding" se refiere a: Un tipo de consulta avanzada en SQL. La replicación de datos en múltiples nodos. La distribución de datos en múltiples servidores para escalabilidad horizontal. La compresión de datos en bases NoSQL.

¿Qué formato de datos es comúnmente utilizado en bases de datos NoSQL basadas en documentos?. XML. JSON. CSV. YAML.

¿Cuál de las siguientes bases de datos NoSQL es compatible con Amazon DynamoDB?. Couchbase. MongoDB. Cassandra. Todas las anteriores.

¿Cuál de las siguientes afirmaciones sobre bases de datos NoSQL es FALSA?. No todas las bases de datos NoSQL garantizan transacciones ACID. NoSQL es ideal para datos estructurados con relaciones complejas. Muchas bases de datos NoSQL soportan escalabilidad horizontal. NoSQL permite el almacenamiento flexible de datos semiestructurados y no estructurados.

En un modelo de base de datos de grafos, los datos se almacenan en: Filas y columnas. Documentos JSON. Nodos y aristas. Claves y valores.

¿Qué significa "eventual consistency" en bases de datos NoSQL?. Los datos siempre estarán consistentes en todos los nodos de inmediato. La consistencia se logra después de un período de tiempo en un sistema distribuido. No se garantiza la disponibilidad de los datos. Los datos se replican instantáneamente en todos los servidores. Test de opción múltiple: Inteligencia Artificial (IA).

¿Qué es la Inteligencia Artificial?. Un sistema que imita la inteligencia humana para realizar tareas. Un lenguaje de programación para desarrollar software. Un hardware especializado para procesar datos. Un modelo de base de datos para el aprendizaje automático.

¿Cuál de las siguientes ramas de la IA se enfoca en enseñar a las máquinas a aprender de los datos?. Robótica. Machine Learning. Cibernética. Redes neuronales.

¿Qué es el aprendizaje supervisado en Machine Learning?. Un modelo que aprende sin datos etiquetados. Un modelo que se entrena con ejemplos etiquetados y sus respuestas correctas. Un modelo que aprende exclusivamente por prueba y error. Un tipo de IA que no requiere entrenamiento previo.

¿Cuál de los siguientes NO es un tipo de aprendizaje automático?. Aprendizaje supervisado. Aprendizaje no estructurado. Aprendizaje no supervisado. Aprendizaje por refuerzo.

¿Qué es una red neuronal artificial?. Un conjunto de datos usados para entrenar modelos de IA. Un sistema basado en la estructura del cerebro humano para procesar información. Un programa de bases de datos especializado en IA. Un hardware específico para ejecutar modelos de IA.

¿Qué técnica de IA se usa comúnmente para el reconocimiento facial?. Procesamiento de lenguaje natural. Redes neuronales convolucionales (CNN). Algoritmos de búsqueda heurística. Minería de datos.

¿Cuál de las siguientes opciones es un ejemplo de IA aplicada?. Un sistema de recomendación en Netflix o YouTube. Un motor de base de datos SQL. Un procesador de texto sin autocorrección. Un sistema de almacenamiento en la nube.

¿Qué es el Procesamiento de Lenguaje Natural (NLP)?. Una técnica de IA para comprender y generar lenguaje humano. Un tipo de hardware especializado en inteligencia artificial. Un método de aprendizaje supervisado basado en imágenes. Una técnica usada para la optimización de bases de datos.

¿Cuál de las siguientes es una aplicación de la IA en el campo de la salud?. Diagnóstico automatizado de enfermedades basado en imágenes médicas. Gestión de bases de datos hospitalarias. Creación de registros médicos físicos. Diseño de equipos médicos sin software.

¿Qué significa "Deep Learning"?. Un enfoque de aprendizaje automático basado en redes neuronales profundas. Un sistema de almacenamiento de datos en la nube. Un tipo de hardware para procesamiento de IA. Un método de búsqueda en bases de datos.

¿Cuál es el objetivo principal del aprendizaje por refuerzo?. Aprender a partir de datos estructurados. Maximizar una recompensa acumulada a través de la interacción con un entorno. Clasificar datos en categorías predefinidas. Optimizar consultas en bases de datos.

¿Qué empresa desarrolló el modelo de lenguaje GPT?. Google. OpenAI. Microsoft. Amazon.

¿Cuál de los siguientes NO es un desafío en la implementación de la IA?. Ética y sesgo algorítmico. Falta de datos para el entrenamiento. Falta de aplicaciones en el mundo real. Alto consumo de recursos computacionales.

¿Cómo se llama el famoso test diseñado para evaluar si una máquina puede exhibir inteligencia humana?. Test de Voight-Kampff. Test de Turing. Test de Touring. Test de Toma de Decisiones.

