parcial corte 3 - final

La Inteligencia Artificial es un campo de la informática que desarrolla sistemas capaces de realizar tareas como reconocer patrones, clasificar información y generar predicciones. a. V. b. F.

Todos los sistemas de Inteligencia Artificial necesitan entrenarse con grandes cantidades de datos, ya que no existen sistemas inteligentes basados en reglas. a. V. b. F.

Machine Learning es una rama de la Inteligencia Artificial que permite desarrollar modelos capaces de identificar patrones a partir de datos. a. V. b. F.

Deep Learning es un campo independiente de Machine Learning y no utiliza redes neuronales para procesar información. V. F.

En el aprendizaje supervisado, los datos de entrenamiento contienen entradas y respuestas conocidas que permiten al modelo aprender relaciones. V. F.

El aprendizaje no supervisado requiere obligatoriamente que todos los registros tengan una etiqueta previamente asignada. F. V.

Random Forest combina múltiples árboles de decisión para generar predicciones o clasificaciones. V. F.

En una neurona artificial, los pesos representan la influencia de las conexiones y el sesgo permite ajustar la combinación de las entradas. V. F.

Python, Scikit-learn y Random Forest son tres lenguajes de programación utilizados para desarrollar sistemas de Inteligencia Artificial. V. F.

Los resultados generados por sistemas de Inteligencia Artificial deben evaluarse, debido a que pueden presentar errores o información inexacta. V. F.

Un ingeniero informático necesita explicar la relación jerárquica entre Inteligencia Artificial, Machine Learning y Deep Learning. ¿Cuál de las siguientes afirmaciones es correcta?. A. La Inteligencia Artificial es una rama de Deep Learning. B. Machine Learning y Deep Learning son lenguajes de programación. C. Deep Learning es una rama de Machine Learning y este, a su vez, forma parte de la Inteligencia Artificial. D. Deep Learning no tiene relación con las redes neuronales.

Una empresa desarrolla un sistema que clasifica correos electrónicos como legítimos o sospechosos utilizando ejemplos previamente etiquetados. ¿Qué tipo de aprendizaje está utilizando?. A. Aprendizaje no supervisado. B. Aprendizaje supervisado. C. Aprendizaje sin datos. D. Programación exclusivamente basada en reglas.

Una institución necesita agrupar usuarios según sus patrones de comportamiento, pero no dispone de categorías previamente asignadas. ¿Qué enfoque resulta más apropiado?. A. Aprendizaje supervisado con etiquetas conocidas. B. Regresión logística con respuestas predefinidas. C. Clasificación mediante etiquetas obligatorias. D. Aprendizaje no supervisado mediante agrupamiento.

¿Cuál es la función principal de los pesos en una red neuronal artificial?. A. Determinar la influencia de las entradas sobre el procesamiento de una neurona. B. Almacenar físicamente las imágenes del entrenamiento. C. Reemplazar las variables de entrada del sistema. D. Eliminar la necesidad de realizar operaciones matemáticas.

Una neurona artificial recibe dos entradas: X1 = 2 y X2 = 3, con pesos W1 = 0,5 y W2 = 0,4 y un sesgo b = 0,2. ¿Cuál es el valor de z antes de aplicar la función de activación?. A. 1,7. B. 2,0. C. 2,4. D. 3,2.

En una red neuronal, ¿qué componente transforma el resultado de la combinación lineal de entradas, pesos y sesgo?. A. La base de datos. B. El lenguaje de programación. C. El sistema operativo. D. La función de activación.

Un investigador necesita desarrollar un modelo que estime el precio de una vivienda a partir de variables numéricas y relaciones aproximadamente lineales. ¿Cuál de los siguientes modelos es apropiado como punto de partida?. A. Regresión lineal. B. K-Means. C. DBSCAN. D. Agrupamiento jerárquico.

¿Cuál de las siguientes características corresponde a un árbol de decisión?. A. Requiere obligatoriamente múltiples capas neuronales profundas. B. Organiza decisiones mediante condiciones y divisiones de los datos. C. Funciona exclusivamente con imágenes. D. No puede utilizarse para problemas de clasificación.

¿Qué característica distingue principalmente a Deep Learning de una red neuronal con una sola capa oculta?. A. El uso exclusivo del lenguaje R. B. La eliminación de los pesos y sesgos. C. La utilización de múltiples capas de procesamiento. D. La ausencia de entrenamiento.

Un estudiante afirma que Scikit-learn es un algoritmo de clasificación y que Random Forest es una librería de Python. ¿Cuál es la corrección adecuada?. A. Ambos son lenguajes de programación. B. Scikit-learn es una librería y Random Forest es un algoritmo de aprendizaje automático. C. Random Forest es un sistema operativo y Scikit-learn es una base de datos. D. Ambos son funciones de activación.

Durante el entrenamiento de una red neuronal, ¿qué proceso contribuye a reducir el error entre la predicción y la respuesta esperada?. A. Eliminar todas las entradas. B. Sustituir los datos por números aleatorios permanentemente. C. Evitar la evaluación del modelo. D. Ajustar los pesos y sesgos del modelo.

Un equipo de desarrollo necesita implementar una solución que clasifique imágenes de objetos utilizando una red neuronal profunda. ¿Qué herramientas de las siguientes resultan apropiadas?. A. TensorFlow y Keras. B. Un editor de texto sin ejecución de código. C. Exclusivamente una hoja de cálculo sin algoritmos. D. Un sistema de archivos sin procesamiento de datos.

Un ingeniero divide un problema complejo en tareas pequeñas, identifica características comunes y diseña instrucciones para resolverlo. ¿Qué enfoque está aplicando?. A. Exclusivamente almacenamiento de datos. B. Procesamiento sin planificación. C. Pensamiento computacional. D. Sustitución de algoritmos por decisiones aleatorias.

Una aplicación de Inteligencia Artificial genera respuestas incorrectas porque parte de su información de entrenamiento contiene errores. ¿Qué conclusión es técnicamente adecuada?. A. Los modelos de IA siempre producen resultados perfectos. B. La calidad de los datos puede influir en la fiabilidad de los resultados. C. El entrenamiento elimina automáticamente cualquier error. D. La evaluación de los modelos es innecesaria.

Un sistema recibe información de una conexión de red, procesa sus variables y genera una clasificación como normal o sospechosa. ¿Cuál de las siguientes secuencias representa adecuadamente el funcionamiento general de un modelo de clasificación?. A. Resultado - eliminación de entradas - almacenamiento. B. Instalación de software - impresión - apagado del equipo. C. Predicción - creación aleatoria de datos - eliminación del modelo. D. Recepción de datos - procesamiento mediante el modelo - clasificación de la conexión.