PIA05 - Programación de Inteligencia Artificial 2026

¿Qué herramientas se usan para ajustar los pesos durante la retropropagación?. Matrices de confusión y curvas ROC. Transformaciones de Fourier. Algoritmos sintéticos. Gradientes y optimizadores como SGD o Adam.

¿Qué ventaja principal proporciona el uso de múltiples capas ocultas en una red neuronal profunda?. Reduce el tiempo de entrenamiento. Permite aprender representaciones jerárquicas y abstractas. Aumenta la precisión sin importar los datos. Evita el uso de funciones de activación.

¿En qué parte de la red se realiza la transformación más abstracta de los datos?. En la capa de entrada. En las capas ocultas. En el optimizador. En la función de pérdida.

¿Qué efecto tiene Dropout durante el entrenamiento?. Convierte la salida de la red en una distribución de probabilidad. Incrementa la complejidad del modelo. Reduce el número de épocas necesarias para entrenar. Desactiva aleatoriamente algunas neuronas para reducir el sobreajuste.

¿Qué optimizador combina las ventajas de RMSprop y momentum?. sgd. adam. adagrad. mse.

¿Qué función cumple la capa de entrada en una red neuronal profunda?. Aplica la función de activación a los datos. Clasifica directamente los datos de entrada. Carga los datos y los distribuye entre las neuronas. Ajusta los pesos iniciales del modelo.

¿Para qué se utiliza el método evaluate() en Keras?. Para guardar el modelo entrenado. Para medir el rendimiento del modelo con datos no vistos. Para ajustar automáticamente los hiperparámetros del modelo. Para generar nuevas predicciones.

¿En qué tipo de modelos se utilizan comúnmente las capas no convolucionales como Dense y Dropout?. Exclusivamente en redes recurrentes. En modelos densos con datos estructurados como vectores o tablas. Solo en redes convolucionales profundas, están contraindicadas en otro tipo de redes. Principalmente en modelos generativos adversarios.

¿Qué función tiene el proceso de ajustar los pesos durante el entrenamiento?. Eliminar neuronas irrelevantes. Reordenar las capas para optimizar el flujo de datos. Permitir que el modelo aprenda de los errores y mejore sus predicciones. Modificar la estructura de la red, para ajustarse al problema según el tamaño del conjunto de datos.

Una forma de corregir el underfitting es: Aplicar Dropout en la capa de salida. Reducir el tamaño del conjunto de entrenamiento. Aumentar la profundidad o el número de neuronas en la red. Disminuir la cantidad de épocas.

¿Qué tipo de salida puede generar una red neuronal profunda?. Únicamente valores binarios. Una categoría, un número o una secuencia. Solo texto codificado. Solamente imágenes procesadas.

¿Qué ventaja ofrecen las redes recurrentes (RNN) frente a otras arquitecturas?. Procesan todos los elementos de una secuencia simultáneamente. Tienen memoria interna para recordar información previa. Generan imágenes de alta calidad. Son especialmente eficaces con datos tabulares.

¿Qué indica que una red presenta infraajuste (underfitting)?. El error es alto tanto en entrenamiento como en validación. Las predicciones oscilan entre extremos. El modelo colapsa en la primera época y el entrenamiento es imposible. Que el aprendizaje se ha producido muy rápido y el acierto es alto.

¿Qué ventaja ofrecen los grafos dinámicos de PyTorch frente a los estáticos?. Reducen el tamaño del modelo final. No requieren definir una función de pérdida. Permiten construir y modificar el modelo en tiempo de ejecución. Eliminan la necesidad de entrenar el modelo.

¿Cuál es el propósito de la técnica EarlyStopping?. Aumentar el número de épocas hasta que el aprendizaje sea significativo. Eliminar las capas que no aprenden. Detener el entrenamiento si la validación deja de mejorar. Reiniciar los pesos al detectar overfitting.

¿Qué técnica permite ajustar los pesos de la red tras calcular el error?. Normalización batch. Cálculo directo de la entropía. Retropropagación. Maximización del gradiente.