¿Qué papel juega la ética en la inteligencia artificial?. No es relevante en el desarrollo de IA. Ayuda a garantizar que los modelos de IA sean justos y no discriminatorios. Solo se aplica en entornos académicos. Sirve únicamente para reducir costos de desarrollo.

¿Cuál de los siguientes algoritmos se utiliza comúnmente para problemas de clasificación en Machine Learning?. Algoritmo genético. Regresión logística. Algoritmo de búsqueda en profundidad. Transformada de Fourier.

¿Qué significa la sigla "NLP" en el campo de la IA?. Natural Learning Process. Neural Linguistic Processing. Natural Language Processing. Network Layer Protocol.

¿Cuál es una ventaja clave del aprendizaje profundo (Deep Learning) en comparación con los métodos tradicionales de Machine Learning?. Requiere menos datos para entrenarse. No necesita hardware potente para funcionar. Puede aprender representaciones complejas de los datos sin intervención humana. Es completamente interpretable y explicable en todos los casos.

¿Cuál de las siguientes afirmaciones sobre redes neuronales profundas es correcta?. Todas las capas de una red neuronal tienen el mismo número de neuronas. Una red neuronal profunda tiene múltiples capas ocultas. Solo pueden usarse para problemas de visión por computadora. Son menos precisas que los algoritmos tradicionales de Machine Learning.

¿Qué técnica de IA permite a los modelos generar contenido nuevo, como imágenes o texto?. Redes neuronales convolucionales (CNN). Algoritmos de optimización. Modelos generativos, como GANs y Transformers. Minería de datos.

¿Qué es un "modelo de lenguaje grande" (LLM, por sus siglas en inglés)?. Un modelo de IA diseñado para interpretar y generar lenguaje humano. Un programa especializado en compresión de texto. Un método para reducir el tamaño de redes neuronales. Un lenguaje de programación usado en IA.

¿Cuál de las siguientes IA es un ejemplo de modelo generativo de lenguaje?. AlphaGo. ChatGPT. IBM Watson. Deep Blue.

¿Qué es el "sesgo algorítmico" en IA?. Un error de hardware en los procesadores de IA. Una desviación en los resultados de un modelo debido a datos de entrenamiento no representativos o sesgados. Una técnica para mejorar el rendimiento de los algoritmos. Un método para aumentar la eficiencia computacional de la IA.

¿Cuál es un desafío común en la implementación de IA en la industria?. La facilidad con la que los modelos de IA pueden ser explicados. La falta de aplicaciones prácticas en la vida real. La necesidad de grandes volúmenes de datos y poder computacional. La IA ya ha alcanzado una inteligencia superior a la humana.

¿Qué significa "Explainable AI" (XAI)?. Una IA capaz de explicar conceptos científicos. Un enfoque para hacer que los modelos de IA sean más interpretables y comprensibles para los humanos. Una nueva técnica de Machine Learning más avanzada que el Deep Learning. Un tipo de IA utilizado exclusivamente en asistentes virtuales.

¿Cuál de estas es una de las principales preocupaciones de la IA en la ciberseguridad?. Que la IA nunca podrá ser utilizada para detectar fraudes. La posibilidad de que los modelos sean manipulados para generar información errónea. La IA solo se aplica en juegos y no en seguridad. La IA no tiene impacto en la ciberseguridad.

¿Cuál es la principal función de una IA en un chatbot?. Sustituir completamente a los humanos en todas las interacciones. Entender y responder preguntas en lenguaje natural para mejorar la experiencia del usuario. Generar código de programación automáticamente. Predecir el clima con base en datos históricos.

¿Cómo se entrenan los modelos de IA?. Introduciendo reglas manuales y explícitas para cada tarea. Alimentándolos con datos y ajustando los parámetros mediante algoritmos de optimización. Modificando directamente los circuitos electrónicos del hardware. Ejecutando programas sin ningún tipo de ajuste o entrenamiento.

¿Qué significa "fine-tuning" en el contexto de la IA?. Una técnica para ajustar un modelo preentrenado en un conjunto de datos específico. Un proceso para reducir el tamaño de un modelo de IA. Una forma de acelerar el entrenamiento de redes neuronales. Un método de encriptación utilizado en IA.

¿Qué es una "IA fuerte" o "Strong AI"?. Un modelo de IA diseñado para resolver solo un conjunto específico de tareas. Una IA con capacidades generales similares a la inteligencia humana. Un software de IA diseñado exclusivamente para juegos de estrategia. Un tipo de IA que solo funciona en supercomputadoras. Test de opción múltiple: Redes Neuronales.

¿Qué es una red neuronal artificial?. Un tipo de hardware especializado en el procesamiento de datos. Un modelo computacional inspirado en el funcionamiento del cerebro humano. Un conjunto de algoritmos para ejecutar búsquedas en bases de datos. Un software que simula el comportamiento de robots físicos.

