MIA Completo Final

¿Se requiere etiquetado previo de las instancias para un modelo de Aprendizaje Automático No Supervisado?. a. Depende del resultado que estemos buscando. b. Sí. c. Solo en el caso de emplear una Regresión. d. No.

En el mecanismo de encadenamiento hacia atrás se parte de hechos para llegar a resultados. ¿Verdadero o Falso?. Verdadero. Falso.

¿En qué materias se basa el Aprendizaje Automático (Machine Learning) actual?. a. Estadística, Matemáticas, Física y Química. b. Reconocimiento de patrones, Física cuántica, Procesamiento de datos y Estadística aplicada. c. Razonamiento probabilístico, Estadística, Recuperación de datos y Reconocimiento de patrones. d. Estudiar el reconocimiento de patrones y aprendizaje por parte de las computadoras.

Según la definición de Arthur Samuel (en 1959) el Aprendizaje Automático (Machine Learning) es "el campo del estudio que da a las computadoras la capacidad de aprender..." (completa la definición). a. ...gracias a las reglas y normas definidas previamente por el humano". b. ... sin ser programado explícitamente". c. ... a partir de la inmensa capacidad de cómputo de nuestros ordenadores". d. ... siguiendo patrones".

¿Qué es lo que se busca en los problemas de Detección de Anomalías (en el contexto del Aprendizaje Automático No Supervisado)?. a. Encontrar relaciones entre los diferentes valores que toman los campos de una instancia. b. Detectar qué grupos o clusters son los más poblados. c. Detectar instancias que se diferencian de las demás. d. Reducir el coste del entrenamiento de la Inteligencia Artificial.

¿Qué parte del sistema experto es la unidad lógica que aplica las reglas?. Base de conocimientos. Base de hechos. Motor de inferencia. Interfaz sistema-usuario.

¿Cuál es el objetivo de las redes semánticas en un sistema experto?. a. Ninguna de las anteriores. b. Visualizar los datos antes de empezar a trabajar con ellos. c. Representar el conocimiento con los objetos en forma de nodo. d. Representar todos los expertos que han colaborado, con nombres y apellidos.

La Inteligencia Artificial Convencional se basa en: a. el aprendizaje autónomo. b. Todas las respuestas anteriores son correctas. c. el análisis formal y estadístico del comportamiento humano ante diferentes problemas. d. la estadística evolucionada.

En los años 90 del S.XX se produjo lo que conocemos como el Invierno de la IA como consecuencia de no haberse alcanzado las expectativas predichas en la conferencia de Dartmouth y en los años posteriores. ¿Verdadero o Falso?. Verdadero. Falso.

La definición de Aprendizaje Automático de Tom Mitchell utiliza estos tres elementos: a. Ninguno de las tres respuestas anteriores es correcta. b. Patrones, Estadística y Datos. c. Experiencia, Tarea y Rendimiento (Probabilidad de acertar). d. Velocidad de cálculo, Eficacia de predicción y Observación del resultado.

La principal diferencia entre las dos escuelas de pensamiento en el ámbito de la Inteligencia Artificial radica enla ciencia que hay tras los procesos que sigue dicha IA para llegar a los resultados esperados. ¿Verdadero o Falso?. Falso. Verdadero.

¿Qué son las instancias cuando hablamos de Aprendizaje Automático?. a. Cada uno de los elementos que forman el conjunto de datos que se proporcionan para dicho Aprendizaje Automático. b. El conjunto de resultados que esperamos obtener. c. Los documentos necesarios para solicitar el permiso de realizar dicho Aprendizaje Automático. d. El tiempo que hay que esperar para que la Inteligencia Artificial entrene el modelo.

¿Qué campos de estudio deben colaborar en un sistema de Procesamiento de Lenguaje Natural?. a. La ciencia de datos y la ciencia social. b. La inteligencia artificial y la lingüística. c. Las ciencias de la computación y la ingeniería industrial. d. La inteligencia artificial y la literatura.

¿Cuál es el objetivo del Aprendizaje Automático Por Refuerzo?. a. Aprender a jugar a videojuegos. b. Encontrar relaciones entre los diferentes valores que toman los campos de una instancia. c. Aprender cómo mapear situaciones o acciones para maximizar cierta recompensa. d. Detectar qué grupo de instancias son las más pobladas.