¿Qué define a las redes generativas adversarias (GAN)?. Constan de dos redes que compiten: generador y discriminador. Se entrenan mediante algoritmos evolutivos. Usan memoria interna y capas recurrentes. Solo sirven para análisis de sentimiento.

¿Qué se calcula en cada nodo de una capa oculta?. El error cuadrático medio. Una combinación ponderada de las entradas seguida de una función de activación. La media de los pesos de la red. El valor absoluto de la predicción anterior.

¿Cuál es el objetivo del proceso de entrenamiento repetido en múltiples épocas?. Reducir la cantidad de nodos ocultos. Permitir que la red afine sus pesos y mejore las predicciones. Evitar que se active la función de pérdida. Eliminar la necesidad de función de activación en algunas de las neuronas.

En una neurona artificial, ¿qué ocurre inmediatamente después de calcular la suma ponderada de las entradas y añadir el sesgo?. Se normaliza la salida. Se aplica una función de activación. Se realiza una predicción según la suma ponderada. Se ajustan los pesos.

¿Qué tipo de programación promueve el diseño de Keras?. Funcional pura. Orientada a objetos. Lógica difusa simbólica. Ensamblador modular.

¿Cuál es uno de los beneficios del diseño modular de Keras?. Convierte directamente los modelos en recursos para aplicaciones móviles. Facilita el prototipado rápido de modelos. Automatiza el etiquetado de datos. Requiere menos datos de entrenamiento.

¿Qué representa una época en el contexto del entrenamiento de redes neuronales?. Un cambio en la arquitectura del modelo. Un reinicio de los pesos iniciales. Una pasada completa por todos los datos de entrenamiento. Una iteración de retropropagación por cada nodo de una capa.

¿Qué indica el hecho de que una red tenga “múltiples capas ocultas”?. Que contiene más nodos en la capa de salida. Que tiene una arquitectura profunda capaz de representar patrones complejos. Que utiliza múltiples funciones de activación por neurona propiciando un apren. Que depende menos de los datos de entrada.

¿Qué hace la capa BatchNormalization?. Normaliza la salida de la capa anterior para estabilizar el entrenamiento. Aplica una función de activación lineal. Reduce el número de parámetros del modelo para reducir el coste computacional. Convierte imágenes en vectores planos.

¿Para qué tipo de tareas se utilizan comúnmente las redes GAN?. Clasificación de secuencias temporales. Traducción automática de idiomas. Generación de imágenes realistas o síntesis de voz. Extracción de características en datos tabulares.

¿Qué valor indica cuántas veces el modelo verá todo el conjunto de datos durante el entrenamiento?. epochs. batch_size. validation_split. accuracy.

¿Qué función cumple la capa Flatten?. Conecta todas las neuronas de la red entre sí. Aplica una normalización por lotes. Convierte datos multidimensionales en un vector plano. Elimina valores nulos de los datos.

¿Por qué es importante normalizar los datos antes del entrenamiento?. Mejora la eficiencia y estabilidad del aprendizaje. Permite el uso de funciones de pérdida más simples. Evita que se active el Dropout. Reduce la complejidad del modelo.

¿Cuál es la principal razón por la que se utiliza una función de activación en una neurona?. Reducir el tamaño de la red. Evitar errores de cálculo en la red. Introducir no linealidad para aprender patrones complejos. Eliminar la necesidad de capas ocultas.

¿Qué rol cumple TensorFlow en comparación con Keras?. Sirve exclusivamente para análisis estadístico. Es un editor visual de modelos neuronales. Añade funcionalidad para cargar imágenes y audio. Se encarga del nivel bajo y la ejecución optimizada de modelos.

¿Qué hace el parámetro batch_size durante el entrenamiento?. Selecciona el optimizador más adecuado para cada época. Divide el modelo en capas más pequeñas. Controla la cantidad de ruido introducido durante el entrenamiento. Define cuántas muestras se procesan antes de actualizar los pesos.

¿Qué ventaja ofrece TensorFlow Lite dentro del ecosistema?. Detecta automáticamente el sobreajuste. Simplifica la creación de datasets. Incorpora la arquitectura edge computing. Permite la ejecución de modelos en navegadores web exclusivamente.