¿Cuál es la unidad fundamental de una red neuronal artificial?. Neurona artificial. Sinapsis digital. Capa convolucional. Matriz de pesos.

¿Qué componente de una neurona artificial determina la importancia de una entrada?. Función de activación. Peso sináptico. Sesgo (bias). Capa de salida.

¿Qué función tiene la función de activación en una red neuronal?. Ajustar los pesos de la red neuronal. Decidir si una neurona debe activarse o no, transformando la suma ponderada de sus entradas. Controlar la velocidad de entrenamiento de la red neuronal. Almacenar los datos de entrenamiento.

¿Cuál de las siguientes NO es una función de activación común en redes neuronales?. ReLU. Sigmoide. Softmax. Transformada de Fourier.

¿Qué tipo de red neuronal es más adecuada para el procesamiento de imágenes?. Red neuronal recurrente (RNN). Red neuronal convolucional (CNN). Perceptrón multicapa (MLP). Máquina de soporte vectorial (SVM).

¿Cuál de los siguientes problemas puede resolverse con una red neuronal recurrente (RNN)?. Clasificación de imágenes. Predicción de series temporales. Reconocimiento de objetos en imágenes. Optimización de bases de datos.

¿Cuál es una de las principales desventajas de las redes neuronales profundas?. No pueden manejar datos no estructurados. Son difíciles de paralelizar en hardware moderno. Requieren grandes cantidades de datos y poder computacional para entrenarse. No pueden ser utilizadas para problemas de clasificación.

¿Qué problema puede surgir en redes neuronales profundas y afectar el entrenamiento?. Explosión o desaparición del gradiente. Falta de sesgo en la predicción. Memoria infinita de los datos de entrenamiento. Reducción automática del número de neuronas.

¿Cuál es la técnica utilizada para evitar el sobreajuste (overfitting) en redes neuronales?. Aumento de datos (data augmentation). Reducción de la tasa de aprendizaje. Uso exclusivo de redes neuronales convolucionales. No aplicar ninguna técnica, el sobreajuste es inevitable.

¿Qué significa "backpropagation" en el entrenamiento de redes neuronales?. Un algoritmo para ajustar los pesos de la red neuronal minimizando el error. Un proceso para construir nuevas capas en una red neuronal. Una técnica de reducción de dimensiones. Una estrategia de aumento del tamaño de los datos de entrada.

¿Cuál es el propósito de la función de pérdida en una red neuronal?. Determinar la cantidad de neuronas necesarias en la red. Evaluar qué tan bien el modelo está aprendiendo comparando sus predicciones con los valores reales. Eliminar capas ocultas para mejorar el rendimiento. Asegurar que la red nunca cometa errores.

¿Cuál de los siguientes algoritmos se usa comúnmente para la optimización en el entrenamiento de redes neuronales?. Algoritmo de Dijkstra. Gradiente descendente estocástico (SGD). Algoritmo de Kruskal. Algoritmo de Huffman.

¿Qué es un hiperparámetro en una red neuronal?. Un valor ajustado automáticamente durante el entrenamiento. Un parámetro que los desarrolladores definen antes del entrenamiento, como la tasa de aprendizaje o el número de capas. Un peso sináptico optimizado por el modelo. Una variable que solo se usa en redes neuronales recurrentes.

¿Cómo se llama la técnica que permite que una red neuronal genere imágenes nuevas basadas en un conjunto de datos de entrenamiento?. Redes Neuronales Generativas Adversarias (GANs). Redes Neuronales Convolucionales (CNNs). Redes Neuronales Profundas (DNNs). Redes Neuronales Recurrentes (RNNs).

¿Cuál de los siguientes frameworks es comúnmente utilizado para construir redes neuronales?. TensorFlow. Photoshop. Excel. MySQL.

¿Qué significa "fine-tuning" en redes neuronales?. Ajustar un modelo preentrenado en un nuevo conjunto de datos específico. Eliminar neuronas innecesarias de una red neuronal. Reducir la complejidad computacional de una red neuronal. Ampliar el número de capas ocultas en un modelo.

¿Cómo se llama la técnica utilizada para reducir la dimensionalidad en el entrenamiento de redes neuronales?. PCA (Análisis de Componentes Principales). Overfitting. Backpropagation. Max Pooling.

¿Qué es un modelo de lenguaje basado en redes neuronales?. Un modelo que procesa y genera texto basado en patrones aprendidos. Una técnica para reducir el número de capas en una red neuronal. Un tipo de red neuronal utilizado únicamente para reconocimiento facial. Un método de análisis de datos no supervisado.

¿Qué es "dropout" en redes neuronales?. Una técnica que apaga aleatoriamente algunas neuronas durante el entrenamiento para evitar sobreajuste. Un tipo de función de activación. Un método para reducir la cantidad de datos de entrada. Un algoritmo de optimización de gradiente.