MIA04 - Modelos de Inteligencia Artificial

El Machine Learning (Aprendizaje Automático) genera un gran interés en toda la sociedad, especialmente desde el año…. 2009. 2022. 2016. 2000.

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?. Verdadero. Falso.

El Aprendizaje Automático (Machine Learning) en una rama de estudio de la Inteligencia Artificial. ¿Verdadero o Falso?. Verdadero. Falso.

¿En qué tres tipos de problemas se puede dividir el Aprendizaje Automático No Supervisado?. Similitudes, Diferencias y Asociaciones. Clustering, Detección de Anomalías y Asociaciones. Regresión, Clasificación y Refuerzo. Árbol de decisión, Bayesianos y Reducción.

¿Cuál de los siguientes avances ha sido determinante para poder desarrollar la técnica de Aprendizaje Automático (Machine Learning)?. El descubrimiento de la imprenta. La tecnología 4G para telefonía móvil. La mejora en la capacidad de cómputo de los ordenadores y la disponibilidad de datos digitalizados. El acceso a la energía solar.

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

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

Si quieres entrenar un modelo de Inteligencia Artificial mediante Aprendizaje Automático para predecir un diagnóstico médico ¿Qué problema utilizarás?. Clusterización. Regresión. Clasificación. Detección de anomalías.

¿Cuál es uno de los usos más extendidos del Aprendizaje Automático Supervisado?. Encontrar relaciones ocultas entre los diferentes elementos aportados en los datos almacenados. Enseñar a máquinas a jugar a videojuegos. Las tres respuestas anteriores son usos habituales del Aprendizaje Automático Supervisado. Hacer predicciones a futuro basadas en comportamientos o características que se han visto en los datos ya almacenados (histórico de datos).

¿Cuál es objetivo del Clustering (en el contexto del Aprendizaje Automático No Supervisado)?. Ordenar y limpiar las instancias defectuosas para hacer un posterior entrenamiento supervisado. Hacer predicciones. Generar agrupaciones o clusters buscando las instancias que son similares entre sí. Generar un mapa clasificatorio.

¿Cuál es la característica fundamental del Aprendizaje Automático Supervisado?. Que dicho aprendizaje necesita gran capacidad de cómputo. Que dicho aprendizaje se realiza imitando el aprendizaje humano. Que dicho aprendizaje se realiza a partir de datos que ya han sido etiquetados previamente. Que dicho aprendizaje se realiza a partir de datos no etiquetados previamente.

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

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

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

El término Machine Learning lo traducimos a Español como: Aprendizaje Automático. Aprendizaje Profundo. Aprendizaje Autónomo. Las dos últimas son correctas.

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 partir de la inmensa capacidad de cómputo de nuestros ordenadores". ...gracias a las reglas y normas definidas previamente por el humano". ... sin ser programado explícitamente". ... siguiendo patrones".

El Aprendizaje Automático (Machine Learning) es un proceso de adquisición de conocimiento de manera automática mediante la utilización de ejemplos (experiencia) de entrenamiento. ¿Verdadero o Falso?. Verdadero. Falso.

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

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?. Detección de anomalías. Clustering. Regresión. Clasificación.

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