¿Qué ocurre si se usan demasiadas épocas durante el entrenamiento?. El modelo mejora continuamente sin límite. Se reduce el error de validación automáticamente. El modelo puede sobreajustarse a los datos de entrenamiento. El entrenamiento se detiene automáticamente.

¿Qué significa que validation_split sea igual a 0.2 en el método fit()?. Se usa un 20% menos de datos durante el entrenamiento. La validación se realiza cada 5 épocas. El modelo se entrena en un conjunto reducido de datos. El 20% de los datos de entrenamiento se reservan para validación.

¿Qué parámetro permite controlar cuánta información se muestra en pantalla durante el entrenamiento?. verbose. monitor. display_mode. train_log.

¿Cuándo se desactiva la función de Dropout?. Durante la validación cruzada. Durante la fase de inferencia o predicción. En la primera época del entrenamiento. Cuando se usa una tasa de aprendizaje baja.

¿Cómo ayuda ampliar el conjunto de datos a prevenir el sobreajuste?. Elimina la necesidad de usar optimizadores avanzados. Permite entrenar modelos más simples. Ayuda al modelo a aprender patrones más generales. Reduce el número de pesos de la red.

¿Qué parámetro define el porcentaje de neuronas apagadas en Dropout?. input_shape. batch_size. units. rate.

¿Para qué se utiliza la capa Input en Keras?. Para aplicar funciones de activación al modelo. Para definir la forma de los datos de entrada. Para normalizar los valores de entrada. Para apagar neuronas de forma aleatoria durante el entrenamiento.

¿Qué ventaja ofrece la API funcional al definir el flujo de datos?. Evita el uso de funciones de activación. Permite especificar explícitamente cómo se conectan las capas. Elimina la necesidad de compilar el modelo. Reduce automáticamente el número de parámetros del modelo.

¿En qué tipo de datos suelen aplicarse las Redes Densamente Conectadas?. Datos tabulares o estructurados. Secuencias de texto o tiempo. Imágenes con alta resolución. Audios y señales en bruto.

¿Para qué tipo de tareas es más adecuado el modelo secuencial?. Procesamiento de múltiples entradas y salidas. Redes con capas compartidas o bifurcaciones. Modelos con estructura lineal y capas encadenadas. Redes convolucionales complejas con memoria.

¿Qué representa una salida de 0.92 en un modelo de clasificación binaria?. Una alta probabilidad de que la muestra pertenezca a la clase positiva. Un valor categórico con clase 0. Una pérdida elevada. Un error en la predicción.

¿En qué momento del procesamiento actúa el sesgo en una neurona artificial?. Antes de recibir los datos y pasarlos a las neuronas. Después de aplicar la función de activación para corregir la salida. Después de sumar las entradas ponderadas y antes de la activación. Cuando se evalúa el modelo final.

¿Cuál es el propósito de la capa de salida en una red neuronal profunda?. Asignar funciones de activación distintas a cada nodo. Normalizar las entradas antes de pasarlas a la red. Calcular los gradientes para la retropropagación. Generar la predicción final del modelo.

¿Qué función cumple el método compile() en Keras?. Entrena directamente el modelo con los datos de entrada. Configura el optimizador, la función de pérdida y las métricas antes del entrenamiento. Convierte el modelo en un gráfico computacional para TensorBoard. Guarda el modelo en formato HDF5.

¿Qué métrica suele utilizarse para evaluar el rendimiento en tareas de clasificación?. loss. mse. accuracy. precision_binary.

¿Qué tipo de salida se obtiene con una función softmax en clasificación multiclase?. Un vector de probabilidades por clase. Un único valor entre 0 y 1. Una matriz de confusión. Una media de todas las predicciones.

¿Cómo puede mitigarse la alta demanda computacional en redes profundas?. Comenzando con modelos pequeños y escalando solo si es necesario. Aumentando el tamaño de los datos sin normalizar. Añadiendo más capas ocultas desde el inicio. Entrenando con menos iteraciones pero más neuronas.