Qué se busca predecir en una regresión (en el contexto del Aprendizaje Automático Supervisado)?. a. Un valor numérico. b. Un conjunto de instancias con similitudes. c. Una categoría predominante. d. El precio de un inmueble.

Las reglas de producción en un sistema experto son estructuras simples de un único elemento. ¿Verdadero o Falso?. Verdadero. Falso.

¿Cuál es el objetivo de las redes semánticas en un sistema experto?. a. Ninguna de las anteriores. b. Visualizar los datos antes de empezar a trabajar con ellos. c. Representar el conocimiento con los objetos en forma de nodo. d. Representar todos los expertos que han colaborado, con nombres y apellidos.

Los planteamientos originarios de la Inteligencia Artificial Clásica acertaron completamente con lo que después sería la capacidad de cómputo actual. ¿Verdadero o Falso. Falso. Verdadero.

¿En qué técnica se basa el funcionamiento de GauGAN?. a. Ninguna de las anteriores. b. En la difusión lógica binaria. c. En la Normalización Espacial Adaptativa. d. En la técnica representativa de óleo digital.

Las aplicaciones de NLP trabajan con: a. Datos de sensores. b. Datos de entrada estructurados en bases de datos relacionales. c. Datos no estructurados. d. Datos de entrada en formato de imagen.

Si quisieras agrupar a tus clientes por afinidades para ofrecerles productos u ofertas que sabemos han gustado hasta ahora a un tipo concreto de clientes ¿Qué tipo de problema de Aprendizaje Automático No Supervisado deberías usar?. a. Regresión. b. Clasificación. c. Detección de anomalías. d. Clustering.

En el mecanismo de encadenamiento hacia atrás se parte de hechos para llegar a resultados. ¿Verdadero o Falso?. Verdadero. Falso.

Las iniciales GAN de las conocidas “Redes GAN” responden a las siglas en inglés: a. Giant Automatic Newhuman. b. Generative Automatic Neuronal (Generación Automática de Neuronas en español). c. Gran Arquitectura Neuronal. d. Generative Adversarial Network (Redes Generativas Adversarias en español).

En un proyecto de Aprendizaje Automático suele requerir mucho más tiempo y esfuerzo la fase de recogida de datos (RAW), limpieza de los mismos y su transformación para ser "comprendidos" por la herramienta de entrenamiento, que la fase de entrenamiento y aprendizaje propiamente dicha. ¿Verdadero o Falso?. Falso. Verdadero.

¿Cuál es el objetivo de las Asociaciones (en el contexto del Aprendizaje Automático No Supervisado)?. a. Encontrar relaciones entre los diferentes valores que toman los campos de una instancia. b. Detectar qué grupos o clusters son los más poblados. c. Detectar instancias que se diferencian de las demás. d. Reducir el coste del entrenamiento de la Inteligencia Artificial.

¿Qué aportan las Redes bayesianas en la escuela de pensamiento convencional en el ámbito de la Inteligencia Artificial?. a. Facilita la toma de decisiones complejas, proponiendo una solución a un determinado problema al igual que lo haría un especialista en dicha actividad. b. Infieren una solución a través del conocimiento previo del contexto en que se aplica y ocupa de ciertas reglas o relaciones. c. Ayuda a tomar decisiones mientras se resuelven ciertos problemas concretos y, aparte de que son muy importantes, requieren de un buen funcionamiento. d. Propone soluciones mediante inferencia probabilística.

Las técnicas de Aprendizaje Automático (Machine Learning) actuales se centran en: a. Gestionar datos. b. Aprender como lo haría un humano. c. Resolver problemas prácticos. d. Ninguna de las anteriores es correcta.

¿Qué se busca predecir en una clasificación (en el contexto del Aprendizaje Automático Supervisado)?. a. Una categoría predominante. b. Un conjunto de instancias con similitudes. c. Un valor numérico. d. La categoría a la que pertenece el campo objetivo de la instancia dada.

¿Deep Blue, de IBM, era un Sistema Experto?. a. No, aunque estaba muy cerca de serlo. b. Ninguna de las respuestas anteriores es correcta. c. Sí. d. No.

La técnica “Bag of words” consiste en generar vectores de 500 dimensiones para cada palabra. ¿Verdadero o Falso?. Falso. Verdadero.