PAC2 (RA2)

Los datos estructurados siempre reflejan con detalle fenómenos complejos como emociones humanas. Verdadero. Falso.

Los datos semiestructurados nunca incluyen etiquetas. Verdadero. Falso.

Un algoritmo de regresión se usa para clasificar correos como spam o no spam. Verdadero. Falso.

Las redes neuronales convolucionales (CNN, Convolutional neural networks) están especializadas en imágenes y vídeo. Verdadero. Falso.

Un modelo es lo mismo que un algoritmo. Verdadero. Falso.

El aprendizaje supervisado usa datos etiquetados. Verdadero. Falso.

El sobreajuste ocurre cuando el modelo memoriza demasiado. Verdadero. Falso.

La precisión mide la proporción de aciertos de un modelo. Verdadero. Falso.

El fine-tuning permite personalizar un modelo general para usos específicos. Verdadero. Falso.

En la IA conversacional, el prompt no influye en la calidad de la salida. Verdadero. Falso.

La IA genera siempre la misma salida para un mismo prompt. Verdadero. Falso.

La IA puede dar la impresión de empatía, pero no siente emociones reales. Verdadero. Falso.

Relaciona el tipo de aprendizaje con su característica y ejemplo: Aprendizaje supervisado. El modelo se entrena con datos etiquetados como “spam” o “no spam”. Descubre patrones en compras sin etiquetas previas. Recibe recompensas o castigos jugando a un videojuego. Se entrena en una tarea y se adapta después a otra parecida. Ajusta un modelo general para tareas específicas (ej. textos médicos).

Relaciona el tipo de aprendizaje con su característica y ejemplo: Aprendizaje no supervisado. El modelo se entrena con datos etiquetados como “spam” o “no spam”. Descubre patrones en compras sin etiquetas previas. Recibe recompensas o castigos jugando a un videojuego. Se entrena en una tarea y se adapta después a otra parecida. Ajusta un modelo general para tareas específicas (ej. textos médicos).

Relaciona el tipo de aprendizaje con su característica y ejemplo: Aprendizaje por refuerzo. El modelo se entrena con datos etiquetados como “spam” o “no spam”. Descubre patrones en compras sin etiquetas previas. Recibe recompensas o castigos jugando a un videojuego. Se entrena en una tarea y se adapta después a otra parecida. Ajusta un modelo general para tareas específicas (ej. textos médicos).

Relaciona el tipo de aprendizaje con su característica y ejemplo: Transfer learning (aprendizaje por transferencia). El modelo se entrena con datos etiquetados como “spam” o “no spam”. Descubre patrones en compras sin etiquetas previas. Recibe recompensas o castigos jugando a un videojuego. Se entrena en una tarea y se adapta después a otra parecida. Ajusta un modelo general para tareas específicas (ej. textos médicos).

Relaciona el tipo de aprendizaje con su característica y ejemplo: Fine-tuning (ajuste fino). El modelo se entrena con datos etiquetados como “spam” o “no spam”. Descubre patrones en compras sin etiquetas previas. Recibe recompensas o castigos jugando a un videojuego. Se entrena en una tarea y se adapta después a otra parecida. Ajusta un modelo general para tareas específicas (ej. textos médicos).

Relaciona el proceso o modelo avanzado con su descripción: Modelo de difusión (Diffusion). Genera imágenes a partir de ruido progresivamente refinado. Usa atención para procesar secuencias de texto y traducir idiomas. Enfrenta generador vs. discriminador para crear imágenes realistas. Comprime y reconstruye información para generar variaciones controladas. Identifica bordes, texturas y formas en imágenes. Enseña a las máquinas a comprender y producir lenguaje humano. Mantiene diálogos simulando interacción humana.

Relaciona el proceso o modelo avanzado con su descripción: Transformer. Genera imágenes a partir de ruido progresivamente refinado. Usa atención para procesar secuencias de texto y traducir idiomas. Enfrenta generador vs. discriminador para crear imágenes realistas. Comprime y reconstruye información para generar variaciones controladas. Identifica bordes, texturas y formas en imágenes. Enseña a las máquinas a comprender y producir lenguaje humano. Mantiene diálogos simulando interacción humana.

Relaciona el proceso o modelo avanzado con su descripción: GAN (Red Generativa Antagónica). Genera imágenes a partir de ruido progresivamente refinado. Usa atención para procesar secuencias de texto y traducir idiomas. Enfrenta generador vs. discriminador para crear imágenes realistas. Comprime y reconstruye información para generar variaciones controladas. Identifica bordes, texturas y formas en imágenes. Enseña a las máquinas a comprender y producir lenguaje humano. Mantiene diálogos simulando interacción humana.

Relaciona el proceso o modelo avanzado con su descripción: VAE (Autoencoder Variacional). Genera imágenes a partir de ruido progresivamente refinado. Usa atención para procesar secuencias de texto y traducir idiomas. Enfrenta generador vs. discriminador para crear imágenes realistas. Comprime y reconstruye información para generar variaciones controladas. Identifica bordes, texturas y formas en imágenes. Enseña a las máquinas a comprender y producir lenguaje humano. Mantiene diálogos simulando interacción humana.

Relaciona el proceso o modelo avanzado con su descripción: Conversational AI (IA conversacional). Genera imágenes a partir de ruido progresivamente refinado. Usa atención para procesar secuencias de texto y traducir idiomas. Enfrenta generador vs. discriminador para crear imágenes realistas. Comprime y reconstruye información para generar variaciones controladas. Identifica bordes, texturas y formas en imágenes. Enseña a las máquinas a comprender y producir lenguaje humano. Mantiene diálogos simulando interacción humana.