¿Qué representa el valor de un peso en una red neuronal?. El número de veces que se ha activado una neurona. La importancia de una entrada. La cantidad de datos procesados por la red. La función de activación seleccionada.

¿Cuál de estas afirmaciones es cierta sobre la capa Input en un modelo secuencial?. Debe definirse siempre explícitamente como la primera capa. Puede definirse explícitamente o con el parámetro input_shape en la primera capa. Debe tener activación ReLU por defecto. Sólo se usa en modelos convolucionales.

¿Cuál de los siguientes elementos es el responsable del aprendizaje en una red neuronal profunda?. Capa de entrada. Capas ocultas. Capa de salida. Función de pérdida.

¿Qué valores devuelve el método evaluate()?. Los pesos y sesgos del modelo. La función de pérdida y las métricas definidas. El número de épocas y el tamaño del lote definido. La arquitectura del modelo.

¿Qué puede provocar un entrenamiento lento o inestable?. Usar una función de pérdida muy pequeña. Una tasa de aprendizaje mal ajustada o funciones inadecuadas. Demasiados datos para ser procesados en la capa de entrada. Aplicar Dropout en todas las capas.

¿Cómo se evalúa si la predicción del modelo es correcta o no?. Calculando la precisión por clase. Comparando la activación de la capa oculta con el valor objetivo. Comparando la predicción con la respuesta real mediante una función de pérdida. Usando la tasa de aprendizaje del optimizador.

¿Cuál es la principal utilidad de las redes convolucionales?. Clasificación de texto. Clasificación y análisis de imágenes. Generación de contenido sintético. Predicción de valores numéricos en hojas de cálculo.

¿Qué hace la técnica de Dropout durante el entrenamiento?. Reduce el tamaño de los datos. Elimina gradientes nulos. Optimiza directamente los hiperparámetros. Desactiva aleatoriamente algunas neuronas.

¿Quién desarrolló originalmente PyTorch?. Google Brain. OpenAI. Facebook AI Research. Universidad de Toronto.

¿Quién desarrolló inicialmente TensorFlow?. François Chollet. Google Brain. Kaggle. Facebook AI Research.

¿Qué mecanismo clave utilizan los transformers para procesar secuencias?. Reducción de dimensión (pooling). Memoria a corto y largo plazo. Atención para identificar relaciones entre elementos simultáneamente. Filtros convolucionales para analizar imágenes.

¿Qué herramienta del ecosistema TensorFlow permite visualizar entrenamientos y métricas?. TensorStream. TensorBoard. TensorLite. Keras Board.

¿Por qué es útil usar Flatten antes de una capa Dense?. Porque convierte una entrada multidimensional en un vector plano. Porque reduce el número de neuronas ocultas. Porque calcula la media de activaciones de la capa anterior. Porque normaliza los datos para entrenamiento.

¿Qué método de Keras se utiliza para obtener predicciones con un modelo entrenado?. predict(). evaluate(). compile(). fit().

¿Qué ocurre cuando una red neuronal presenta sobreajuste (overfitting)?. Aprende demasiado bien los datos de entrenamiento y no generaliza con nuevos datos. No consigue aprender nada de los datos y las salidas resultan completamente aleatorias. Solo funciona con datos normalizados. Se ha alcanzado un aprendizaje óptimo de los datos.

¿Cuál de las siguientes afirmaciones indica un posible sobreajuste?. El modelo tiene alta precisión en entrenamiento pero baja en test. El modelo necesita más épocas para entrenarse. El modelo tiene un optimizador demasiado complejo. La función de pérdida es muy baja en test.

¿Qué tipo de problema resuelve una red con salida sigmoide y una única neurona?. Clasificación de múltiples clases. Clasificación binaria. Regresión continua con muchas variables. Reducción de dimensionalidad.

¿Cuál fue una de las principales razones del éxito de PyTorch en la comunidad investigadora?. Su integración con entornos como Java y C++. Su uso de grafos computacionales dinámicos. Su interfaz gráfica para diseño de modelos. Su antigüedad y popularidad previa a TensorFlow.

¿Para qué tipo de problema es adecuada la función de pérdida binary_crossentropy?. Clasificación binaria. Clasificación multiclase codificada como one-hot. Problemas de regresión lineal. Clasificación jerárquica.

¿Cuál es el objetivo principal del proceso de entrenamiento en una red neuronal?. Reducir el número de neuronas. Incrementar la cantidad de capas ocultas. Seleccionar la mejor función de activación. Ajustar los pesos para minimizar el error.

¿Qué hace que una red se considere “profunda”?. Tiene muchas salidas posibles. Utiliza datos no estructurados. Posee dos o más capas ocultas. Se entrena en múltiples dispositivos simultáneamente.

¿Por qué es útil la separación entre TensorFlow y Keras?. Para que los profesionales se enfoquen en el diseño sin preocuparse por los detalles computacionales. Para evitar el uso de funciones matemáticas. Para que no compartan hardware y penalicen el rendimiento. Porque uno es para datos y otro para imágenes.

¿Cuál de las siguientes afirmaciones es cierta sobre el número de capas y neuronas en una red neuronal profunda?. Siempre se recomienda usar al menos 5 capas (entrada, tres ocultas y salida). Depende del problema y del volumen de datos disponibles. Debe ser igual al número de clases. Debe seguir una proporción fija entre capas.

¿Cuál de las siguientes técnicas se utiliza específicamente para reducir el overfitting?. Incrementar la tasa de aprendizaje. Reiniciar los pesos cada época. Regularización L2. Eliminar todas las capas ocultas.

¿Cuál de las siguientes afirmaciones describe mejor la capa Dense?. Solo se usa en modelos convolucionales. Transforma vectores planos en matrices bidimensionales. Conecta cada neurona con todas las neuronas de la capa anterior. Aplica normalización de pesos en cada iteración para evitar el sobreajuste.

¿Cuál es el papel principal de Keras dentro del ecosistema TensorFlow?. Realizar cálculos en dispositivos móviles. Proporcionar operaciones matemáticas optimizadas. Facilitar la construcción y entrenamiento de modelos. Implementar modelos preentrenados para producción.

¿Cuál de estas bibliotecas complementa a PyTorch para tareas de visión por computador?. TorchVision. TorchVisionAI. TorchData. TorchDetection.

¿En qué tipo de proyectos se utiliza actualmente PyTorch?. Solo en prototipos de bajo nivel. Exclusivamente en sistemas embebidos. Principalmente para modelos de regresión lineal. En investigación avanzada y aplicaciones en producción.

¿Cuándo se actualizan los pesos del modelo?. Al final de cada época completa. Solo si la métrica no mejora después de cada época de entrenamiento. Después de procesar cada lote de datos definido por batch_size. Antes de aplicar dropout.

¿Cuál es la principal diferencia del modelo funcional respecto al secuencial?. Solo funciona con imágenes. No permite definir funciones de activación. Permite arquitecturas más complejas con entradas y salidas múltiples. Solo acepta datos tabulares, aunque posibilita que provengan de distintas fuentes.

¿Qué papel desempeñan las conexiones entre neuronas en una red neuronal?. Activan funciones de pérdida y validación. Transmiten información ponderada por pesos ajustables. Organizan los datos en lotes para la retropropagación. Reducen la cantidad de datos de entrada.

¿Cuál de las siguientes afirmaciones describe mejor el comportamiento de una función de activación?. Convierte la suma ponderada de entradas en una salida no lineal. Determina el número de neuronas en la capa siguiente. Optimiza automáticamente los pesos de la red. Filtra los datos antes de entrar en la red.

¿Qué técnica permite ajustar los pesos de la red tras calcular el error?. Normalización por Lotes. Cálculo directo de la entropía. Retropropagación. Maximización del gradiente.

¿Qué herramientas se usan para ajustar los pesos?. Matrices de confusión. Transformaciones de Fourier. Algoritmos biosintéticos. Gradientes y optimizadores como SGD o Adam.

¿Qué ocurre cuando una red neuronal presenta sobreajuste (overfitting)?. No consigue aprender nada de los datos y las salidas resultan completamente aleatorias. Aprende demasiado bien los datos de entrenamiento y no generaliza con nuevos datos. Solo funciona con datos normalizados. Se ha alcanzado un aprendizaje óptimo de los datos.

Una forma de corregir el underfitting es: Aplicar Dropout en la capa de salida. Reducir el tamaño del conjunto de entrenamiento. Disminuir la cantidad de épocas. Aumentar la profundidad o el número de neuronas en la red.

¿Qué ventaja ofrecen las redes recurrentes (RNN) frente a otras arquitecturas?. Generan imágenes de alta calidad. Tienen memoria interna para recordar información previa. Procesan todos los elementos de una secuencia simultáneamente. Son especialmente eficaces con datos tabulares.

¿Para qué tipo de tareas se utilizan comúnmente las redes GAN?. Generación de imágenes realistas o síntesis de voz. Clasificación de secuencias temporales. Traducción automática de idiomas. Extracción de características en datos tabulares.

¿Qué herramienta del ecosistema TensorFlow permite visualizar entrenamientos y métricas?. TensorStream. TensorBoard. TensorLite. Keras Board.

¿Qué rol cumple TensorFlow en comparación con Keras?. Se encarga del nivel bajo y la ejecución optimizada de modelos. Sirve exclusivamente para análisis estadístico. Es un editor visual de modelos neuronales. Añade funcionalidad para cargar imágenes y audio.

¿Para qué tipo de tareas es más adecuado el modelo secuencial?. Procesamiento de múltiples entradas y salidas. Modelos con estructura lineal y capas encadenadas. Redes con capas compartidas o bifurcaciones. Redes convolucionales complejas con memoria.

¿Qué ventaja ofrece la API funcional al definir el flujo de datos?. Evita el uso de funciones de activación. Elimina la necesidad de compilar el modelo. Reduce automáticamente el número de parámetros del modelo. Permite especificar explícitamente cómo se conectan las capas.

¿Qué función cumple la capa Flatten?. Convierte datos multidimensionales en un vector plano. Conecta todas las neuronas de la red entre sí. Aplica una normalización por lotes. Elimina valores nulos de los datos.

¿Qué efecto tiene Dropout durante el entrenamiento?. Convierte la salida de la red en una distribución de probabilidad. Incrementa la complejidad del modelo. Reduce el número de épocas necesarias para entrenar. Desactiva aleatoriamente algunas neuronas para reducir el sobreajuste.

¿Qué valor indica cuántas veces el modelo verá todo el conjunto de datos durante el entrenamiento?. epochs. batch_size. validation_split. accuracy.

¿Qué hace el parámetro batch_size durante el entrenamiento?. Selecciona el optimizador más adecuado para cada época. Divide el modelo en capas más pequeñas. Define cuántas muestras se procesan antes de actualizar los pesos. Controla la cantidad de ruido introducido durante el entrenamiento.

¿Cuál de las siguientes afirmaciones indica un posible sobreajuste?. El modelo necesita más épocas para entrenarse. El modelo tiene alta precisión en entrenamiento pero baja en test. El modelo tiene un optimizador demasiado complejo. La función de pérdida es muy baja en test.

¿Qué tipo de salida se obtiene con una función softmax en clasificación multiclase?. Un único valor entre 0 y 1. Una matriz de confusión. Una media de todas las predicciones. Un vector de probabilidades por clase.

¿Cuál es una ventaja de utilizar redes densas en este tipo de tareas?. Son más eficientes en procesamiento de imágenes que las redes convolucionales. No requieren preprocesamiento. Son fáciles de implementar y entender. No necesitan datos etiquetados.

¿Qué función de activación se usa normalmente en la capa de salida para clasificación binaria?. Sigmoid. ReLU. Softmax. Tanh.

¿Qué técnica se utiliza para evitar que el modelo siga entrenando cuando deja de mejorar?. Batch Normalization. EarlyStopping. Dropout. Regularización L1.

¿Qué ventaja ofrecen los grafos dinámicos de PyTorch frente a los estáticos?. Reducen el tamaño del modelo final. No requieren definir una función de pérdida. Eliminan la necesidad de entrenar el modelo. Permiten construir y modificar el modelo en tiempo de ejecución.